一家新創公司使用 GPU 執行複雜的深度神經網路訓練。工作流程會從 S3 提取資料集、從公司 git repo 載入 TensorFlow 模型、在本機執行，並將進度寫入 S3。此工作支援暫停和恢復，集中排隊，目前需要數小時。經理們希望將這項每週工作自動化，使其在每個星期一執行，並在星期五之前以最低成本完成，同時具備擴展性。哪種架構能以最低成本最佳地滿足此要求？

正確答案利用了 AWS Batch 的強大功能，它能有效管理和擴展批次運算工作負載。將工作負載打包到 AWS Deep Learning Containers 中，確保了環境的一致性和可移植性。使用 GPU 支援的 Spot Instances 大幅降低了成本，同時提供了深度學習訓練所需的運算能力。AWS Batch 原生支援 Spot Instances，並能處理實例中斷，這對於可暫停和恢復的工作流程非常理想。它還提供了集中排隊和自動化排程，符合每週執行和在星期五前完成的要求。 在低成本的 GPU EC2 實例上執行並使用 Instance Scheduler 雖然能排程，但缺乏自動擴展和 Spot Instance 中斷處理的能力，無法滿足擴展性和成本效益。AWS Fargate 上的 Spot 容量不支援 GPU，不適合深度學習訓練。Amazon ECS 上的 Spot Instances 雖然可行，但 AWS Batch 更專為批次工作負載設計，能更好地處理排隊、重試和 Spot Instance 的生命週期管理，因此是更優的選擇。