一家自駕車公司使用 PyTorch 在 SageMaker 中透過遷移學習訓練了物件偵測模型。由於車輛的運算和電池資源有限，該公司需要在不大幅犧牲準確性的前提下，縮小模型大小並縮短執行時間。哪種方法可以提高模型的運算效率？

正確答案是使用 SageMaker Debugger。SageMaker Debugger 允許您在訓練期間檢查模型的內部張量，例如權重、梯度和啟用。透過分析這些張量，可以計算濾波器重要性並識別對模型預測貢獻較小的低重要性濾波器。修剪這些濾波器可以縮小模型大小並提高執行效率，同時透過重新訓練修剪後的模型來維持或最小化準確性損失。 使用 CloudWatch 指標檢查權重、梯度、偏差和啟用是不可行的，因為 CloudWatch 主要用於監控基礎設施指標，而非模型內部張量。SageMaker Ground Truth 用於資料標註，增加資料集大小通常會增加訓練時間和模型複雜度，而非縮小模型。SageMaker Model Monitor 則用於監控部署後模型的效能和資料漂移，與模型優化無關，提高學習率也無法直接縮小模型或提高執行效率。