某公司使用 SageMaker 影像分類 (ImageNetV2 CNN)，但發現模型遺漏了許多不常見的動物物種。他們在 S3 中收集了 10,000 張稀有物種的標記影像，並計畫使用 Pipe 模式進行訓練。ML 工程師應採取哪兩種步驟？請選擇兩項。

公司模型遺漏不常見物種，表示現有模型對這些類別的辨識能力不足。因此，最有效的方法是透過遷移學習 (transfer learning) 來微調現有模型，利用已學習的特徵來辨識新類別，這比從頭訓練更有效率且成果更好。微調時，使用稀有物種的影像來更新模型權重，能提升其對這些物種的辨識能力。 SageMaker 影像分類演算法在 Pipe 模式下訓練時，需要一個 .lst 檔案來指定影像路徑和對應的標籤。這個檔案是演算法讀取訓練資料的標準格式，確保資料能被正確載入和使用。 選擇 ResNet 架構並從頭訓練不適用，因為從頭訓練需要大量數據和計算資源，且可能無法達到遷移學習的效果。使用 SageMaker 影像分類演算法中提供的 Inception 模型，如果沒有微調，也無法解決對不常見物種辨識不足的問題。使用 JSON Lines 格式的 augmented manifest file 雖然是另一種資料格式，但 .lst 檔案是 SageMaker 影像分類演算法在 Pipe 模式下訓練的推薦格式。