某公司在 SageMaker 端點上託管客製化的 PyTorch CNN 影像分類器，並希望為使用者提供更高的吞吐量和更低的延遲。哪種選項是提高效能最具成本效益的方式？

在 SageMaker 託管端點上啟用 Amazon Elastic Inference (EI) 是最具成本效益的選項。EI 允許您將低成本的 GPU 加速器附加到 CPU 實例，以加速深度學習推論，而無需使用昂貴的完整 GPU 實例。這顯著降低了推論成本，同時提高了吞吐量和降低了延遲。 重新訓練 CNN 使用更多層和更大的資料集可能會提高準確性，但通常會增加模型複雜度和推論時間，且需要更多的運算資源，不符合成本效益。使用更多層和更小的資料集重新訓練 CNN 可能會導致過擬合，且不一定能提高效能。將端點切換到具有多個 GPU 的 SageMaker 實例類型雖然可以提高效能，但相較於 Elastic Inference，成本會顯著增加，不符合「最具成本效益」的要求。