某自動駕駛車輛團隊使用 PyTorch 和 SageMaker SDK 進行遷移學習。他們需要減少低延遲自動駕駛用途的推論時間。他們應該使用哪種流程來分析和改進模型推論效能？

此流程利用 SageMaker Debugger 深入分析模型訓練過程中的內部張量，如權重、梯度、偏差和激活。這些資訊對於識別模型中的冗餘或不重要部分至關重要。透過計算過濾器排名並修剪低排名的過濾器，可以有效減少模型的大小和複雜性，進而大幅降低推論時間，這對於低延遲的自動駕駛應用至關重要。隨後使用修剪後的模型進行重新訓練，可以恢復因修剪而可能損失的任何準確性。 其他選項的錯誤原因： 使用 Amazon CloudWatch 演算法指標：CloudWatch 主要用於監控部署後的指標，而非訓練過程中的內部張量分析，無法直接用於過濾器修剪。 使用 SageMaker Debugger 檢查後調整超參數：雖然調整超參數可以影響推論時間，但它不像模型修剪那樣直接減少模型複雜度，對於大幅降低延遲的效果有限。 使用 SageMaker Model Monitor：Model Monitor 專注於部署後模型的效能和資料漂移監控，無法在訓練階段進行模型結構優化以減少推論延遲。