StreamlineAI 執行一個客製化的 PyTorch 訓練腳本 (script mode)，該腳本會定期產生模型檢查點。他們希望使用 SageMaker Managed Spot Training 來降低成本。訓練腳本將檢查點寫入 `/opt/ml/checkpoints`，公司將 artifacts 儲存在 `s3://streamlineai-checkpoints/training1/` 下。哪種配置能讓受管的 Spot SageMaker 訓練任務在中斷後從最後一個檢查點恢復？

正確答案描述了使用 SageMaker Managed Spot Training 恢復訓練任務的標準且推薦方法。CheckpointConfig 允許 SageMaker 自動將本地檢查點目錄 (LocalPath) 的內容同步到 S3 儲存桶 (S3Uri)。當 Spot 實例中斷時，SageMaker 會將檢查點上傳到 S3。當任務重新啟動時，它會從 S3 下載最新的檢查點到 LocalPath，訓練腳本可以從那裡恢復。 其他選項不正確： 依賴模型 artifact 不適用於檢查點恢復，因為模型 artifact 通常是在訓練結束時保存的最終模型，而不是訓練過程中的中間檢查點。 SageMaker Debugger 主要用於監控和調試，雖然它可以保存檢查點，但它不是 SageMaker 恢復 Spot 訓練任務的機制。 在 /opt/ml/checkpoints 上掛載 EFS 檔案系統雖然可以保留數據，但會增加複雜性和成本，且不是 SageMaker Managed Spot Training 內建的檢查點恢復機制。