ML-c01 / CNN 전이학습 후 인식을 위한 모델 최적화

자동차 회사는 자율주행차에 컴퓨터 비전을 사용합니다. 이 회사는 컨볼루션 신경망(CNN)의 전이 학습을 사용하여 물체 감지 모델을 성공적으로 훈련했습니다. 회사는 Amazon SageMaker SDK를 통해 PyTorch를 사용하여 모델을 교육했습니다.

차량에는 제한된 하드웨어 및 컴퓨팅 성능이 있습니다. 회사는 정확도를 크게 떨어뜨리지 않고 메모리, 배터리 및 하드웨어 소비를 줄이기 위해 모델을 최적화하려고 합니다.

모델의 계산 효율성을 향상시키는 솔루션은 무엇입니까?

• A. Amazon CloudWatch 지표를 사용하여 SageMaker 훈련 가중치, 기울기, 편향 및 활성화 출력에 대한 가시성을 확보하십시오. 학습 정보를 기반으로 필터 순위를 계산합니다. 가지치기를 적용하여 순위가 낮은 필터를 제거합니다. 정리된 필터 집합을 기반으로 새 가중치를 설정합니다. 정리된 모델로 새 학습 작업을 실행합니다.
• B. Amazon SageMaker Ground Truth를 사용하여 데이터 라벨링 워크플로를 구축하고 실행합니다. 레이블 지정 워크플로를 사용하여 더 큰 레이블이 지정된 데이터 세트를 수집합니다. 이전 교육 데이터와 함께 레이블이 지정된 새 데이터를 사용하는 새 교육 작업을 실행합니다.
• C. Amazon SageMaker 디버거를 사용하여 훈련 가중치, 기울기, 편향 및 활성화 출력에 대한 가시성을 확보하십시오. 학습 정보를 기반으로 필터 순위를 계산합니다. 가지치기를 적용하여 순위가 낮은 필터를 제거합니다. 정리된 필터 집합을 기반으로 새 가중치를 설정합니다. 정리된 모델로 새 학습 작업을 실행합니다.
• D. Amazon SageMaker Model Monitor를 사용하여 회사에서 모델을 배포한 후 모델의 ModelLatency 지표 및 OverheadLatency 지표에 대한 가시성을 확보합니다. 모델 학습률을 높입니다. 새 학습 작업을 실행합니다.