某製造業團隊建立瑕疵偵測模型時，使用單張約20MB的高解析度工業影像作為訓練資料，並將所有影像儲存於NAS（Network Attached Storage）中。訓練時透過PyTorch搭配CNN模型於GPU上進行，工程師觀察到GPU使用率僅約20%至30%，整體訓練時間耗費數日。根據上述情境，造成GPU利用率偏低的最可能原因為何？
iPAS 考題解析
某製造業團隊建立瑕疵偵測模型時，使用單張約20MB的高解析度工業影像作為訓練資料，並將所有影像儲存於NAS（Network Attached Storage）中。訓練時透過PyTorch搭配CNN模型於GPU上進行，工程師觀察到GPU使用率僅約20%至30%，整體訓練時間耗費數日。根據上述情境，造成GPU利用率偏低的最可能原因為何？
- A. 模型架構過於複雜，導致反向傳播時間過長
- B. 訓練資料品質不穩定，造成模型難以收斂
- C. 高解析影像從NAS載入產生I/O（Input/Output）瓶頸，導致GPU等待 ✓ 正確答案
- D. 批次大小（Batch Size）設定不當，導致GPU長時間閒置
詳細解析
20MB 高解析影像從 NAS 網路載入產生 I/O 瓶頸，GPU 大部分時間在等待資料而非計算。
難度：★★★