validationに問題が見当たらない
モデルの汎化性能か

decoderの引数が違う

4060Tiだと5.5分

forwardに入力の正規化を追加したが、ablation studyで必要だったのか確認する

入力データの前処理はローカルで行い、サイズを圧縮する。30GBでダウンロード5分、展開5分程度になった。
ライブラリのインストールはコンテナシステムのpipを使い、uvを使わない。コンテナシステムのpythonにtorchが導入済みのため、二重に仮想環境を作るより早い。

コードのダウンロード、ライブラリのインストール、入力データのダウンロードと展開、学習実行、モデルのアップロード、インスタンス停止までをスクリプト化することで、インスタンスとストレージを保持する必要が無くなった。

外部ストレージを同じマシン上の別コンテナに接続することができ、その際にinterruptibleとon-demandを変更できる

最低価格だとすぐにinterruptされるので、~$0.4/hは必要(on-demandなら0.5~)、ストレージは~$10のものがある
Google CloudのL4だと、spotで~$0.4（on-demandなら~$0.9）、ストレージは$10

両方不可