Translation not up to date
Bir model ya da işlevi eğittiğinizde ya da puanlarken, bilgi işlem gereksinimlerinizle eşleşen donanım yapılandırmasının tipini, boyutunu ve gücünü seçmiş olun.
Varsayılan donanım yapılandırmaları
Varlığı eğittiğinizde ya da devreye aldığınızda Watson Machine Learning varlığında için donanım yapılandırmasını seçin.
| Kapasite tipi | Kapasite birimi/saat |
|---|---|
| Ek küçük: 1x4 = 1 vCPU ve 4 GB RAM | 0.5 |
| Küçük: 2x8 = 2 vCPU ve 8 GB RAM | 1 |
| Orta: 4x16 = 4 vCPU ve 16 GB RAM | 2 |
| Büyük: 8x32 = 8 vCPU ve 32 GB RAM | 4 |
| Ek büyük: 16x64 = 16 vCPU ve 64 GB RAM | 8 |
Watson Machine Learning varlıkları için bilgi hesapla
Devreye alma ve puanlama, bilgi işlem kaynaklarını Watson Machine Learning hizmetinden kapasite birimi saat (CUH) olarak tüketir.
Watson Machine Learning hizmetleriniz için toplam aylık CUH tüketimini denetlemek için, gezinme menüsünden Yönetim -> Ortam çalıştırma zamanlarıseçeneklerini belirleyin.
Ayrıca, her bir konuşlandırma alanında aylık kaynak kullanımını da izleyebilirsiniz. Bunu yapmak için, konuşlandırma alanınızdan Yönet sekmesine gidin ve Kaynak kullanımıöğesini seçin. Özet, konuşlandırma tipi tarafından kullanılan CUHS ' leri gösterir: AutoAI konuşlandırmaları, Birleşik Öğrenim konuşlandırmaları, toplu konuşlandırma ve çevrimiçi konuşlandırmalar için ayrı olarak kullanılır.
Kullanım ayrıntılarını hesapla
Tüketilen CUHs oranı, devreye alımlarınızın bilgi işlem gereksinimlerine göre belirlenir. Bu tür değişkenleri aşağıdaki gibi temel alır:
- konuşlandırma tipi
- çerçeve tipi
- Daha fazla eşzamanlı kullanıcı ve istek desteklemek için bir devreye alma karmaşıklığının karmaşıklığı, CUH tüketimini de artırır. Birçok değişken bir devreye alma için kaynak tüketimini etkilediğinden, CUH tüketimini çözümlemek için modelleriniz ve devreye alımlarınızda testler çalıştırmanız önerilir.
Çevrimiçi konuşlandırmaların kapasite birimlerini tüketme şekli çerçeveye dayalıdır. Bazı çerçeveler için, CUHs, devreye alma varlığının bir konuşlandırma alanında etkin olduğu saat sayısı için ücretlendirilir. Örneğin, günde 24 saat çalışan çevrimiçi konuşlandırma kipinde SPSS modelleri, haftada yedi gün, CUHs tüketin ve o dönem için ücretlendirilir. Etkin bir çevrimiçi devreye alıma boşta durma zamanı yoktur. Diğer çerçeveler için, CUHs puanlama süresine göre ücretlendirilir. CUH kullanımının nasıl hesaplanına ilişkin ayrıntılar için CUH tüketim çizelgesine bakın.
Bilgi işlem zamanı, her ayırma işlemi için 1 dakikalık alt sınır değeri ile milisaniye olarak hesaplanır. Örneğin:
- 12 saniye süren bir eğitim çalışması 1 dakika olarak faturalandırılır
- 83.555 saniyeyi alan bir eğitim çalışması tam olarak hesaplandığı şekilde faturalanır
Devreye alma ve çerçeve tipine göre CUH tüketimi
CUH tüketimi şu formüller kullanılarak hesaplanır:
| Devreye alma tipi | Çerçeve | CUH hesaplaması |
|---|---|---|
| Çevrimiçi | AutoAI, AI function, SPSS, Scikit-Learn özel kitaplıkları, Tensorflow, RShiny | Deployment active duration * Number of nodes * CUH rate for capacity type framework |
| Çevrimiçi | Spark, PMML, Scikit-Learn, Pytorch, XGBoost | Score duration in seconds * Number of nodes * CUH rate for capacity type framework |
| Toplu | tüm çerçeve işleri | Job duration in seconds * Number of nodes * CUH rate for capacity type framework |