0 / 0
Přejděte zpět na anglickou verzi dokumentace
Plány a výpočetní využití produktu Watson Machine Learning
Plány a výpočetní využití produktu Watson Machine Learning

Plány a výpočetní využití produktu Watson Machine Learning

Použijte prostředky produktu Watson Machine Learning , měřené v jednotkách kapacity jednotky kapacity (CUH), když cvičíte modely AutoAI , spustíte hloubkové výukové experimenty a požadujte předpovědi z implementovaných modelů. Toto téma popisuje různé plány, které si můžete vybrat, jaké služby jsou zahrnuty, a poskytuje seznam výchozích výpočetních prostředí, které vám pomohou vybrat si plán, který odpovídá vašim potřebám. Toto téma popisuje:

Hodiny jednotky kapacity (CUH)

CUH je ukazatel spotřeby výpočetních prostředků za jednotku času. Všechny plány produktu Watson Machine Learning jsou konsolidovány kolem hodin jednotek kapacity, což usnadňuje sledování spotřeby prostředků.

Plány produktu Watson Machine Learning

Plány produktu Watson Machine Learning řídí, jak jste vyfakturovány pro modely, které budete školit a jak implementovat do produktu Watson Machine Learning. Zvolte si plán na základě svých potřeb:

  • Lite je volný plán s omezenou kapacitou. Tento plán vyberte v případě, že hodnotíte produkt Watson Machine Learning a chcete vyzkoušet schopnosti.
  • Standard je plán podpory, který vám poskytuje flexibilitu při sestavování, implementaci a správě modelů, které odpovídají vašim potřebám.
  • Profesionální je vysoce kapacitní podnikový plán s vysokou kapacitou, který je určen pro podporu všech vzdělávacích potřeb organizace pro danou organizaci. Profesionální plán také nabízí podporu pro HIPAA, je-li zajišťováno v regionu Dallas.

Podrobnosti plánu a stanovení ceny najdete v tématu IBM Cloud Machine Learning.

Poznámka: Provádíte-li upgrade z verze Standard na profesionální, nemůžete se vrátit do standardního plánu. V takovém případě se obraťte na podporu IBM se žádostí o pomoc.

Plány podle CUH

Plán Zahrnuté hodiny jednotky kapacity Přečerpání Maximální počet úloh implementace
na prostor
Lite 20 za měsíc Nedodržování povoleno 100
Standardní Zaúčtováno za CUH Zaúčtováno za CUH 1000
Profesionální 2500 Zaúčtováno pro další spotřebované CUH 3000 (nárůst žádostí prostřednictvím podpory)

Limity a výchozí nastavení pro uchování úloh implementace (Watson Machine Learning)

Produkt Watson Machine Learning uvádí omezení počtu úloh implementace uchovaných pro jednotlivé prostory implementace. Důležité je, že při této aktualizaci žádná z vašich informací nebude ztracena, ale při spouštění úloh implementace se může stát, že se budete muset změnit.

Pokud překročíte svůj limit, nebudete moci vytvářet nové úlohy implementace, dokud neodstraníte existující úlohy nebo neupgradujete svůj plán. Nová automatizace vám pomůže zůstat v mezích plánu. Při výchozím nastavení budou metadata úloh automaticky odstraněna po 30 dnech. Tuto hodnotu můžete přepsat při vytváření úlohy. Viz Správa úloh.

Produkt Watson Machine Learning počítá využití a ceny

Poznámka: Úplné podrobnosti o cenách naleznete v části Watson Machine Learning: Pricing .

Podrobnosti využití CUH

  • Výpočetní využití Machine Learning se vypočítá podle počtu hodin jednotky kapacity (CUH) spotřebovaných instancí aktivního učení počítače.
  • Spotřebovaná rychlost jednotek kapacity za hodinu je určena výpočetními požadavky na aktiva a modely Machine Learning . Například model s velkou a komplexní datovou sadou bude spotřebovávat více vzdělávacích prostředků než model s menší a jednodušší datovou sadou. Všimněte si, že škálování implementace pro podporu více souběžných uživatelů a požadavků také zvyšuje spotřebu CUH.
  • Protože existuje tolik proměnných, které ovlivňují spotřebu prostředků pro implementaci, doporučujeme spustit testy na svých modelech a implementacích k analýze spotřeby CUH.
  • Výpočet času se vypočítá na milisekundu. Pro každou jednotlivou operaci je však minimální jednorázová minuta. To znamená, že školení trvá 12 sekund, které se účtuje jako jedna minuta k kvótě hodin jednotky kapacity, zatímco školící běh, který trvá 83.555 sekund, se účtuje přesně tak, jak je vypočteno.
  • Způsob, jakým online implementace spotřebovávají kapacity jednotek, je založen na rámci. Pro některé rámce platí, že hodnota CUH je účtována za počet hodin, kdy je aktivum implementace aktivní v prostoru implementace. Například modely SPSS v režimu online implementace, které běží 24 hodin denně po sedm dní v týdnu spotřebovávají CUH a jsou zpoplatněny za toto období. Pro aktivní online implementaci není k dispozici žádná doba nečinnosti. Pro jiné rámce, MJ je účtován v závislosti na trvání skóre. Podrobnosti o tom, jak se vypočítá hodnota CUH, naleznete v tabulce spotřeby CUH.

Určení, zda je implementace aktivní

Pokud implementace neobdrží požadavky na přidělení skóre pro danou dobu trvání, je považována za neaktivní nebo nečinná a účtování se zastaví pro všechny rámce jiné než SPSS. Období použité k určení, kdy je nasazení neaktivní, závisí na typu plánu.

Typ plánu Doba nečinnosti
Lite 1 den
Standardní 3 dny
Profesionální 3 dny

Spotřeba CUH podle implementace a typu rámce

Spotřeba CUH se vypočítá pomocí těchto vzorců:

Typ implementace Rámec Výpočet CUH
Online AutoAI, AI function, SPSS, Scikit-Seznámení s vlastními knihovnami, Tensorflow, RShiny aktiva_aktiv_implementace počet_uzlů CUH_rate_for_capacity_type_framework
Online Spark, PMML, Scikit-Learn, Pytorch, XGBoost score_duration_in_seconds počet_uzlů CUH_rate_for_capacity_type_framework
Dávka všechny rámce job_duration_in_seconds počet_uzlů CUH_rate_for_capacity_type_framework

Tyto tabulky zobrazují výpočet jednotek kapacity za hodinu pro prostředí pro výuku počítače podle typu použití.

Jednotky kapacity za hodinu pro experimenty s hlubokým vzděláváním

Typ kapacity Jednotky kapacity za hodinu
1 (jeden) NVIDIA K80 GPU 2
1 (jeden) NVIDIA V100 GPU 10

 

Jednotky kapacity za hodinu pro modely školení, hodnocení nebo vyhodnocování modelů

Typ kapacity Jednotky kapacity za hodinu
extra malé: 1x4 = 1 vCPU a 4 GB RAM 0,5
Malá: 2x8 = 2 vCPU a 8 GB RAM 1
Střední: 4x16 = 4 vCPU a 16 GB RAM 2
Velký: 8x32 = 8 vCPU a 32 GB RAM 4
Extra velké: 16x64 = 16 vCPU a 64 GB RAM 8

 

Jednotky kapacity za hodinu pro experimenty AutoAI

Když jsou data sloučená pro experiment AutoAI , jsou jednotky kapacity za hodinu vypočítány odlišně jako data, která se spojují. Jakmile jsou data sloučená, spotřeba CUH se vrací k výpočtům pro experiment s jediným zdrojem dat.

 

Jednotky kapacity za hodinu pro experimenty AutoAI s využitím jednoho zdroje dat:

Typ kapacity Jednotky kapacity za hodinu
8 jednotek vCPU a 32 GB RAM 20

 

Jednotky kapacity za hodinu pro pokusy AutoAI při slučování dat:

Všimněte si, že spotřeba se zvyšuje pro každý exekutor, který

Typ kapacity Jednotky kapacity za hodinu
Join with 1 Driver: 2 vCPU and 8 GB RAM + 1 Executor: 2 vCPU and 8 GB RAM 10
Připojit se s dalšími vykonavateli přidejte 5 CUH pro každý další exekutor
Po spojení s daty: 8 vCPU a 32 GB RAM 20

 

Jednotky kapacity za hodinu pro Decision Optimization

Typ kapacity Jednotky kapacity za hodinu
Decision Optimization: 2 vCPU a 8 GB RAM 30
Decision Optimization: 4 vCPU a 16 GB RAM 40
Decision Optimization: 16 vCPU a 64 GB RAM 60

Podrobné informace o způsobu využití prostředků naleznete v tématu Monitorování využití prostředků účtu .

Sledování využití CUH pro účet

Můžete sledovat využití běhového prostředí pro účet na stránce Běhová prostředí , pokud jste vlastníkem účtu IBM Cloud nebo administrátorem nebo vlastníkem služby Watson Machine Learning . Podrobnosti naleznete v tématu Monitorování prostředků.

Sledování spotřeby CUH pro výuku počítače v notebooku

Chcete-li vypočítat jednotkovou jednotku kapacity, použijte:

CP =  client.service_instance.get_details()
CUH = CUH["entity"]["usage"]["capacity_units"]["current"]/(3600*1000)
print(CUH)

Příklad:

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

vrací 5,49 CUH

Podrobnosti viz sekce Instance služby v dokumentaci k rozhraní IBM Watson Machine Learning API .

Další informace

Nadřízené téma: Watson Machine Learning