0 / 0
Belgelerin İngilizce sürümü ' ne geri dönün.
Watson Machine Learning planları ve bilgi işlem kullanımı
Watson Machine Learning planları ve bilgi işlem kullanımı

Watson Machine Learning planları ve bilgi işlem kullanımı

capacitykaynaklarını, AutoAI modellerini eğitirken, derin öğrenme deneylerini çalıştırdığınızda ve devreye alınan modellerden öngörüler istediğinizde, kapasite birim saat (CUH) cinsinden ölçülen Watson Machine Learning kaynaklarını kullanıyorsunuz. Bu konuda, seçebileceğiniz çeşitli planlar, hangi hizmetlerin dahil olduğu açıklanır ve gereksinimlerinize uygun bir plan seçmenize yardımcı olacak varsayılan bilgi işlem ortamlarının bir listesini sağlar. Bu konuda şunları açıklar:

Kapasite Birim Saatleri (CUH)

CUH, birim saat başına bilgi işlem kaynağı tüketimine ilişkin bir ölçüdür. Tüm Watson Machine Learning planları Kapasite Birim Saatleri çevresinde birleştirilir ve kaynak tüketiminin izlenmesi daha kolay hale gelir.

Watson Machine Learning planları

Watson Machine Learning plans govern how you are billed for models you train and deploy with Watson Machine Learning. Gereksinimlerinize göre bir plan seçin:

  • Lite , sınırlı kapasiteye sahip ücretsiz bir plandır. Watson Machine Learning (Watson Makine Öğrenimi) seçeneğini değerlendiriyorsanız ve yetenekleri denemek istiyorsanız bu planı seçin.
  • Standart , gereksinimlerinizi karşılamanız için modeller oluşturma, devreye alma ve yönetme esnekliğini sağlayan bir kullandığın kadar öde planlarından biri.
  • Profesyonel , kuruluşun tüm makine öğrenimi gereksinimlerini desteklemek üzere tasarlanmış, yüksek kapasiteli, düz bir kurumsal plandır. Profesyonel plan, Dallas bölgesinde sağlansa HIPAA için de destek sunmaktadır.

Plan ayrıntıları ve fiyatlandırması için bkz. IBM Cloud Machine Learning.

Not: Standard 'dan Professional 'a yükseltiyorsanız, Standart plana geri dönemezsiniz. Bu durumda yardım almak için IBM Support (Destek) ile iletişim kurun.

CUH tarafından planlar

Plan Dahil Edilen Kapasite Birim Saatleri Overage Her yer için
konuşlandırma işleri üst sınırı
Basit Her ay için 20 Fazla yaş izni yok 100
Standart CUH başına faturalandı CUH başına faturalandı 1000
Profesyonel 2500 Fazladan CUH için faturalandı 3000 (destek yoluyla isteğe göre artış)

Devreye alma işleri için sınırlar ve varsayılan değerler (Watson Machine Learning)

Watson Machine Learning places limits on the number of konuşlandırma işleri retained for each single konuşlandırma alanı. Daha da önemlisi, bu güncelleştirmeyle, bilgilerinizin hiçbiri kaybolmayacak, ancak devreye alma işlerini çalıştırırken kullanıcı deneyiminiz değişmeye gereksinim duyabilir.

Sınırınızı aşarsanız, var olan işleri silinceye ya da planınızı yükseltmeden yeni konuşlandırma işleri oluşturamazsınız. Yeni otomasyon, plan sınırları içinde kalmanıza yardımcı olur. Varsayılan olarak, iş meta verileri 30 gün sonra otomatik olarak silinecektir. Bir iş yaratırken bu değeri geçersiz kılabilirsiniz. Bkz. İşlerin yönetilmesi.

Watson Machine Learning compute usage and pricing

Not: Fiyatlandırmaya ilişkin ayrıntılı bilgiler için bkz. Watson Machine Learning: Fiyatlandırma

CUH kullanım ayrıntıları

  • Machine Learning bilgi işlem kullanımı, etkin bir makine öğrenimi eşgörünümü tarafından tüketilen kapasite birimi saat sayısı (CUH) tarafından hesaplanır.
  • Tüketilen saat başına kapasite birimi oranı, Machine Learning varlıklarınızın ve modellerinizin bilgi işlem gereksinimleriyle belirlenir. Örneğin, büyük ve karmaşık bir veri kümesine sahip bir model, daha küçük ve daha basit bir veri kümesine sahip bir modelden daha fazla eğitim kaynağı tüketecektir. Daha fazla koşutzamanlı kullanıcı ve isteği desteklemek için bir devreye alma işlemi ölçeklendirmenin CUH tüketimini de artırdığını unutmayın.
  • Bir devreye alma için kaynak tüketimini etkileyen çok fazla değişken olduğundan, CUH tüketimini analiz etmek için modelleriniz ve devreye alımlarınız üzerinde testler yapmanızı öneriyoruz.
  • Bilgi işlem süresi milisaniye olarak hesaplanır. Ancak, her ayırma işlemi için bir dakikalık bir alt sınır vardır. Yani, 12 saniye süren bir eğitim çalışması kapasite birim saat kotasına bir dakika olarak faturalandırılırken, 83.555 saniye süren bir eğitim çalışması tam olarak hesaplandığı şekilde faturalanır.
  • Çevrimiçi konuşlandırmaların kapasite birimlerini tüketme şekli çerçeveye dayalıdır. Bazı çerçeveler için, konuşlandırma alanının bir konuşlandırma alanında etkin olduğu saat sayısı için CUH ücretlendirilir. Örneğin, haftada yedi gün boyunca günde 24 saat çalışan çevrimiçi konuşlandırma kipinde SPSS modelleri CUH ' yi tüketir ve bu süre için ücretlendirilir. Etkin bir çevrimiçi konuşlandırma için boşta durma süresi yok. Diğer çerçeveler için CUH, puanlama süresine göre ücretlendirilir. CUH ' un nasıl hesaplansa ile ilgili ayrıntılar için CUH tüketim tablosuna bakın.

Konuşlandırmanın etkin olup olmadığını belirleme

Bir devreye alma, belirli bir süre için puanlama isteklerini alamazsa, bu, SPSSdışındaki tüm çerçeveler için etkin olmayan, boşta durma ve faturalama durakları olarak işlenir. Bir devreye almanın etkinlik dışı durumunu belirlemek için kullanılan dönem, plan tipine bağlıdır.

Plan tipi Boşta kalma süresi
Basit 1 gün
Standart 3 gün
Profesyonel 3 gün

Devreye alma ve çerçeve tipine göre CUH tüketimi

CH tüketimi bu formüller kullanılarak hesaplanır:

Devreye alma tipi Çerçeve CUH hesaplaması
Çevrimiçi AutoAI, AI function, SPSS, Scikit-Learn özel kitaplıkları, Tensorflow, RShiny deployment_active_duration no_of_nodes CUH_rate_for_capacaity_type_framework
Çevrimiçi Spark, PMML, Scikit-Learn, Pytorch, XGBoost scorpi_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework
Toplu tüm çerçeve işleri job_duration_in_seconds no_of_nodes CUH_rate_for_capacity_type_framework

Bu çizelgeler, kullanım tipine göre, makine öğrenimi ortamları için saat başına kapasite birimini gösterir.

Derin öğrenme deneyleri için saat başına kapasite birimi

Kapasite tipi Kapasite birimi/saat
1 (bir) NVIDIA K80 GPU 2
1 (bir) NVIDIA V100 GPU 10

 

Eğitim, değerlendirme ya da puanlama modelleri için saat başına kapasite birimi

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

 

AutoAI deneyleri için saat başına kapasite birimleri

Bir AutoAI deneyi için veriler birleştirildiğinde, veri birleştirildiği için saat başına kapasite birimleri farklı şekilde hesaplanır. Veriler birleştirildikten sonra, CUH tüketimi tek bir veri kaynağı olan bir deneyle ilgili hesaplamalara geri döner.

 

Tek bir veri kaynağı kullanan AutoAI deneyleri için saat başına kapasite birimi:

Kapasite tipi Kapasite birimi/saat
8 vCPU ve 32 GB RAM 20

 

Veri birleştirilirken AutoAI deneylerine ilişkin saat başına kapasite birimi:

Eklediğiniz her yürütücü için tüketim artışlarına dikkat edin.

Kapasite tipi Kapasite birimi/saat
1 Sürücü ile birlikte katılın: 2 vCPU ve 8 GB RAM + 1 Executor: 2 vCPU ve 8 GB RAM 10
Ek yürütüclerle birleştirin Her ek yürütücü için 5 CUH ekleyin
Veri birleştirmesinden sonra: 8 vCPU ve 32 GB RAM 20

 

Decision Optimizationiçin saat başına kapasite birimi

Kapasite tipi Kapasite birimi/saat
Decision Optimization: 2 vCPU ve 8 GB RAM 30
Decision Optimization: 4 vCPU ve 16 GB RAM 40
Decision Optimization: 16 vCPU ve 64 GB RAM 60

Kaynakların nasıl tüketilmesiyle ilgili ayrıntılar için Hesap kaynağı kullanımının izlenmesibaşlıklı konuya bakın.

Bir hesap için CUH kullanımını izleyin

You can track the runtime usage for an account on the Ortam Yürütme Ortamları page if you are the IBM Cloud account owner or administrator or the Watson Machine Learning service owner. Ayrıntılar için bakınız: Monitoring resource.

Not defterinde makine öğrenimi için CUH tüketimini izleyin

Kapasite birim saatlerini hesaplamak için şunu kullanın:

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

Örneğin:

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

5.49 CH değerini döndürür

Ayrıntılar için IBM Watson Machine Learning API 'si belgelerinin Hizmet Eşgörünümleri bölümüne bakın.

Ek bilgi

Üst konu: Watson Machine Learning