Planera för att hantera kostnader för Azure Machine Learning

  • Artikel
  • 7 minuter för att läsa

Den här artikeln beskriver hur du planerar och hanterar kostnader för Azure Machine Learning. Först använder du priskalkylatorn för Azure för att planera kostnader innan du lägger till några resurser. När du sedan lägger till Azure-resurserna granskar du de uppskattade kostnaderna.

När du har börjat använda Azure Machine Learning kan du använda kostnadshanteringsfunktionerna för att ange budgetar och övervaka kostnader. Granska även de prognostiserade kostnaderna och identifiera utgiftstrender för att identifiera områden där du kanske vill agera.

Förstå att kostnaderna för Azure Machine Learning bara är en del av månadskostnaden på din Azure-faktura. Om du använder andra Azure-tjänster debiteras du för alla Azure-tjänster och -resurser som används i din Azure-prenumeration, inklusive tjänster från tredje part. Den här artikeln förklarar hur du planerar för och hanterar kostnader för Azure Machine Learning. När du är bekant med att hantera kostnader för Azure Machine Learning kan du använda liknande metoder för att hantera kostnader för alla Azure-tjänster som används i din prenumeration.

Mer information om hur du optimerar kostnader finns i Hantera och optimera kostnader i Azure Machine Learning.

Krav

Kostnadsanalys i Cost Management stöder de flesta Typer av Azure-konton, men inte alla. Om du vill se hela listan med kontotyper som stöds kan du läsa Förstå Cost Management-data.

Om du vill visa kostnadsdata behöver du minst läsbehörighet för ett Azure-konto. Mer information om hur du får åtkomst till Azure Cost Management finns i Tilldela åtkomst till data.

Beräkna kostnader innan du använder Azure Machine Learning

  • Använd priskalkylatorn för Azure för att beräkna kostnader innan du skapar resurserna i en Azure Machine Learning arbetsyta. Till vänster väljer du AI + Machine Learning och väljer sedan Azure Machine Learning för att börja.

Följande skärmbild visar kostnadsuppskattningen med hjälp av kalkylatorn:

Exempel som visar beräknad kostnad i priskalkylatorn för Azure.

När du lägger till nya resurser på arbetsytan återgår du till den här kalkylatorn och lägger till samma resurs här för att uppdatera dina kostnadsuppskattningar.

Mer information finns i Azure Machine Learning prissättning.

Förstå den fullständiga faktureringsmodellen för Azure Machine Learning

Azure Machine Learning körs på Azure-infrastruktur som ackumulerar kostnader tillsammans med Azure Machine Learning när du distribuerar den nya resursen. Det är viktigt att förstå att ytterligare infrastruktur kan ackumulera kostnader. Du måste hantera den kostnaden när du gör ändringar i distribuerade resurser.

Kostnader som vanligtvis ackumuleras med Azure Machine Learning

När du skapar resurser för en Azure Machine Learning skapas även resurser för andra Azure-tjänster. De är:

När du skapar en beräkningsinstansförblir den virtuella datorn på så att den är tillgänglig för ditt arbete. Konfigurera ett schema för att automatiskt starta och stoppa beräkningsinstansen (förhandsversion) för att spara pengar när du inte planerar att använda den.

Kostnader kan tillkomma före resursborttagning

Innan du tar bort en Azure Machine Learning-arbetsyta i Azure Portal eller med Azure CLI är följande underresurser vanliga kostnader som ackumuleras även när du inte arbetar aktivt på arbetsytan. Om du planerar att återgå till din Azure Machine Learning arbetsyta vid ett senare tillfälle kan dessa resurser fortsätta att ackumulera kostnader.

  • Virtuella datorer
  • Load Balancer
  • Virtual Network
  • Bandbredd

Varje virtuell dator debiteras per timme som den körs. Kostnaden beror på VM-specifikationer. Virtuella datorer som körs men inte aktivt arbetar med en datauppsättning debiteras fortfarande via lastbalanseraren. För varje beräkningsinstans debiteras en lastbalanserare per dag. Var 50:e nod i ett beräkningskluster debiteras en standardlastbalanserare. Varje lastbalanserare debiteras runt 0,33 USD per dag. För att undvika kostnader för lastbalanserare på stoppade beräkningsinstanser och beräkningskluster tar du bort beräkningsresursen. Ett virtuellt nätverk debiteras per prenumeration och per region. Virtuella nätverk kan inte sträcka sig över regioner eller prenumerationer. Det kan också medföra kostnader att konfigurera privata slutpunkter i vNet-konfigurationer. Bandbredden debiteras per användning. Ju mer data som överförs, desto mer debiteras du.

Kostnader kan tillkomma efter resursborttagning

När du har tagit Azure Machine Learning en arbetsyta i Azure Portal eller med Azure CLI finns följande resurser kvar. De fortsätter att ackumulera kostnader tills du tar bort dem.

  • Azure Container Registry
  • Azure Block Blob Storage
  • Key Vault
  • Application Insights

Om du vill ta bort arbetsytan tillsammans med dessa beroende resurser använder du SDK:

ws.delete(delete_dependent_resources=True)

Om du skapar Azure Kubernetes Service (AKS) i arbetsytan, eller om du kopplar några beräkningsresurser till din arbetsyta, måste du ta bort dem separat i Azure Portal.

Använda Azure-förskottsbetalningskredit med Azure Machine Learning

Du kan betala för Azure Machine Learning med din Azure-förskottsbetalningskredit. Du kan dock inte använda Azure-förskottsbetalningskredit för att betala för avgifter för produkter och tjänster från tredje part, inklusive de från Azure Marketplace.

Gå igenom kostnadsuppskattningarna på Azure-portalen

När du skapar beräkningsresurser för Azure Machine Learning kan du se uppskattade kostnader.

Så här skapar du en *beräkningsinstans *och visar det uppskattade priset:

  1. Logga in på Azure Machine Learning Studio
  2. Välj Compute till vänster.
  3. I det översta verktygsfältet väljer du +Nytt.
  4. Granska det uppskattade priset som visas i för varje tillgänglig storlek på den virtuella datorn.
  5. Slutför skapandet av resursen.

Exempel som visar uppskattade kostnader när du skapar en beräkningsinstans.

Om din Azure-prenumeration har en utgiftsgräns förhindrar Azure dig från att spendera mer än ditt kreditbelopp. När du skapar och använder Azure-resurser används dina krediter. När du når din kreditgräns inaktiveras de resurser som du har distribuerat under resten av faktureringsperioden. Du kan inte ändra kreditgränsen, men du kan ta bort den. Mer information om utgiftsgränser finns i Utgiftsgräns i Azure.

Övervaka kostnader

När du använder Azure-Azure Machine Learning medför det kostnader. Kostnaderna för Azure-resursanvändningsenhet varierar efter tidsintervall (sekunder, minuter, timmar och dagar) eller efter enhetsanvändning (byte, megabyte och så vidare.) Så snart Azure Machine Learning startar uppstår kostnader och du kan se kostnaderna i kostnadsanalysen.

När du använder kostnadsanalys kan du visa Azure Machine Learning kostnader i grafer och tabeller för olika tidsintervall. Några exempel är per dag, aktuell och föregående månad och år. Du kan också visa kostnader mot budgetar och prognostiserade kostnader. Om du växlar till längre vyer över tid kan du identifiera utgiftstrender. Och du ser var överspending kan ha inträffat. Om du har skapat budgetar kan du också enkelt se var de har överskridits.

Så här visar Azure Machine Learning kostnader i kostnadsanalys:

  1. Logga in på Azure-portalen.
  2. Öppna omfånget i Azure Portal och välj Kostnadsanalys i menyn. Du kan till exempel gå till Prenumerationer, välja en prenumeration i listan och sedan välja Kostnadsanalys i menyn. Välj Omfång för att växla till ett annat omfång i kostnadsanalysen.
  3. Som standard visas kostnaden för tjänster i det första ringdiagrammet. Välj området i diagrammet med etiketten Azure Machine Learning.

Faktiska månadskostnader visas när du först öppnar kostnadsanalysen. Här är ett exempel som visar alla månatliga användningskostnader.

Exempel som visar ackumulerade kostnader för en prenumeration.

Om du vill begränsa kostnaderna för en enskild tjänst, till Azure Machine Learning väljer du Lägg till filter och sedan Tjänstnamn. Välj sedan Azure Machine Learning.

Här är ett exempel som visar kostnader för Azure Machine Learning.

Exempel som visar ackumulerade kostnader för ServiceName.

I föregående exempel visas den aktuella kostnaden för tjänsten. Kostnader per Azure-regioner (platser) Azure Machine Learning kostnader per resursgrupp visas också. Härifrån kan du utforska kostnader på egen hand.

Skapa budgetar

Du kan skapa budgetar för att hantera kostnader och skapa aviseringar som automatiskt meddelar mottagarna om kostnadsavvikelser och risker för överförbrukning. Aviseringar baseras på utgifter jämfört med budget- och kostnadströsklar. Budgetar och aviseringar skapas för Azure-prenumerationer och resursgrupper, så de är användbara som en del av en övergripande strategi för kostnadsövervakning.

Budgetar kan skapas med filter för specifika resurser eller tjänster i Azure om du vill ha mer kornighet i övervakningen. Med filter kan du vara säker på att du inte oavsiktligt skapar nya resurser som kostar ytterligare pengar. Mer information om filteralternativen när du skapar en budget finns i Alternativ för gruppering och filter.

Exportera kostnadsdata

Du kan också exportera kostnadsdata till ett lagringskonto. Detta är användbart när du behöver eller andra för att göra ytterligare dataanalys för kostnader. Ett ekonomiteam kan till exempel analysera data med hjälp av Excel eller Power BI. Du kan exportera dina kostnader enligt ett schema per dag, vecka eller månad och ange ett anpassat datumintervall. Att exportera kostnadsdata är det rekommenderade sättet att hämta kostnadsdatauppsättningar.

Andra sätt att hantera och minska kostnader för Azure Machine Learning

Använd följande tips för att hantera och optimera dina kostnader för beräkningsresurser.

  • Konfigurera dina träningskluster för automatisk skalning
  • Ange kvoter för din prenumeration och dina arbetsytor
  • Ange avslutningsprinciper för din träningskörning
  • Använda lågprioriterade virtuella datorer (VM)
  • Schemalägga beräkningsinstanser så att de stängs av och startas automatiskt
  • Använda en azure-reserverad VM-instans
  • Träna lokalt
  • Parallellisera träning
  • Ange principer för databevarande och borttagning
  • Distribuera resurser till samma region
  • Ta bort instanser och kluster om du inte planerar att använda dem inom en snar framtid.

Mer information finns i Hantera och optimera kostnader i Azure Machine Learning.

Nästa steg