規劃管理 Azure Machine Learning 的成本
本文描述如何規劃和管理 Azure Machine Learning 的成本。 首先，使用 Azure 定價計算機來協助規劃成本，再新增任何資源。 接下來，當您新增 Azure 資源時，請檢閱預估成本。
開始使用 Azure 機器學習 資源之後，請使用成本管理功能來設定預算並監視成本。 此外，請檢閱預測的成本，並找出支出趨勢，以找出您可能想要採取行動的區域。
了解 Azure Machine Learning 的成本只是您 Azure 帳單中每月成本的一部分。 如果您使用其他 Azure 服務，則會向您收取 Azure 訂用帳戶中使用的所有 Azure 服務和資源費用，包括第三方服務。 本文說明如何規劃和管理 Azure Machine Learning 的成本。 在您熟悉了 Azure Machine Learning 的管理成本之後，請套用類似方法，來管理您訂用帳戶中使用的所有 Azure 服務的成本。
如需優化成本的詳細資訊，請參閱管理和優化 Azure 機器學習 成本。
必要條件
Microsoft 成本管理中的成本分析支援大部分的 Azure 帳戶類型，但並非全部。 若要檢視所支援帳戶類型的完整清單，請參閱了解成本管理資料。
若要檢視成本數據，您至少 需要 Azure 帳戶的讀取 許可權。 如需指派成本管理數據存取權的相關信息，請參閱 指派數據的存取權。
使用 Azure Machine Learning 前先預估成本
在 Azure 機器學習 工作區中建立資源之前，請使用 Azure 定價計算機來預估成本。 在定價計算機的左側，選取 [AI + 機器學習]，然後選取 [Azure 機器學習] 以開始。
下列螢幕快照顯示定價計算機中的範例成本估計值：
當您將資源新增至工作區時，請返回此計算機，並在這裡新增相同的資源，以更新您的成本估計值。
如需詳細資訊，請參閱 Azure Machine Learning 定價。
了解 Azure Machine Learning 的完整計費模型
Azure Machine Learning 會在 Azure 基礎結構上執行，此基礎結構會在您部署新資源時，隨 Azure Machine Learning 累積成本。 請務必了解，額外的基礎結構可能會產生成本。 當您對已部署的資源進行變更時，必須管理該成本。
通常會隨 Azure Machine Learning 累積的成本
建立 Azure Machine Learning 工作區的資源時，也會建立其他 Azure 服務的資源。 畫面如下：
- Azure Container Registry 基本帳戶
- Azure Blob 儲存體 （一般用途 v1）
- Azure Key Vault
- Azure 監視器
當您建立 計算實例時，虛擬機 （VM） 會保持開啟狀態，讓其可供您的工作使用。
成本可能在資源刪除之前累積
在您刪除 Azure 入口網站 或 Azure CLI 中的 Azure 機器學習 工作區之前，下列子資源是累積的常見成本，即使您未主動在工作區中工作也一般。 如果您打算稍後返回 Azure 機器學習 工作區，這些資源可能會繼續產生成本。
- VM
- Load Balancer
- Azure 虛擬網路
- 頻寬
每個 VM 都會按每小時執行計費。 成本取決於 VM 規格。 執行但未主動處理數據集的 VM 仍會透過負載平衡器收費。 針對每個計算實例，每天會收取一個負載平衡器的費用。 計算叢集的每 50 個節點都會計費一個標準負載平衡器。 每個負載平衡器的費用約為 $0.33/天。 若要避免已停止的計算執行個體和計算叢集上的負載平衡器成本，請刪除計算資源。
計算實例也會產生 P10 磁碟成本，即使處於已停止狀態，因為儲存在那裡的任何使用者內容都會保存在與 Azure VM 類似的已停止狀態。 我們正努力讓 OS 磁碟大小/類型可設定為更好的控制成本。 針對 Azure 虛擬網絡，每個訂用帳戶和每個區域會收取一個虛擬網路的費用。 虛擬網路無法跨越區域或訂用帳戶。 在虛擬網路中設定私人端點也可能會產生費用。 如果您的虛擬網路使用 Azure 防火牆，這也可能會產生費用。 帶寬費用反映使用量;傳輸的數據越多，費用就越大。
提示
使用 Azure 機器學習 受控虛擬網路是免費的。 不過，受控網路的一些功能依賴 Azure Private Link（適用於私人端點）和 Azure 防火牆（適用於 FQDN 規則），這會產生費用。 如需詳細資訊，請參閱 受控虛擬網路隔離。
資源刪除之後可能產生的成本
在您於 Azure 入口網站中或使用 Azure CLI 刪除 Azure Machine Learning 工作區之後，下列資源將會繼續存在。 這些資源會繼續產生成本，直到您將其刪除為止。
- Azure Container Registry
- Azure Blob 儲存體
- Key Vault
- Application Insights
若要刪除工作區以及這些相依資源，請使用 SDK：
適用於：
Python SDK azure-ai-ml v2 (目前)
from azure.ai.ml.entities import Workspace
ml_client.workspaces.begin_delete(name=ws.name, delete_dependent_resources=True)
如果您在工作區中建立 Azure Kubernetes Service （AKS），或將任何計算資源連結至工作區，則必須在 Azure 入口網站 中個別刪除它們。
搭配 Azure 機器學習 使用 Azure 預付款點數
您可以使用 Azure 預付款點數來支付 Azure 機器學習 費用。 不過，您無法使用 Azure 預付款點數來支付第三方產品和服務的費用，包括來自 Azure Marketplace 的產品與服務。
在 Azure 入口網站中檢閱預估成本
建立 Azure Machine Learning 的計算資源時，您會看到預估成本。
若要建立計算實例並檢視預估價格：
- 登入 Azure Machine Learning 工作室。
- 選取左側的 [計算]。
- 在頂端工具列上，選取 [+新增]。
- 檢閱每個可用虛擬機大小的預估價格。
- 完成建立資源。
如果您的 Azure 訂用帳戶有消費限制，Azure 會防止您的費用超出點數金額。 當您建立和使用 Azure 資源時，將會使用您的點數。 當您達到點數限制時，系統就會在該計費期間的剩餘時間內停用您所部署的資源。 您無法變更點數限制，但可以將其移除。 如需消費限制的詳細資訊，請參閱 Azure 消費限制。
監視成本
您需要產生使用 Azure 資源與 Azure 機器學習 的成本。 Azure 資源使用量單位成本會依據時間間隔 (秒、分鐘、小時和日) 或單位使用量 (位元組、MB 等等) 而改變。一旦 Azure Machine Learning 開始使用，就會產生成本，而且您可以在成本分析中看到成本。
使用成本分析時，您會在圖表和資料表中檢視不同時間間隔的 Azure Machine Learning 成本。 一些範例包括依日期、目前和先前月份，以及年度。 您也可以根據預算和預測成本來檢視成本。 切換至更長時間的檢視，有助於找出費用趨勢。 您也會看到可能發生超支的位置。 如果您已建立預算，還可以輕鬆地查看已超出預算的位置。
若要檢視成本分析中的 Azure Machine Learning 成本：
- 登入 Azure 入口網站。
- 在 Azure 入口網站中開啟範圍，然後選取功能表中的 [成本分析]。 例如，移至 [訂用帳戶]、從清單中選取訂用帳戶，然後在功能表中選取 [成本分析]。 選取 [範圍] 以切換至成本分析中的不同範圍。
- 根據預設，服務的成本會顯示在第一個環圈圖中。 選取標記為 Azure Machine Learning 的圖表區域。
當您一開啟成本分析時，就會顯示實際的每月費用。 以下是顯示所有每月使用量成本的範例。
若要減少單一服務 (例如 Azure Machine Learning) 的成本，請選取 [新增篩選條件]，然後選取 [服務名稱]。 然後，選取 [虛擬機器]。
以下是僅顯示 Azure 機器學習 成本的範例。
在上述範例中，您會看到服務的目前成本。 系統也會顯示依 Azure 區域 (位置) 的成本和依資源群組的 Azure Machine Learning 成本。 您可以在此自行探索成本。
建立預算
您可以建立預算來管理成本，以及建立警示，以在出現異常消費和超支風險時自動通知利害關係人。 警示是以支出為基礎 (相較於預算和成本閾值)。 系統會為 Azure 訂用帳戶和資源群組建立預算和警示，因此在整體成本監視策略中十分實用。
如果您希望監視中有更多細微性，可以使用 Azure 中特定資源或服務的篩選來建立預算。 篩選有助於確保您不會不小心建立花費您額外成本的新資源。 如需有關建立預算時篩選選項的詳細資訊，請參閱群組和篩選選項。
匯出成本資料
您也可以將成本資料匯出到儲存體帳戶。 當您或其他人需要針對成本執行更多數據分析時，這會很有説明。 例如，財務小組可以使用 Excel 或 Power BI 來分析資料。 您可以根據每日、每週或每月排程來匯出成本，並設定自訂日期範圍。 若要取得成本資料集，建議採用匯出成本資料集的方式。
其他管理和降低 Azure Machine Learning 成本的方式
使用下列秘訣可協助您管理和最佳化計算資源成本。
- 設定定型叢集以進行自動調整。
- 在您的訂用帳戶和工作區上設定配額。
- 在您的訓練作業上設定終止原則。
- 使用低優先順序的虛擬機。
- 排程計算實例以自動關閉和啟動。
- 使用 Azure 保留的 VM 實例。
- 在本機訓練。
- 平行處理定型。
- 設定數據保留和刪除原則。
- 將資源部署到相同的區域。
- 如果您不打算很快使用實例和叢集，請刪除它們。
如需詳細資訊，請參閱管理和優化 Azure 機器學習 成本。