規劃管理 Azure Machine Learning 的成本

發行項
10/16/2024

本文描述如何規劃和管理 Azure Machine Learning 的成本。首先，使用 Azure 定價計算機來協助在新增任何資源之前規劃成本。接下來，當您新增 Azure 資源時，請檢閱預估成本。

在您開始使用 Azure Machine Learning 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，請檢閱預測成本，並找出花費趨勢來識別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，您 Azure 訂用帳戶中使用的所有 Azure 服務和資源 (包括第三方服務) 都會向您收取費用。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。

如需有關最佳化成本的詳細資訊，請參閱管理和最佳化 Azure Machine Learning 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。

若要檢視成本資料，您至少需要 Azure 帳戶的「讀取」存取權。如需成本管理資料的存取權指派詳細資訊，請參閱指派資料的存取權。

使用 Azure Machine Learning 前先預估成本

在 Azure Machine Learning 工作區中建立資源之前，請先使用 Azure 定價計算機來預估成本。在定價計算機左側選取 [AI + 機器學習]，然後選取 [Azure Machine Learning] 以開始。

下列螢幕擷取畫面顯示定價計算機中的範例成本預估：

將資源新增至您的工作區時，請返回此計算機並在這裡新增相同的資源，以更新您的成本預估。

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：

當您建立計算執行個體時，虛擬機器 (VM) 會保持開啟狀態，以供您的工作使用。

啟用閒置關機，當 VM 在指定時段內閒置時降低成本。
或設定排程來自動啟動和停止計算執行個體，以在未規劃使用它時降低成本。

成本可能在資源刪除之前累積

在您於 Azure 入口網站中或使用 Azure CLI 刪除 Azure Machine Learning 工作區之前，下列子資源是即使您未在工作區中主動工作時所累積的一般成本。如果您打算稍後再返回 Azure Machine Learning 工作區，這些資源可能會繼續累積成本。

VM
Load Balancer
Azure 虛擬網路
頻寬

每個 VM 是根據其執行的小時計費。成本取決於 VM 規格。執行但未主動處理資料集的 VM 仍會透過負載平衡器進行收費。針對每個計算執行個體，每天都有一個負載平衡器進行計費。計算叢集的每 50 個節點都有一個計費的標準負載平衡器。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。

計算執行個體也會產生 P10 磁碟成本，即使處於已停止狀態也一樣，因為儲存在該處的任何使用者內容在已停止狀態仍會持續保留，類似 Azure VM。我們正致力於使 OS 磁碟大小/類型可設定為更好的控制成本。對於 Azure 虛擬網路，單個虛擬網路將根據訂用帳戶和區域的數量計費。虛擬網路不能跨越區域或訂用帳戶。在虛擬網路中設定私人端點可能也會產生費用。如果您的虛擬網路使用 Azure 防火牆，也可能會產生費用。頻寬費用反映使用量；傳輸資料越多，費用越高。

提示

使用 Azure Machine Learning 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)，這些項目會產生費用。如需詳細資訊，請參閱受控虛擬網路隔離。
受控線上端點會使用 VM 進行部署。如果您已提交建立線上部署的要求且失敗，該部署可能已通過建立計算的階段。在此情況下，失敗的部署會產生費用。如果您已完成失敗的偵錯或調查，可以刪除失敗的部署以節省成本。

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
金鑰保存庫
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)，或是將任何計算資源連結到您的工作區，則必須在 Azure 入口網站中將其個別刪除。

搭配 Azure Machine Learning 使用 Azure 預付款點數

您可以使用 Azure 預付款點數來支付 Azure Machine Learning 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 的產品和服務。

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。

若要建立計算執行個體並檢視預估價格：

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]。
檢閱針對每個可用虛擬機器大小所顯示的預估價格。
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

搭配 Azure Machine Learning 使用 Azure 資源時會產生費用。 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]。

以下是只顯示 Azure Machine Learning 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。篩選可協助確保您不會意外建立新的資源，而需要支付額外的費用。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進行更多資料分析時，這會很有用。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。

設定您的定型叢集以進行自動調整。
設定受控線上端點以進行自動調整。
在您的訂用帳戶和工作區上設定配額。
在您的定型工作上設定終止原則。
使用低優先順序的虛擬機器。
將計算執行個體排定為自動關閉和啟動。
使用 Azure 保留 VM 執行個體。
在本機定型。
並行定型。
設定資料保留和刪除原則。
將資源部署到相同區域。
如果您不打算立即使用執行個體、叢集和/或線上部署，請將其刪除。
若已為失敗的部署建立計算，請刪除那些部署。

如需詳細資訊，請參閱管理和最佳化 Azure Machine Learning 成本。

共用方式為