定價

Cloud Machine Learning Engine 提供可彈性調整的價格選項,可滿足您的專案和預算需求。當您使用訓練模型和預測服務時,Cloud ML Engine 會向您收取相關費用。不過,您可以免費在雲端環境中管理機器學習資源。

價格總覽

下方表格列出了各地區的訓練、批次預測和線上預測概略價格資訊。

美國

訓練 (美國)

訓練工作的費用為每「訓練單元」每小時 $0.49 美元,訓練單元數量則視您選擇用來執行工作的機器設定而定。您可以選擇預先定義的「配置層級」,或是特定「機器類型」的自訂設定。詳情請參閱下表。

預先定義的配置層級 - 每小時費用 (訓練單元數量)
BASIC

$0.2774 美元 (0.5661 個)

STANDARD_1

$2.9025 美元 (5.9234 個)

PREMIUM_1

$24.1683 美元 (49.323 個)

BASIC_GPU

$1.2118 美元 (2.4731 個)

CUSTOM

若將配置層級設為「CUSTOM」,您就可以自行掌控訓練工作所需的虛擬機器數量和類型。詳情請參閱機器類型表格。

機器類型 - 每小時費用 (訓練單元數量)
standard

$0.2774 美元 (0.5661 個)

large_model

$0.6915 美元 (1.4111 個)

complex_model_s

$0.4141 美元 (0.845 個)

complex_model_m

$0.8281 美元 (1.69 個)

complex_model_l

$1.6562 美元 (3.38 個)

standard_gpu

$1.2118 美元 (2.4731 個)

complex_model_m_gpu

$3.7376 美元 (7.6278 個)

complex_model_l_gpu

$7.4752 美元 (15.2555 個)

standard_p100 (Beta)

$2.6864 美元 (5.4824 個)

complex_model_m_p100 (Beta)

$9.636 美元 (19.6653 個)

批次預測 (美國) 每節點時數 $0.09262 美元。3
線上預測 (美國) 每節點時數 $0.3 美元。3

歐洲

訓練 (歐洲)

訓練工作的費用為每「訓練單元」每小時 $0.54 美元,訓練單元數量則視您選擇用來執行工作的機器設定而定。您可以選擇預先定義的「配置層級」,或是特定「機器類型」的自訂設定。詳情請參閱下表。

預先定義的配置層級 - 每小時費用 (訓練單元數量)
BASIC

$0.3212 美元 (0.5948 個)

STANDARD_1

$3.3609 美元 (6.2239 個)

PREMIUM_1

$27.9794 美元 (51.8138 個)

BASIC_GPU

$1.3578 美元 (2.5144 個)

CUSTOM

若將配置層級設為「CUSTOM」,您就可以自行掌控訓練工作所需的虛擬機器數量和類型。詳情請參閱機器類型表格。

機器類型 - 每小時費用 (訓練單元數量)
standard

$0.3212 美元 (0.5948 個)

large_model

$0.8001 美元 (1.4816 個)

complex_model_s

$0.4795 美元 (0.8879 個)

complex_model_m

$0.9589 美元 (1.7758 個)

complex_model_l

$1.9179 美元 (3.5516 個)

standard_gpu

$1.3578 美元 (2.5144 個)

complex_model_m_gpu

$4.1464 美元 (7.6785 個)

complex_model_l_gpu

$8.2928 美元 (15.357 個)

standard_p100 (Beta)

$2.9784 美元 (5.5156 個)

complex_model_m_p100 (Beta)

$10.6288 美元 (19.6830 個)

批次預測 (歐洲) 每節點時數 $0.10744 美元。3
線上預測 (歐洲) 每節點時數 $0.348 美元。3

亞太地區

訓練 (亞太地區)

訓練工作的費用為每「訓練單元」每小時 $0.54 美元,訓練單元數量則視您選擇用來執行工作的機器設定而定。您可以選擇預先定義的「配置層級」,或是特定「機器類型」的自訂設定。詳情請參閱下表。

預先定義的配置層級 - 每小時費用 (訓練單元數量)
BASIC

$0.3212 美元 (0.5948 個)

STANDARD_1

$3.3609 美元 (6.2239 個)

PREMIUM_1

$27.9794 美元 (51.8138 個)

BASIC_GPU

$1.3578 美元 (2.5144 個)

CUSTOM

若將配置層級設為「CUSTOM」,您就可以自行掌控訓練工作所需的虛擬機器數量和類型。詳情請參閱機器類型表格。

機器類型 - 每小時費用 (訓練單元數量)
standard

$0.3212 美元 (0.5948 個)

large_model

$0.8001 美元 (1.4816 個)

complex_model_s

$0.4795 美元 (0.8879 個)

complex_model_m

$0.9589 美元 (1.7758 個)

complex_model_l

$1.9179 美元 (3.5516 個)

standard_gpu

$1.3578 美元 (2.5144 個)

complex_model_m_gpu

$4.1464 美元 (7.6785 個)

complex_model_l_gpu

$8.2928 美元 (15.357 個)

standard_p100 (Beta)

$2.9784 美元 (5.5156 個)

complex_model_m_p100 (Beta)

$10.6288 美元 (19.6830 個)

批次預測 (亞太地區) 每節點時數 $0.10744 美元。3
線上預測 (亞太地區) 每節點時數 $0.348 美元。3

附註:

  1. 所有使用情形皆須符合 Cloud ML Engine 的《配額政策》規定。
  2. 在 Cloud ML Engine 的生命週期內,您必須將資料和程式檔案儲存在 Google Cloud Storage Bucket 中。詳情請參閱 Cloud Storage 使用說明
  3. 「節點時數」代表預測工作在虛擬機器上執行的時間。進一步瞭解節點時數
  4. 如想瞭解以用量為基準的折扣相關資訊,請與銷售小組聯絡
  5. 如果您付款時使用的是美元以外的貨幣,系統將按照 Cloud Platform SKU 頁面上列出的相應貨幣價格來計費。

價格計算工具

您可以使用價格計算工具來估算訓練和預測工作的費用。

訓練費用的相關詳情

當您在雲端環境中進行模型訓練時,系統會依照下列計費方式向您收取費用:

  • 以每分鐘為計費單位。
  • 以上方表格中所列價格來計算每小時費用 (每小時費用是依據基本價格和訓練單元數量計算而得,並須視您開始執行訓練工作時選用的處理設定而定)。
  • 每項訓練工作至少須執行 10 分鐘。
  • 系統為訓練工作提供資源時即開始計費,工作結束後則停止計費。

預先定義設定的配置層級

您可以控管訓練模型時要使用的處理叢集類型。最簡單的方法是選擇其中一個預先定義的設定 (稱為「配置層級」)。如想進一步瞭解配置層級,請參閱訓練總覽一文。

自訂設定的機器類型

若將配置層級設為「CUSTOM」,您就可以自行掌控叢集主要執行個體、工作站和參數伺服器所用的虛擬機器數量和類型。如想進一步瞭解機器類型,請參閱訓練總覽一文。

使用自訂處理叢集的訓練費用是您指定的所有機器費用總和。系統會根據工作的總作業時間向您收取費用,而不是以個別機器的有效處理時間計費。

範例:根據訓練單元計算訓練費用

您可以使用「訓練單元」來計算訓練工作的費用,公式如下:

(training units * base price / 60) * job duration in minutes

範例:

  • 位在美國地區的數據資料學家在執行訓練工作時,選用了 5.9234 個訓練單元的「STANDARD_1」配置層級,作業時間為 15 分鐘。計算公式如下:

    (5.9234 training units * $0.49 per hour / 60) * 15 minutes
    

    因此,這項工作的總費用為 $0.73 美元。

  • 位在美國地區的電腦科學教授使用「CUSTOM」配置層級來執行訓練工作。他們擁有的模型規模相當大,因此想在參數伺服器中採用大型模型虛擬機器。他們為處理叢集選用了以下設定:

    • 選用「complex_model_s」機器來當做主要執行個體 (0.845 個訓練單元)。
    • 5 部在「large_model」虛擬機器上執行的參數伺服器 (5 @ 1.4111 = 7.0555 個訓練單元)。
    • 8 部在「complex_model_s」虛擬機器上執行的工作站 (8 @ 0.845 = 6.76 個訓練單元)。

    作業時間為 2 小時 26 分鐘。計算公式如下:

    (4.6605 training units * $0.49 per hour / 60) * 146 minutes
    

    因此,這項工作的總費用為 $17.48 美元。

範例:根據每小時費用計算訓練費用

除了訓練單元之外,您也可以使用上方表格所列的每小時價格來計算費用。公式如下:

(Price per hour / 60) * job duration in minutes

範例:

  • 位在美國地區的數據資料學家在執行訓練工作時,選用了「STANDARD_1」配置層級,作業時間為 15 分鐘。計算公式如下:

    ($2.9025 per hour / 60) * 15 minutes
    

    因此,這項工作的總費用為 $0.73 美元。

  • 位在美國地區的電腦科學教授使用「CUSTOM」配置層級來執行訓練工作。他們擁有的模型規模相當大,因此想在參數伺服器中採用大型模型虛擬機器。他們為處理叢集選用了以下設定:

    • 選用「complex_model_s」機器來當做主要執行個體 ($0.4141 美元)。
    • 5 部在「large_model」虛擬機器上執行的參數伺服器 (5 @ $0.6915 美元 = $3.4575 美元)。
    • 8 部在「complex_model_s」虛擬機器上執行的工作站 (8 @ $0.4141 美元 = $3.3128 美元)。

    作業時間為 2 小時 26 分鐘。計算公式如下:

    (($0.41406 + $3.4573 + $3.31248) per hour / 60) * 146 minutes
    

    因此,這項工作的總費用為 $17.48 美元。

範例:根據「已使用的 ML 單元」計算訓練費用

「工作詳細資料」頁面上顯示的已使用 ML 單元 (已使用的機器學習單元) 會等於工作執行期間計入的訓練單元數量。如要以「已使用的 ML 單元」來計算費用,請使用下列公式:

Consumed ML units * $0.49

範例:

  • 位在美國地區的數據資料學家執行了一項訓練工作。「工作詳細資料」頁面上的「已使用的 ML 單元」欄位顯示為 55.75 個單元。計算公式如下:

    55.75 consumed ML units * $0.49
    

    因此,這項工作的總費用為 $27.32 美元。

只要前往工作清單,然後點選特定工作的連結,就能找到「工作詳細資料」頁面。

預測費用的相關詳情

向 Cloud ML Engine 代管的已訓練模型版本發出要求時,系統會根據預測的計費方式向您收取相關費用。

計費方式如下:

  • 根據執行預測作業的處理叢集中所有節點的使用時間計費。
  • 以每分鐘為計費單位。
  • 以上方表格所列價格來計算每節點時數費用。
  • 每項預測工作至少須執行 10 分鐘。

節點時數

Cloud ML Engine 為您的模型執行預測作業時使用的線上處理資源稱為「節點」,您可以將節點視為虛擬機器。Cloud ML Engine 可彈性調整使用的節點數量,以便滿足線上和批次預測作業所需的工作負載量。

系統會根據您的模型在節點上執行的時間計算費用,當中包含:

  • 處理批次預測工作的時間。
  • 處理線上預測要求的時間。
  • 將準備就緒的模型用於執行線上預測的時間。

批次預測:

  • 資源配置調整功能的優先順序可減少工作的總經過時間。
  • 資源配置調整功能應該不會影響工作成本,但增加新的節點有時可能會衍生出額外費用。
  • 如要控管資源配置方式,您可以設定批次預測工作可使用的節點數量上限,或是在部署模型時設定要持續執行的節點數量。

線上預測:

  • 資源配置調整功能的優先順序可減少個別要求的延遲時間。
  • 這項服務可讓您的模型在回應要求後幾分鐘的閒置時間內保持就緒狀態。
  • 資源配置調整功能會影響每月的總費用:如果您的要求較多且較頻繁,系統就會使用較多節點。
  • 您可以選擇讓這項服務依據流量調整資源配置 (自動調整資源配置),或是指定要持續運作的節點數量,以免發生延遲。
  • 選擇自動調整資源配置功能之後,系統就會自動調整節點數量,甚至可在無流量期間將節點數量調整為零。
  • 如果您選擇指定節點數量,而不選用自動調整資源配置功能,系統就會依據節點運作的總時間向您收費,部署資源時即開始計費,直到您刪除模型版本為止。

請注意,線上預測使用的是未搭載 GPU 或其他加速器的單核心機器。

歡迎參閱預測作業指南,進一步瞭解節點分配和資源配置調整功能。

預測作業費用計算範例

您可以使用下列公式來計算特定月分的預測作業費用:

(Price per hour / 60) * job duration in node minutes

範例:

  • 位在美國的某家房地產公司每週都會執行服務區域的房價預測作業。他們在某個月執行了 4 週的預測作業,分別使用 3920427738493961 個節點,預測作業處理時間平均為 0.72 節點秒。

    系統是以單一工作為單位來計算處理費用 (雖然本範例使用的是平均價格,但實際費用會以個別工作的確切費用來計算):

    3920 * 0.72 = 47.04 minutes
    4277 * 0.72 = 51.324 minutes
    3849 * 0.72 = 46.188 minutes
    3961 * 0.72 = 47.532 minutes
    

    由於範例中的每項工作皆超過 10 分鐘,因此系統會根據處理時間 (分鐘) 計費:

    ($0.09262 / 60) * 48 = $0.0741
    ($0.09262 / 60) * 52 = $0.08027
    ($0.09262 / 60) * 47 = $0.07255
    ($0.09262 / 60) * 48 = $0.0741
    

    因此,該月的總費用為 $0.30 美元。

請注意,範例中顯示的分鐘數並未對應至實際的經過時間。這是因為批次和線上預測都是使用一或多部機器來處理資料,因此實際經過時間通常會少於以節點時數或分鐘數呈現的時間。

Google Cloud Storage 使用須知

除了本篇文章中提及的費用之外,在 Cloud ML Engine 的生命週期內,您必須將資料和程式檔案儲存在 Google Cloud Storage Bucket 中。儲存上述項目時,您必須遵守《Cloud Storage 計價政策》的規定。

在下列情況下,系統會要求您使用 Cloud Storage:

  • 訓練模型時執行訓練應用程式套件。

  • 儲存訓練輸入資料。

  • 在您準備好部署特定版本時執行模型檔案。

  • 儲存批次預測作業的輸入資料。

  • 儲存批次預測工作的輸出資料。 Cloud ML Engine 不會要求您長期儲存這些資料,因此您可以在作業完成後刪除這些檔案。

  • 儲存訓練工作的輸出資料。 Cloud ML Engine 不會要求您長期儲存這些資料,因此您可以在作業完成後刪除這些檔案。

免費的資源管理操作功能

您可以免費使用 Cloud ML Engine 提供的資源管理操作功能。不過請注意,Cloud ML Engine 的《配額政策》對部分操作項目設有限制。

資源 免費操作功能
模型 建立、存取、列入清單、刪除
版本 建立、存取、列入清單、刪除、setDefault
工作 建立、列入清單、取消
作業 存取、列入清單、取消、刪除

相關資源

  • 歡迎參閱這篇文章,瞭解適用於 Cloud ML Engine 服務要求和資源的配額限制。

傳送您對下列選項的寶貴意見...

這個網頁
Cloud Machine Learning Engine (Cloud ML Engine)