Topik ini menjelaskan item yang dapat ditagih, metode penagihan, dan harga untuk Deep Learning Containers (DLC).
Penting
Harga dalam topik ini hanya bersifat referensi. Harga aktual ditampilkan pada tagihan Anda.
Item yang dapat ditagih
Gambar berikut menunjukkan item yang dapat ditagih:
Metode penagihan
Pilih metode penagihan berdasarkan kebutuhan bisnis Anda:
|
Billing method
|
Billable item
|
Billing entity
|
Billing rule
|
Stop billing
|
|
Pay-as-you-go
|
Public resources
|
Waktu proses pekerjaan DLC (durasi penggunaan public resources)
|
Ditagih berdasarkan waktu proses pekerjaan DLC yang menggunakan public resources.
|
|
|
Subscription
|
AI computing resources (general computing resources dan Lingjun resources)
|
Untuk informasi selengkapnya, lihat Billing of AI computing resources.
|
Untuk informasi selengkapnya, lihat Billing of AI computing resources.
|
Tidak berlaku
|
Public resources
Pay-as-you-go
Dengan metode pay-as-you-go, Anda dikenai biaya berdasarkan runtime Pekerjaan DLC yang menggunakan public resources.
|
Resource type
|
Billing formula
|
Unit price
|
Billing duration
|
Scaling
|
Notes
|
|
General computing public resources
|
Bill amount = Number of nodes × (Unit price / 60) × Runtime (minutes)
|
Harga bervariasi tergantung wilayah. Untuk melihat harga, buka halaman pembuatan pekerjaan DLC. Di bagian Resource Information, atur Resource Source ke Public Resources lalu pilih spesifikasi. Untuk informasi selengkapnya, lihat Create a job using the console.
|
Berdasarkan runtime Pekerjaan DLC.
|
Not applicable
|
None
|
AI computing resources
Subscription
AI computing resources mencakup general computing resources dan Lingjun resources. Dengan metode subscription, Anda membeli AI computing resources di muka dan menggunakan kuota sumber daya tersebut untuk mengirimkan Pekerjaan DLC. Untuk informasi selengkapnya, lihat Billing of AI computing resources.
Contoh penagihan
Penting
Contoh penagihan berikut hanya bersifat referensi. Biaya aktual ditampilkan di Konsol atau halaman pembelian.
Contoh public resources
-
Skenario:
Anda membuat pekerjaan pelatihan di wilayah China (Shanghai) menggunakan public resource komputasi umum dengan spesifikasi ecs.g6.2xlarge. Pekerjaan tersebut menggunakan satu node dan berjalan selama 1 menit 15 detik.
-
Perhitungan:
Bill amount = 1 × 0.6 / 60 × 1.25 = 0.0125 USD
Contoh AI computing resources
Untuk contoh penagihan AI computing resources, lihat Billing of AI computing resources.
Lampiran: Daftar spesifikasi public resources
Tabel berikut mencantumkan beberapa spesifikasi public resources komputasi umum yang didukung oleh DLC. Untuk daftar lengkap, lihat bagian Resource Information di halaman pembuatan pekerjaan DLC. Untuk informasi selengkapnya, lihat Create a job using the console. Spesifikasi yang tersedia bervariasi tergantung wilayah. Spesifikasi yang ditampilkan di Konsol berlaku.
|
Resource type
|
Specification
|
GPU type
|
|
ecs.g6.xlarge
|
4 vCPUs + 16 GB memory
|
None
|
|
ecs.c6.large
|
2 vCPUs + 4 GB memory
|
None
|
|
ecs.g6.large
|
2 vCPUs + 8 GB memory
|
None
|
|
ecs.g6.2xlarge
|
8 vCPUs + 32 GB memory
|
None
|
|
ecs.g6.4xlarge
|
16 vCPUs + 64 GB memory
|
None
|
|
ecs.g6.8xlarge
|
32 vCPUs + 128 GB memory
|
None
|
|
ecs.r7.large
|
2 vCPUs + 16 GB memory
|
None
|
|
ecs.r7.xlarge
|
4 vCPUs + 32 GB memory
|
None
|
|
ecs.r7.2xlarge
|
8 vCPUs + 64 GB memory
|
None
|
|
ecs.r7.4xlarge
|
16 vCPUs + 128 GB memory
|
None
|
|
ecs.r7.6xlarge
|
24 vCPUs + 192 GB memory
|
None
|
|
ecs.r7.8xlarge
|
32 vCPUs + 256 GB memory
|
None
|
|
ecs.r7.16xlarge
|
64 vCPUs + 512 GB memory
|
None
|
|
ecs.g5.xlarge
|
4 vCPUs + 16 GB memory
|
None
|
|
ecs.g7.xlarge
|
4 vCPUs + 16 GB memory
|
None
|
|
ecs.g7.2xlarge
|
8 vCPUs + 32 GB memory
|
None
|
|
ecs.g5.2xlarge
|
8 vCPUs + 32 GB memory
|
None
|
|
ecs.g6.3xlarge
|
12 vCPUs + 48 GB memory
|
None
|
|
ecs.g7.3xlarge
|
12 vCPUs + 48 GB memory
|
None
|
|
ecs.g7.4xlarge
|
16 vCPUs + 64 GB memory
|
None
|
|
ecs.r7.3xlarge
|
12 vCPUs + 96 GB memory
|
None
|
|
ecs.c6e.8xlarge
|
32 vCPUs + 64 GB memory
|
None
|
|
ecs.g6.6xlarge
|
24 vCPUs + 96 GB memory
|
None
|
|
ecs.g7.6xlarge
|
24 vCPUs + 96 GB memory
|
None
|
|
ecs.g5.4xlarge
|
16 vCPUs + 64 GB memory
|
None
|
|
ecs.hfc6.8xlarge
|
32 vCPUs + 64 GB memory
|
None
|
|
ecs.g7.8xlarge
|
32 vCPUs + 128 GB memory
|
None
|
|
ecs.hfc6.10xlarge
|
40 vCPUs + 96 GB memory
|
None
|
|
ecs.g6.13xlarge
|
52 vCPUs + 192 GB memory
|
None
|
|
ecs.g5.8xlarge
|
32 vCPUs + 128 GB memory
|
None
|
|
ecs.hfc6.16xlarge
|
64 vCPUs + 128 GB memory
|
None
|
|
ecs.g7.16xlarge
|
64 vCPUs + 256 GB memory
|
None
|
|
ecs.hfc6.20xlarge
|
80 vCPUs + 192 GB memory
|
None
|
|
ecs.g6.26xlarge
|
104 vCPUs + 384 GB memory
|
None
|
|
ecs.g5.16xlarge
|
64 vCPUs + 256 GB memory
|
None
|
|
ecs.r5.8xlarge
|
32 vCPUs + 256 GB memory
|
None
|
|
ecs.re6.13xlarge
|
52 vCPUs + 768 GB memory
|
None
|
|
ecs.re6.26xlarge
|
104 vCPUs + 1,536 GB memory
|
None
|
|
ecs.re6.52xlarge
|
208 vCPUs + 3,072 GB memory
|
None
|
|
ecs.g7.32xlarge
|
128 vCPUs + 512 GB memory
|
None
|
|
ecs.gn7i-c8g1.2xlarge
|
8 vCPUs + 30 GB memory
|
1 × NVIDIA A10
|
|
ecs.gn6v-c8g1.2xlarge
|
8 vCPUs + 32 GB memory
|
1 × NVIDIA V100
|
|
ecs.gn6e-c12g1.24xlarge
|
96 vCPUs + 736 GB memory
|
8 × NVIDIA V100
|
|
ecs.gn6v-c8g1.16xlarge
|
64 vCPUs + 256 GB memory
|
8 × NVIDIA V100
|
|
ecs.gn6v-c10g1.20xlarge
|
82 vCPUs + 336 GB memory
|
8 × NVIDIA V100
|
|
ecs.gn6e-c12g1.12xlarge
|
48 vCPUs + 338 GB memory
|
4 × NVIDIA V100
|
|
ecs.gn6v-c8g1.8xlarge
|
32 vCPUs + 128 GB memory
|
4 × NVIDIA V100
|
|
ecs.gn6i-c24g1.24xlarge
|
96 vCPUs + 372 GB memory
|
4 × NVIDIA T4
|
|
ecs.gn5-c8g1.4xlarge
|
16 vCPUs + 120 GB memory
|
2 × NVIDIA P100
|
|
ecs.gn7i-c32g1.16xlarge
|
64 vCPUs + 376 GB memory
|
2 × NVIDIA A10
|
|
ecs.gn6i-c24g1.12xlarge
|
48 vCPUs + 186 GB memory
|
2 × NVIDIA T4
|
|
ecs.gn6e-c12g1.3xlarge
|
12 vCPUs + 92 GB memory
|
1 × NVIDIA V100
|
|
ecs.gn5-c4g1.xlarge
|
4 vCPUs + 30 GB memory
|
1 × NVIDIA P100
|
|
ecs.gn5-c8g1.2xlarge
|
8 vCPUs + 60 GB memory
|
1 × NVIDIA P100
|
|
ecs.gn5-c28g1.7xlarge
|
28 vCPUs + 112 GB memory
|
1 × NVIDIA P100
|
|
ecs.gn6i-c4g1.xlarge
|
4 vCPUs + 15 GB memory
|
1 × NVIDIA T4
|
|
ecs.gn6i-c8g1.2xlarge
|
8 vCPUs + 31 GB memory
|
1 × NVIDIA T4
|
|
ecs.gn6i-c16g1.4xlarge
|
16 vCPUs + 62 GB memory
|
1 × NVIDIA T4
|
|
ecs.gn6i-c24g1.6xlarge
|
24 vCPUs + 93 GB memory
|
1 × NVIDIA T4
|
|
ecs.gn7i-c32g1.8xlarge
|
32 vCPUs + 188 GB memory
|
1 × NVIDIA A10
|
|
ecs.gn7e-c16g1.4xlarge
|
16 vCPUs + 125 GB memory
|
1 × GU50
|
|
ecs.gn7-c12g1.3xlarge
|
12 vCPUs + 95 GB memory
|
1 × GU50
|
|
ecs.gn7i-c16g1.4xlarge
|
16 vCPUs + 60 GB memory
|
1 × NVIDIA A10
|
|
ecs.gn7-c13g1.26xlarge
|
104 vCPUs + 760 GB memory
|
8 × GU50
|
|
ecs.ebmgn7e.32xlarge
|
128 vCPUs + 1,024 GB memory
|
8 × GU50
|
|
ecs.gn7i-c32g1.32xlarge
|
128 vCPUs + 752 GB memory
|
4 × NVIDIA A10
|
|
ecs.gn7-c13g1.13xlarge
|
52 vCPUs + 380 GB memory
|
4 × GU50
|
|
ecs.gn7s-c32g1.32xlarge
|
128 vCPUs + 1,000 GB memory
|
4 × NVIDIA A30
|
|
ecs.gn7s-c56g1.14xlarge
|
56 vCPUs + 440 GB memory
|
1 × NVIDIA A30
|
|
ecs.gn7s-c48g1.12xlarge
|
48 vCPUs + 380 GB memory
|
1 × NVIDIA A30
|
|
ecs.gn7s-c16g1.4xlarge
|
16 vCPUs + 120 GB memory
|
1 × NVIDIA A30
|
|
ecs.gn7s-c8g1.2xlarge
|
8 vCPUs + 60 GB memory
|
1 × NVIDIA A30
|
|
ecs.gn7s-c32g1.8xlarge
|
32 vCPUs + 250 GB memory
|
1 × NVIDIA A30
|