Topik ini menjelaskan cara Anda dikenakan biaya untuk Deep Learning Containers (DLC) dari Platform for AI (PAI).
Catatan
Informasi harga dalam topik ini hanya untuk referensi. Untuk harga sebenarnya, lihat laporan tagihan Anda.
Sumber daya yang dikenakan biaya
Gambar berikut menunjukkan sumber daya yang dikenakan biaya dari DLC.
Metode penagihan
Tabel berikut menjelaskan metode penagihan DLC.
Metode penagihan | Sumber daya yang dikenakan biaya | Item yang dikenakan biaya | Aturan penagihan | Cara menghentikan penagihan |
Bayar sesuai pemakaian | Sumber daya publik | Jumlah waktu Pekerjaan DLC berjalan menggunakan sumber daya publik. | Jika Anda menjalankan Pekerjaan DLC menggunakan sumber daya publik, Anda akan dikenakan biaya berdasarkan durasi penggunaan. | |
Langganan | Sumber daya Komputasi AI (Sumber daya komputasi umum dan Sumber daya Lingjun) | Untuk informasi lebih lanjut, lihat Penagihan sumber daya Komputasi AI. | Untuk informasi lebih lanjut, lihat Penagihan sumber daya Komputasi AI. | Tidak tersedia |
Sumber daya publik
Bayar sesuai pemakaian
Untuk menggunakan metode penagihan bayar sesuai pemakaian, Anda harus menggunakan sumber daya publik untuk membuat Pekerjaan DLC.
Sumber daya | Rumus penagihan | Harga satuan | Durasi penagihan | Skalabilitas | Catatan penggunaan |
Sumber daya publik | Jumlah tagihan = Jumlah node × (Harga satuan/60) × Durasi penggunaan (menit)
| Harga satuan mungkin bervariasi berdasarkan tipe instans dan wilayah. Untuk melihat harga satuan, buka halaman Buat Pekerjaan di konsol PAI. Untuk informasi lebih lanjut, lihat Kirim pekerjaan di konsol PAI. Di bagian Informasi Sumber Daya, atur parameter Sumber ke Sumber daya Publik dan pilih tipe instans. Anda dapat melihat harga satuan instans di kolom Harga Saat Ini/Harga Asli ($/Jam). | Durasi berjalan Pekerjaan DLC. | Tidak tersedia | Tidak ada |
Sumber daya Komputasi AI
Langganan
Sumber daya Komputasi AI mencakup sumber daya komputasi umum dan Sumber Daya Lingjun. Sumber daya Komputasi AI hanya mendukung metode penagihan langganan. Anda dapat menambahkan kuota sumber daya untuk sumber daya Komputasi AI yang dibeli dan menggunakan kuota tersebut untuk membuat Pekerjaan DLC. Untuk informasi lebih lanjut, lihat Penagihan Sumber Daya Komputasi AI.
Contoh penagihan
Penting Contoh berikut hanya untuk referensi. Untuk harga sebenarnya, lihat konsol atau halaman pembelian.
Sumber daya publik
Skenario
Anda membeli instans ecs.g6.2xlarge dengan metode bayar sesuai pemakaian di wilayah China (Shanghai) untuk membuat pekerjaan pelatihan. Pekerjaan tersebut berjalan selama 1 menit dan 15 detik.
Perhitungan Biaya
Total biaya = 1 × 0.6/60 × 1.25 = USD 0.0125
Sumber daya Komputasi AI
Untuk contoh penagihan sumber daya Komputasi AI, lihat Penagihan Sumber Daya Komputasi AI.
Lampiran: Tipe instans grup sumber daya publik
Tabel berikut menjelaskan beberapa tipe instans yang dapat digunakan untuk membuat Pekerjaan DLC di grup sumber daya publik. Untuk daftar lengkap tipe instans yang didukung, buka halaman DLC di konsol PAI dan klik Buat Pekerjaan. Anda dapat melihat tipe instans yang didukung di bagian Informasi Sumber Daya. Untuk informasi lebih lanjut, lihat Kirim Pekerjaan di Konsol PAI. Tipe instans yang didukung mungkin bervariasi berdasarkan wilayah.
Tipe instans | Spesifikasi | GPU |
ecs.g6.xlarge | 4 vCPU + 16 GB memori | Tidak ada |
ecs.c6.large | 2 vCPU + 4 GB memori | Tidak ada |
ecs.g6.large | 2 vCPU + 8 GB memori | Tidak ada |
ecs.g6.2xlarge | 8 vCPU + 32 GB memori | Tidak ada |
ecs.g6.4xlarge | 16 vCPU + 64 GB memori | Tidak ada |
ecs.g6.8xlarge | 32 vCPU + 128 GB memori | Tidak ada |
ecs.r7.large | 2 vCPU + 16 GB memori | Tidak ada |
ecs.r7.xlarge | 4 vCPU + 32 GB memori | Tidak ada |
ecs.r7.2xlarge | 8 vCPU + 64 GB memori | Tidak ada |
ecs.r7.4xlarge | 16 vCPU + 128 GB memori | Tidak ada |
ecs.r7.6xlarge | 24 vCPU + 192 GB memori | Tidak ada |
ecs.r7.8xlarge | 32 vCPU + 256 GB memori | Tidak ada |
ecs.r7.16xlarge | 64 vCPU + 512 GB memori | Tidak ada |
ecs.g5.xlarge | 4 vCPU + 16 GB memori | Tidak ada |
ecs.g7.xlarge | 4 vCPU + 16 GB memori | Tidak ada |
ecs.g7.2xlarge | 8 vCPU + 32 GB memori | Tidak ada |
ecs.g5.2xlarge | 8 vCPU + 32 GB memori | Tidak ada |
ecs.g6.3xlarge | 12 vCPU + 48 GB memori | Tidak ada |
ecs.g7.3xlarge | 12 vCPU + 48 GB memori | Tidak ada |
ecs.g7.4xlarge | 16 vCPU + 64 GB memori | Tidak ada |
ecs.r7.3xlarge | 12 vCPU + 96 GB memori | Tidak ada |
ecs.c6e.8xlarge | 32 vCPU + 64 GB memori | Tidak ada |
ecs.g6.6xlarge | 24 vCPU + 96 GB memori | Tidak ada |
ecs.g7.6xlarge | 24 vCPU + 96 GB memori | Tidak ada |
ecs.g5.4xlarge | 16 vCPU + 64 GB memori | Tidak ada |
ecs.hfc6.8xlarge | 32 vCPU + 64 GB memori | Tidak ada |
ecs.g7.8xlarge | 32 vCPU + 128 GB memori | Tidak ada |
ecs.hfc6.10xlarge | 40 vCPU + 96 GB memori | Tidak ada |
ecs.g6.13xlarge | 52 vCPU + 192 GB memori | Tidak ada |
ecs.g5.8xlarge | 32 vCPU + 128 GB memori | Tidak ada |
ecs.hfc6.16xlarge | 64 vCPU + 128 GB memori | Tidak ada |
ecs.g7.16xlarge | 64 vCPU + 256 GB memori | Tidak ada |
ecs.hfc6.20xlarge | 80 vCPU + 192 GB memori | Tidak ada |
ecs.g6.26xlarge | 104 vCPU + 384 GB memori | Tidak ada |
ecs.g5.16xlarge | 64 vCPU + 256 GB memori | Tidak ada |
ecs.r5.8xlarge | 32 vCPU + 256 GB memori | Tidak ada |
ecs.re6.13xlarge | 52 vCPU + 768 GB memori | Tidak ada |
ecs.re6.26xlarge | 104 vCPU + 1.536 GB memori | Tidak ada |
ecs.re6.52xlarge | 208 vCPU + 3.072 GB memori | Tidak ada |
ecs.g7.32xlarge | 128 vCPU + 512 GB memori | Tidak ada |
ecs.gn7i-c8g1.2xlarge | 8 vCPU + 30 GB memori | 1 × NVIDIA A10 |
ecs.gn6v-c8g1.2xlarge | 8 vCPU + 32 GB memori | 1 × NVIDIA V100 |
ecs.gn6e-c12g1.24xlarge | 96 vCPU + 736 GB memori | 8 × NVIDIA V100 |
ecs.gn6v-c8g1.16xlarge | 64 vCPU + 256 GB memori | 8 × NVIDIA V100 |
ecs.gn6v-c10g1.20xlarge | 82 vCPU + 336 GB memori | 8 × NVIDIA V100 |
ecs.gn6e-c12g1.12xlarge | 48 vCPU + 338 GB memori | 4 × NVIDIA V100 |
ecs.gn6v-c8g1.8xlarge | 32 vCPU + 128 GB memori | 4 × NVIDIA V100 |
ecs.gn6i-c24g1.24xlarge | 96 vCPU + 372 GB memori | 4 × NVIDIA T4 |
ecs.gn5-c8g1.4xlarge | 16 vCPU + 120 GB memori | 2 × NVIDIA P100 |
ecs.gn7i-c32g1.16xlarge | 64 vCPU + 376 GB memori | 2 × NVIDIA A10 |
ecs.gn6i-c24g1.12xlarge | 48 vCPU + 186 GB memori | 2 × NVIDIA T4 |
ecs.gn6e-c12g1.3xlarge | 12 vCPU + 92 GB memori | 1 × NVIDIA V100 |
ecs.gn5-c4g1.xlarge | 4 vCPU + 30 GB memori | 1 × NVIDIA P100 |
ecs.gn5-c8g1.2xlarge | 8 vCPU + 60 GB memori | 1 × NVIDIA P100 |
ecs.gn5-c28g1.7xlarge | 28 vCPU + 112 GB memori | 1 × NVIDIA P100 |
ecs.gn6i-c4g1.xlarge | 4 vCPU + 15 GB memori | 1 × NVIDIA T4 |
ecs.gn6i-c8g1.2xlarge | 8 vCPU + 31 GB memori | 1 × NVIDIA T4 |
ecs.gn6i-c16g1.4xlarge | 16 vCPU + 62 GB memori | 1 × NVIDIA T4 |
ecs.gn6i-c24g1.6xlarge | 24 vCPU + 93 GB memori | 1 × NVIDIA T4 |
ecs.gn7i-c32g1.8xlarge | 32 vCPU + 188 GB memori | 1 × NVIDIA A10 |
ecs.gn7e-c16g1.4xlarge | 16 vCPU + 125 GB memori | 1 × GU50 |
ecs.gn7-c12g1.3xlarge | 12 vCPU + 95 GB memori | 1 × GU50 |
ecs.gn7i-c16g1.4xlarge | 16 vCPU + 60 GB memori | 1 × NVIDIA A10 |
ecs.gn7-c13g1.26xlarge | 104 vCPU + 760 GB memori | 8 × GU50 |
ecs.ebmgn7e.32xlarge | 128 vCPU + 1.024 GB memori | 8 × GU50 |
ecs.gn7i-c32g1.32xlarge | 128 vCPU + 752 GB memori | 4 × NVIDIA A10 |
ecs.gn7-c13g1.13xlarge | 52 vCPU + 380 GB memori | 4 × GU50 |
ecs.gn7s-c32g1.32xlarge | 128 vCPU + 1.000 GB memori | 4 × NVIDIA A30 |
ecs.gn7s-c56g1.14xlarge | 56 vCPU + 440 GB memori | 1 × NVIDIA A30 |
ecs.gn7s-c48g1.12xlarge | 48 vCPU + 380 GB memori | 1 × NVIDIA A30 |
ecs.gn7s-c16g1.4xlarge | 16 vCPU + 120 GB memori | 1 × NVIDIA A30 |
ecs.gn7s-c8g1.2xlarge | 8 vCPU + 60 GB memori | 1 × NVIDIA A30 |
ecs.gn7s-c32g1.8xlarge | 32 vCPU + 250 GB memori | 1 × NVIDIA A30 |