如何估算MaxComputeSQLML作業的費用 -

本文為您介紹如何估算MaxCompute SQLML作業的費用。

背景資訊

通常情況下，每個演算法組件由多個子任務組成。因此，計算費用時，需要先計算各演算法組件下的子任務費用，再累計求和。MaxCompute SQLML作業使用了MaxCompute和Platform for AI，所以計算費用包含這兩個部分。

費用計算規則

MaxCompute SQLML底層的機器學習能力，是通過阿里雲Platform for AI產品獨立計費的，所以MaxCompute SQLML費用分為以下兩部分：

SQL作業：計算費用和儲存費用按照MaxCompute SQL計費規則計費，請參見計費項目與計費方式概述。

機器學習模型：按照PAI Studio計費規則計費，規則如下，更多Platform for AI計費資訊，請參見Designer計費說明：

機器學習模型	單價（USD/計算時）	MaxCompute支援的地區
羅吉斯迴歸二分類	0.21	華北2（北京）華東2（上海）華東1（杭州）華南1（深圳）中國（香港）
羅吉斯迴歸多分類
線性迴歸

計費樣本

基於MaxCompute SQLML費用計算規則，需要擷取CPU Core和記憶體使用量量，進而估算費用。

以快速入門中已有的預測資料集為例，估算費用的步驟如下：

使用DataWorks的臨時查詢功能，基於mushroom_predict資料集建立羅吉斯迴歸二分類模型lr_test_model_1，並擷取Logview。
命令樣本如下：
```
create model lr_test_model_1 
with properties('model_type'='logisticregression_binary', 'goodValue'='p','maxIter'='1000') 
as select * from mushroom_predict;
```
返回結果如下：
基於Logview連結，擷取AlgoTask作業的InstanceID。
在MaxCompute中，機器學習的作業被定義為AlgoTask。作業的命名規則是Projectname+'_'+InstanceID+"AlgoTask_x_x"，擷取InstanceID。
使用DataWorks的臨時查詢功能，基於InstanceID擷取機器學習作業的Logview。
命令樣本如下：
```
wait 20210209031144617gcjpt62m_1dbea3a8_17de_40d5_80bf_ce19e11d****;
```
返回結果如下：
基於機器學習作業的Logview，在SourceXML頁簽擷取TaskPlan的CPU Core和記憶體使用量量資訊。
其中：
- CPU除以100表示使用的CPU Core數量，即該作業使用了1個CPU Core。
- Memory單位為MB，即使用了3.2 GB。
重要
這是一個子任務使用的CPU Core和Memory，一個作業可能會有多個子任務，具體任務數請在下一步驟中擷取。
基於機器學習作業的Logview，在Job Details頁簽擷取任務數和運行時間長度。
如圖任務數為2，運行時間長度為48分鐘。
綜上：本例中使用CPU Core數是2x1=2，Memory為2x3.2 GB=6.4 GB，運行48分鐘。
預估總費用。
1. 計算使用的計算時數。
```
計算時=max(CPU Core數量×時間長度,記憶體×時間長度/4)=max[2×1×(48x60/3600),2×3.2×(48x60/3600)/4]≈1.6計算時
```
2. 電腦器學習作業費用。
```
機器學習部分總費用=子任務計算時數量×單價≈1.6×0.21=0.336 USD
```
  即機器學習作業費用為0.336 USD。
3. 計算SQL作業費用，請參見計算費用。
4. 機器學習作業費用與SQL作業費用相加即為MaxCompute SQLML作業費用。

查看賬單資訊

MaxCompute SQLML作業，在賬單中體現的是MaxCompute+機器學習（PAI）兩個產品的費用。