Amazon SageMaker 透過整合專門為機器學習 (ML) 建置的一組廣泛的功能，協助資料科學家和開發人員快速準備、建置、訓練和部署高品質的機器學習 (ML) 模型。SageMaker 支援領先的 ML 架構、工具組和程式設計語言。

使用 SageMaker，您只需按實際用量付費。您有兩種付款選擇 – 隨需定價，沒有最低費用或前期承諾；SageMaker Savings Plans 提供靈活的按用量定價模式，可換取一致用量的承諾。

Amazon SageMaker 免費方案

Amazon SageMaker 可供免費試用。Amazon SageMaker 作為 AWS 免費方案的一部分，您可以免費開始使用。免費方案從您建立第一個 SageMaker 資源的第一個月開始計算。下表提供 Amazon SageMaker 免費方案的詳細資訊。

Amazon SageMaker 功能 前 2 個月的每月免費方案用量
Studio 筆記本和筆記本執行個體 Studio 筆記本中 250 小時的 ml.t3.medium 執行個體，或筆記本執行個體中 250 小時的 ml.t2 中型執行個體或 ml.t3.medium 執行個體
RStudio on SageMaker RSession 應用程式上 250 小時的 ml.t3.medium 執行個體和 RStudioServerPro 應用程式的免費 ml.t3.medium 執行個體
Data Wrangler 25 小時的 ml.m5.4xlarge 執行個體
Feature Store 1,000 萬寫入單位、1,000 萬讀取單位、25 GB 儲存
培訓 50 小時的 m4.xlarge 或 m5.xlarge 執行個體
即時推論 125 小時的 m4.xlarge 或 m5.xlarge 執行個體
無伺服器推論 150,000 秒的推論持續時間
Canvas 工作階段時間 750 小時/月，最高建立 10 個模型請求/月，每個最高 100 萬個儲存格/模型建立請求
AWS 定價計算工具

AWS 定價計算工具

一次估算即可計算您的 Amazon SageMaker 和架構成本。

立即建立您的自訂預估 »

隨需定價

  • Studio 筆記本
  • RStudio on SageMaker
  • 筆記本執行個體
  • 處理
  • Data Wrangler
  • Feature Store
  • 培訓
  • 即時推論
  • 非同步推論
  • Batch Transform
  • 無伺服器推論
  • JumpStart
  • Studio 筆記本

  • Amazon SageMaker Studio 筆記本
    Amazon SageMaker Studio 筆記本是一鍵式的 Jupyter 筆記本，能迅速啟動。該基礎運算資源具有充分的彈性，且筆記本可以輕鬆與其他筆記本共享，以實現順暢協作。相關費用將依您所選擇的執行個體類型，以及使用的持續時間計費。

  • RStudio on SageMaker

  • RStudio on SageMaker
    RStudio on SageMaker 提供隨需雲端運算資源，加速模型開發並改進生產力。 您要為您選擇用於執行 RStudio 工作階段應用程式和 RStudio Server Pro 應用程式的執行個體類型付費。

    RStudioServerPro 應用程式

  • 筆記本執行個體

  • 筆記本執行個體
    筆記本執行個體是執行 Jupyter 筆記本應用程式的運算執行個體。相關費用將依您所選擇的執行個體類型，以及使用的持續時間計費。

  • 處理

  • Amazon SageMaker 處理
    Amazon SageMaker 處理讓您可以在全受管基礎架構上輕鬆執行前期處理、後期處理和模型評估工作負載。相關費用將依您所選擇的執行個體類型，以及使用的持續時間計費。

  • Data Wrangler

  • Amazon SageMaker Data Wrangler
    Amazon SageMaker Data Wrangler 可將機器學習彙總和準備資料所需的時間從數週減少至數分鐘。您將需要針對用於清理、探索和視覺化資料的時間付費。SageMaker Data Wrangler 將按執行個體類型以秒計費。*

    Amazon SageMaker Data Wrangler 任務

    在從 SageMaker Data Wrangler 匯出資料流時，系統將建立 Amazon SageMaker Data Wrangler 任務。透過 SageMaker Data Wrangler 任務，您可以自動化您的資料準備工作流程。SageMaker Data Wrangler 任務可協助您在新資料集上重新套用資料準備工作流程，以幫您節省時間 (以秒計費)。

  • Feature Store

  • Amazon SageMaker Feature Store
    Amazon SageMaker Feature Store 是一個中央儲存庫，用於擷取、儲存和提供用於機器學習的功能。系統將針對您在 SageMaker Feature Store 上進行的寫入、讀取和資料儲存作業收取費用。寫入作業將依每 KB 的寫入請求單位收費，讀取作業按每 4KB 的讀取請求單位收費，資料儲存則按每月每 GB 收費。

  • 培訓

  • Amazon SageMaker 培訓
    Amazon SageMaker 提供您培訓、調校和偵錯模型的一切所需，讓您輕鬆培訓機器學習 (ML) 模型。您需要為選擇的執行個體類型用量付費。當您在培訓期間使用 Amazon SageMaker 偵錯工具偵錯問題並監控資源時，您可以使用內建規則來偵錯您的培訓任務，或撰寫您自己的自訂規則。使用內建規則對培訓任務偵錯是免費的。針對自訂規則，相關費用將依您所選擇的執行個體類型，以及使用的持續時間計費。

  • 即時推論

  • Amazon SageMaker 託管：即時推論
    Amazon SageMaker 為需要即時預測的使用案例提供即時推論。您需要為選擇的執行個體類型用量付費。當您使用 Amazon SageMaker Model Monitor 維護高度精準的模型以供即時推論使用時，您可以使用內建規則監控模型或撰寫自己的自訂規則。若是內建規則，您可以免費使用高達 30 小時的監控。額外費用將依使用的持續時間而定。當您使用自己的自訂規則時，系統將單獨向您收費。

  • 非同步推論

  • Amazon SageMaker 非同步推論：
    Amazon SageMaker 非同步推論是一種近乎即時的推論選項，可將傳入的請求排入佇列，並以非同步方式處理。當您需要在資料到達時處理大型酬載，或執行具有較長推論處理時間且沒有低於一秒延遲需求的模型時，請使用此選項。將依您選擇的執行個體類型向您收費。

  • Batch Transform

  • Amazon SageMaker Batch Transform
    使用 Amazon SageMaker Batch Transform 時，您無須將資料集分解為多個區塊或管理即時端點。SageMaker Batch Transform 可讓您針對大型或小型批次資料集進行預測。相關費用將依您所選擇的執行個體類型，以及使用的持續時間計費。

  • 無伺服器推論

  • Amazon SageMaker 無伺服器推論
    Amazon SageMaker Serverless Inference 可讓您部署機器學習模型進行推論，而無需設定或管理任何基本基礎設施。使用 Serverless Inference，您只需支付用於處理推論請求的運算容量，依毫秒和處理的資料量計費。 運算費用取決於您選擇的記憶體組態。

  • JumpStart

  • Amazon SageMaker JumpStart
    Amazon SageMaker JumpStart 透過一鍵存取常用的模型集合 (也稱為「模型動物園」)，協助您快速輕鬆地開始使用機器學習。Jumpstart 還提供端對端解決方案來解決常見的 ML 使用案例，這些使用案例可根據您的需求進行定製。使用 JumpStart 模型或解決方案無需額外付費。需要依據使用的基礎訓練和推論執行個體時數向您計費，就像您手動建立它們一樣。

Amazon SageMaker Studio

您現在可以存取 Amazon SageMaker Studio，這是首款無需付費的完全整合式開發環境 (IDE)。SageMaker Studio 讓您可以完全存取和洞察在建置、訓練和部署模型時需要執行的每個步驟。使用 SageMaker Studio，您只需支付在 Studio 內使用的基礎運算和儲存費用。

您可以使用 SageMaker Studio、適用於 Python 的 AWS SDK (Boto3) 或 AWS CLI 的多種服務，包括：

  • SageMaker Pipelines 可自動化並管理已機器學習 (ML) 工作流程
  • SageMaker Autopilot 可自動建立具有完全可視性的機器學習 (ML) 模型
  • SageMaker Experiments 可以組織並追蹤您的培訓任務和版本
  • SageMaker Debugger 可以在培訓期間對異常情況進行偵錯
  • SageMaker Model Monitor 可維護高品質模型
  • SageMaker Clarify 可以更詳盡地說明您的機器學習 (ML) 模型，以及偵測偏差
  • SageMaker JumpStart 可以輕鬆為許多使用案例部署機器學習 (ML) 解決方案。 對於 Amazon SageMaker 代表您進行的基礎 API 呼叫，您可能會因解決方案中使用的其他 AWS 服務而產生費用。
  • SageMaker Inference Recommender 可以取得正確端點組態的建議

您只需根據在 SageMaker 或其他 AWS 服務中的基礎運算和儲存資源用量付費即可。

Amazon SageMaker Studio Lab

您可以免費使用 Amazon SageMaker Studio Lab 建置和訓練 ML 模型。 SageMaker Studio Lab 為開發人員、學者和資料科學家提供無組態開發環境，免費了解和實驗 ML。

Amazon SageMaker Canvas

Amazon SageMaker Canvas 透過使用視覺化點選式介面為商業分析師提供產生準確機器學習 (ML) 預測的能力 (無需程式碼或機器學習 (ML) 經驗)，延伸機器學習 (ML) 的存取。

Amazon SageMaker Data Labeling

Amazon SageMaker Data Labeling 提供兩種資料標記產品和服務，Amazon SageMaker Ground Truth Plus 和 Amazon SageMaker Ground Truth。您可以進一步了解 Amazon SageMaker Data Labeling，它是一項全受管資料標記服務，可讓您輕鬆建置用於 ML 的高度精準培訓資料集。

Amazon SageMaker 邊緣

進一步了解 Amazon SageMaker Edge 定價，以最佳化、執行並監控邊緣裝置機群上的機器學習 (ML) 模型。 

Amazon SageMaker Savings Plans

Amazon SageMaker Savings Plans 可協助您降低高達 64％ 的成本。該計畫會自動套用至符合資格的 SageMaker ML 執行個體用量，包括 SageMaker Studio Notebook、SageMaker Notebook Instance、SageMaker Processing、SageMaker Data Wrangler、SageMaker Training、SageMaker Real-Time Inference，以及 SageMaker Batch Transform，而不論執行個體系列、大小或區域為何。例如，您可以隨時將用量從美國東部 (俄亥俄) 執行的 CPU 執行個體 ml.c5.xlarge 變更為美國西部 (奧勒岡) 執行的 ml.Inf1 執行個體，以推導工作負載，並自動繼續支付 Savings Plans 的價格。 

進一步了解 »

使用 Amazon SageMaker 的總體擁有成本 (TCO)

相較於其他以雲端為基礎的自我管理解決方案，Amazon SageMaker 在三年內的總體擁有成本 (TCO) 至少降低了 54%。進一步了解 Amazon SageMaker 的完整 TCO 分析。

定價範例

  • 定價範例 #1：Studio 筆記本

    一位資料科學家在使用 Amazon SageMaker Studio 筆記本時進行以下循序動作。

    1. 在 ml.c5.xlarge 執行個體上的 TensorFlow 核心中開啟筆記本 1，然後在這個筆記本上工作 1 小時。
    2. 在 ml.c5.xlarge 執行個體上開啟筆記本 2。這會在執行筆記本 1 的同一個 ml.c5.xlarge 執行個體中自動開啟。 
    3. 同時使用筆記本 1 和筆記本 2，花了 1 小時。
    4. 這位資料科學家共需支付兩 (2) 小時的 ml.c5.xlarge 用量費用。至於她在同時使用筆記本 1 和筆記本 2 的一小時重疊時間，每個核心應用程式計為 0.5 小時，因此需支付 1 小時的費用。
    核心應用程式 筆記本執行個體 小時 每小時費用 合計
    TensorFlow ml.c5.xlarge 1 0.204 USD 0.204 USD
    TensorFlow ml.c5.xlarge 0.5 0.204 USD 0.102 USD
    資料科學 ml.c5.xlarge 0.5 0.204 USD 0.102 USD
            0.408 USD

  • 定價範例 #2：RStudio on SageMaker

    一位資料科學家在使用 RStudio on SageMaker 時進行以下循序動作︰

    1. 在 ml.c5.xlarge 執行個體上啟動 RSession 1，然後在這個筆記本上工作 1 小時。
    2. 在 ml.c5.xlarge 執行個體上啟動 RSession 2。這會在執行 RSession 1 的同一個 ml.c5.xlarge 執行個體中自動開啟。
    3. 同時使用 RSesssion 1 和 RSession 2，花了 1 小時。
    4. 這位資料科學家共需支付兩 (2) 小時的 ml.c5.xlarge 用量費用。至於她在同時使用 RSession 1 和 RSession 2 的一小時重疊時間，每個 RSession 應用程式計為 0.5 小時，因此需支付 1 小時的費用。

    同時，無論是否存在正在執行的 RSessions，RServer 都在 24/7 全天候執行。如果管理員選擇 "Small" (小型，ml.t3.medium)，則為免費。如果管理員選擇 "Medium" (中型，ml.c5.4xlarge) 或 "Large" (大型，ml.c5.9xlarge)，則只要為 SageMaker 網域啟用 RStudio，就會按小時收費。

    RSession 應用程式 RSession 執行個體 小時 每小時費用 合計
    基準速率 ml.c5.xlarge 1 0.204 USD 0.204 USD
    基準速率 ml.c5.xlarge 0.5 0.204 USD 0.102 USD
    基準速率 ml.c5.xlarge 0.5 0.204 USD 0.102 USD
            0.408 USD

  • 定價範例 #3︰處理

    Amazon SageMaker 處理僅向您收取執行任務期間所使用的執行個體費用。在 Amazon S3 中提供輸入資料以供處理時，Amazon SageMaker 會在處理任務開始時從 Simple Storage Service (Amazon S3) 下載資料到本機檔案儲存。

    資料分析師會執行處理任務，在兩個 ml.m5.4xlarge 執行個體上預先處理並驗證資料，任務持續時間為 10 分鐘。她在 S3 上傳 100 GB 的資料集，作為處理任務的輸入，然後 (約為相同大小的輸出) 資料會再存回 S3。

    小時 處理執行個體 每小時費用 合計
    1 * 2 * 0.167 = 0.334 ml.m5.4xlarge 0.922 USD 0.308 USD
    一般用途 (SSD) 儲存 (GB) 每小時費用 合計
    100 GB * 2 = 200 0.14 USD 0.0032 USD

    Amazon SageMaker 處理任務小計 = 0.308 USD。
    200 GB 一般用途 SSD 儲存小計 = 0.0032 USD。
    這個範例的總計價格為 0.3112 USD。

  • 定價範例 #4：Data Wrangler

    作為一位資料科學家，您每天需要花費 6 小時，並連續三天使用 Amazon SageMaker Data Wrangler 清理、探索並視覺化您的資料。由於要執行資料準備管道，您接下來會啟動每週執行 SageMaker Data Wrangler 任務的排程。

    下表總結您當月的總使用量，以及使用 Amazon SageMaker Data Wrangler 的相關費用。

    應用程式 SageMaker Studio 執行個體 天 持續時間 總持續時間 每小時費用 費用小計
    SageMaker Data Wrangler ml.m5.4xlarge 3 6 小時 18 小時 0.922 USD 16.596 USD
    SageMaker Data Wrangler 任務 ml.m5.4xlarge - 40 分鐘 2.67 小時 0.922 USD 2.461 USD

    在表中，您將在 3 天內共 18 小時中使用 Amazon SageMaker Data Wrangler 來準備資料。此外，您將建立 SageMaker Data Wrangler 任務，並以週為單位準備更新的資料。每個任務會持續 40 分鐘，每週執行並持續一個月。

    使用 Data Wrangler 的每月總費用 = 16.596 USD + 2.461 USD = 19.097 USD

  • 定價範例 #5：特徵存放區

    您擁有一個 Web 應用程式，會向 Amazon SageMaker 特徵存放區發出每次 25 KB 的讀取和寫入操作。在一個月的前 10 天中，您應用程式接收到的流量很少，因此對 SageMaker 特徵存放區每天進行 10,000 次寫入和 10,000 次讀取。在該月的第 11 天，您的應用程式受到社群媒體的關注，應用程式流量在當天達到 200,000 次寫入和 200,000 次讀取。然後，您的應用程式進入較規律的流量模式，到月底為止每天平均有 80,000 次寫入和 80,000 次讀取。

    下表總結您當月的總使用量，以及使用 Amazon SageMaker Feature Store 的相關費用。

    一個月中的某天 寫入總計 寫入單位總計 讀取總計 讀取單位總計
    第 1 天至第 10 天 100,000 次寫入 
    (10,000 次寫入 * 10 天)    		 2,500,000 
    (100,000 * 25KB)    		 100,000 
    (10,000 * 10 天)    		 700,000++ 
    (100,000 * 25/4 KB)
             
    第 11 天 200,000 次寫入 5,000,000 
    (200,000* 25KB)    		 200,000 次讀取 1,400,000++ 
    (200,000* 25/4KB)
             
    第 12 至第 30 天 1,520,000 次寫入 
    (80,000 * 19 天)    		 38,000,000 
    (1,520,000 * 25KB)    		 1,520,000 次寫入
    (80,000 * 19 天)    		 10,640,000++
    (1,520,000 * 25/4KB)
             
    總可收費單位   45,500,000 個寫入單位   12,740,000 個讀取單位
    每月讀寫費用   56.875 USD 
    (4,550 萬個寫入單位 * 每百萬次寫入 1.25 USD)    		   3.185 USD 
    (1,274 萬個讀取單位 * 每百萬次讀取 0.25 USD)

    ++ 所有小數點後讀取單位均四捨五入至下一個整數

    資料儲存
    總儲存資料 = 31.5 GB
    每月資料儲存費用 = 31.5 GB * 0.45 USD = 14.175 USD

    Amazon SageMaker 特徵存放區的每月總費用= 56.875 USD + 3.185 USD + 14.175 USD = 74.235 USD

  • 定價範例 #6：培訓

    一位資料科學家花了一個星期製作新模型。她在 ml.m4.4xlarge 上為模型進行 4 次 30 分鐘的訓練，依照使用 Amazon SageMaker Debugger 時的訓練，使用 2 個內建規則和她自己撰寫的 1 個自訂規則。她指定自動規則使用 ml.m5.xlarge 執行個體。她在 Simple Storage Service (Amazon S3) 中使用 3 GB 訓練資料進行訓練，並將 1 GB 模型輸出推送到 Simple Storage Service (Amazon S3)。SageMaker 為每個訓練執行個體建立一般用途 SSD (gp2) 磁碟區。SageMaker 也為指定的每個規則建立一般用途 SSD (gp2) 磁碟區。在此範例中，總共將建立 4 個一般用途 SSD (gp2) 磁碟區。SageMaker 偵錯工具發送 1 GB 偵錯資料到客戶的 Simple Storage Service (Amazon S3) 儲存貯體。

     

    小時 訓練執行個體 偵錯執行個體 每小時費用 小計
    4 * 0.5 = 2.00 ml.m4.4xlarge 無 0.96 USD 1.92 USD
    4 * 0.5 * 2 = 4 無 內建規則執行個體無須額外費用 0 USD 0 USD
    4 * 0.5 = 2 ml.m5.xlarge 無 0.23 USD 0.46 USD
            -------
            2.38 USD
      適用於訓練的一般用途 (SSD) 儲存 (GB) 適用於偵錯工具內建規則的一般用途 (SSD) 儲存 (GB) 適用於偵錯工具自訂規則的一般用途 (SSD) 儲存 (GB) 每月每 GB 費用 小計
    使用容量 3 2 1    
    費用 0 USD 內建規則儲存磁碟區無須額外費用 0 USD 0.10 USD 0 USD

    此範例中的培訓和偵錯總費用為 2.38 USD。Amazon SageMaker 偵錯工具內建規則所使用的運算執行個體和一般用途儲存磁碟區不會產生額外費用。

  • 定價範例 #7：即時推論

    範例 #5 中的模型接著部署到兩 (2) 個 ml.c5.xlarge 執行個體的生產環境，來進行可靠的多可用區域託管。Amazon SageMaker Model Monitor 在一 (1) 個 ml.m5.4xlarge 執行個體上啟用，並排程每天進行一次監控任務。每個監控任務可能需要 5 分鐘才能完成。模型每天收到 100 MB 的資料，推論大小是輸入資料的 1/10。

    每月時數 託管執行個體 Model Monitor 執行個體 每小時費用 合計
    24 * 31 * 2 = 1488 ml.c5.xlarge   0.204 USD 303.522 USD
    31*0.08 = 2.5   ml.m5.4xlarge 0.922 USD 2.305 USD

     

    每月輸入資料量 – 託管 每月輸出資料量 – 託管 每 GB 資料輸入或輸出的費用 合計
    100 MB * 31 = 3,100 MB   0.016 USD 0.0496 USD
      10 MB * 31 = 310 MB 0.016 USD 0.00496 USD

    訓練、託管和監控小計 = 305.827 USD。每月託管 3,100 MB 處理的資料輸入和 310 MB 處理的資料輸出小計 = 0.054 USD。此範例的費用總計為每月 305.881 USD。

    請注意，針對使用 ml.m5.xlarge 執行個體的內建規則，每月可免費跨所有端點彙總的監控時間最長為 30 小時。

  • 定價範例 #8：非同步推論

    Amazon SageMaker 非同步推論對端點使用的執行個體收費。未主動處理請求時，您可以設定自動擴展以將執行個體計數縮減為零以節省成本。對於 Amazon S3 中的輸入承載，從 Amazon S3 讀取輸入資料並將輸出資料寫入相同區域中的 S3 無需付費。

    範例 #5 中的模型用於執行 SageMaker 非同步推論端點。端點設定為在 1 個 ml.c5.xlarge 執行個體上執行，並在未主動處理請求時將執行個體計數縮減規模為零。端點中的 ml.c5.xlarge 執行個體已連接 4GB 一般用途 (SSD) 儲存。在此範例中，端點在每天 2 小時內保持執行個體計數為 1，並有 30 分鐘的冷卻時間，之後在當天剩餘時間內將執行個體計數縮減為零。因此，您需要為每天 2.5 小時的用量付費。 

    端點每天處理 1,024 個請求。Amazon S3 中每個叫用請求/回應主體的大小為 10 KB，每個推論請求承載為 100 MB。推論輸出是輸入資料大小的 1/10，這些資料存放回相同區域的 Simple Storage Service (Amazon S3) 中。在此範例中，資料處理費用適用於請求和回應主體，但不適用於向 Simple Storage Service (Amazon S3) 傳輸或從 Simple Storage Service (Amazon S3) 傳輸的資料。 

    每月時數 託管執行個體 每小時費用 合計
    2.5 * 31 * 1 = 77.5 ml.c5.xlarge 0.20 USD 15.81 USD
    一般用途 (SSD) 儲存 (GB) 每月每 GB 費用 合計
    4 0.14 USD 0.56 USD
    每月輸入資料量 每月輸出資料量 每 GB 資料輸入或輸出的費用 合計
    10 KB * 1,024 * 31 = 310 MB 10 KB * 1,024 * 31 = 310 MB 0.02 USD 0.0048
      10 KB * 1,024 * 31 = 310 MB 0.02 USD 0.0048

    SageMaker 非同步推論小計 = 15.81 USD + 0.56 USD + 2 * 0.0048 = 16.38 USD。此範例的非同步推論總費用為每月 16.38 USD。

  • 定價範例 #9：批次轉換

    Amazon SageMaker 批次轉換僅向您收取執行任務時所使用的執行個體費用。 如果您的資料已經在 Simple Storage Service (Amazon S3) 中，那麼從 S3 讀取輸入資料和撰寫輸出資料到相同區域中的 S3 都無需付費。 

    範例 #5 中的模型是用來執行 SageMaker 批次轉換。資料科學家在 3 ml.m4.4xlarge 上執行四個獨立的 SageMaker 批次轉換任務，每個任務耗時 15 分鐘。每次執行時，她在 S3 上傳 1 GB 的評估資料集，而且推論的大小是輸入資料的 1/10，然後再存回 S3。

    小時 訓練執行個體 每小時費用 合計
    3 * 0.25 * 4 = 3 小時 ml.m4.4xlarge 0.96 USD 2.88 USD
    GB 資料輸入 – 批次轉換 GB 資料輸出 – 批次轉換 每 GB 資料輸入或輸出的費用 合計
    0 0 0.02 USD 0 USD

    SageMaker 批次轉換任務小計 = 2.88 USD。Simple Storage Service (Amazon S3) 中 4.4 GB 小計 = 0 USD。此範例的費用總計為 2.90 USD。

  • 定價範例 #10：Serverless Inference

    使用 Serverless Inference，您只需支付用於處理推論請求的運算容量，依毫秒和處理的資料量計費。運算費用取決於您選擇的記憶體組態。

    如果您配置 2 GB 的記憶體給端點，一個月執行 1,000 萬次，每次執行 100 毫秒，並處理總計 10 GB 的資料輸入/輸出，則您的費用計算方式如下：

    每月運算費用

    請求數 每個請求的持續時間 總推論持續時間 (秒) 每秒成本 每月推論持續時間費用
    1,000 萬 100 毫秒 1 百萬 0.00004 USD 40 USD

    每月資料處理費用

    資料處理 (GB) 每 GB 資料輸入或輸出的費用 每月資料處理費用
    10 GB 0.016 USD 0.16 USD

    SageMaker 無伺服器推論持續時間費用小計 = 40 USD。10 GB 資料處理費用小計 = 0.16 USD。此範例的費用總計為 40.16 USD。

  • 定價範例 #11︰Jumpstart

    客戶使用 JumpStart 部署預先訓練的 BERT Base Uncased 模型，以將客戶評論情緒分類為正面或負面。

    客戶會將模型部署至兩 (2) 個 ml.c5.xlarge 執行個體，來進行可靠的多可用區域託管。模型每天收到 100 MB 的資料，推論大小是輸入資料的 1/10。

    每月時數 託管執行個體 每小時費用 合計
    24 * 31 * 2 = 1488 ml.c5.xlarge 0.204 USD 303.55 USD
     
    每月輸入資料量 – 託管 每月輸出資料量 – 託管 每 GB 資料輸入或輸出的費用

    		 合計
    100 MB * 31 = 3,100 MB   0.02 USD 0.06 USD
      10 MB * 31 = 310 MB 0.02 USD 0.01 USD
     

    訓練、託管和監控小計 = 305.827 USD。每月託管 3,100 MB 處理的資料輸入和 310 MB 處理的資料輸出小計 = 0.06 USD。此範例的費用總計為每月 305.887 USD。

進一步了解 Amazon SageMaker

檢視 SageMaker 概觀頁面
準備好開始使用了嗎？
註冊
還有其他問題嗎？
聯絡我們