Amazon SageMaker 定價

使用 Amazon SageMaker，您有兩種支付選擇，而且僅需按實際用量付費。隨需定價按秒計費，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 可供免費試用。Amazon SageMaker 做為 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 Savings Plans 可協助您降低高達 64％ 的成本。這些計劃會自動套用至符合資格的 SageMaker 機器學習 (ML) 執行個體用量，包括 SageMaker Studio 筆記本、SageMaker 隨需筆記本、SageMaker 處理、SageMaker Data Wrangler、SageMaker 訓練、SageMaker 即時推論，以及 SageMaker 批次轉換，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 »

您現在可以存取 Amazon SageMaker Studio，這是首款免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立、訓練和部署模型時需要執行的每個步驟。您可以免費使用 SageMaker Studio，只需為在 Studio 中使用的 AWS 服務付費。

您可以免費使用 SageMaker Studio 中的許多服務，包括：

• SageMaker Pipelines 可自動化並管理已自動化的 ML 工作流程
• SageMaker Autopilot 可自動建立具有完全可視性的 ML 模型
  
• SageMaker Experiments 可以組織並追蹤您的培訓任務和版本
• SageMaker 偵錯工具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 ML 模型，以及
• SageMaker JumpStart 可以輕鬆為許多使用案例部署 ML 解決方案

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。

進一步了解 Amazon SageMaker Ground Truth 定價，它是一項全受管資料標記服務，可讓您輕鬆建立用於機器學習的高度精準培訓資料集。

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

相較於其他雲端自我管理解決方案，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。

現在，您可以使用 SageMaker 定價計算工具來估算使用 Amazon SageMaker 的支出。透過定價計算工具，您可以獲得使用案例的成本估算、匯出估算以進行離線分析，並依據需要調整支出。

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。
   

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 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。

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

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。

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

您擁有一個 Web 應用程式，會向 Amazon SageMaker Feature Store 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 Feature Store 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。

++ 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 Feature Store 的每月總費用= 56.875 USD + 3.185 USD + 14.175 USD = 74.235 USD

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 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 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 Amazon S3 儲存貯體。

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。

範例 #3 中的模型接著部署到兩 (2) 個 ml.c5.xlarge 執行個體的生產環境，來進行可靠的異地同步備份託管。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。

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。

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。

Amazon SageMaker Batch Transform 僅向您收取執行任務期間所使用的執行個體費用。如果您的資料已經在 Amazon S3 中，那麼從 S3 讀取輸入資料和撰寫輸出資料到 S3 都無須付費。

範例 #1 中的模型是用來執行 SageMaker Batch Transform。資料科學家在 3 ml.m4.4xlarge 上執行四個獨立的 SageMaker Batch Transform 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。

SageMaker Batch Transform 任務小計= 2.88 USD；傳入 Amazon S3 的 4.4 GB 小計 = 0 USD。此範例的費用總計為 2.90 USD。