From 51dc01e8cc47f7e2d76851f6c7b03c75e02f5b72 Mon Sep 17 00:00:00 2001 From: Ceceliachenen Date: Thu, 5 Dec 2024 11:17:58 +0800 Subject: [PATCH] Personal/ranxia/fix html reader (#297) * fix html reader * fix html reader * fix html reader --- .../integrations/readers/pai_html_reader.py | 18 ++- src/pai_rag/utils/markdown_utils.py | 10 +- tests/data_readers/test_html_reader.py | 23 +++ ...\346\213\237\344\270\212\350\243\205.html" | 97 ++++++++++++ ...\350\264\271\350\257\264\346\230\216.html" | 101 +++++++++++++ ...\350\264\271\350\257\264\346\230\216.html" | 97 ++++++++++++ ...\350\264\271\350\257\264\346\230\216.html" | 101 +++++++++++++ ...\345\236\213\350\257\204\344\274\260.html" | 143 ++++++++++++++++++ 8 files changed, 579 insertions(+), 11 deletions(-) create mode 100644 tests/data_readers/test_html_reader.py create mode 100644 "tests/testdata/data/html_data/AIGC Stable Diffusion\346\226\207\347\224\237\345\233\276Lora\346\250\241\345\236\213\345\276\256\350\260\203\345\256\236\347\216\260\350\231\232\346\213\237\344\270\212\350\243\205.html" create mode 100644 "tests/testdata/data/html_data/AI\345\206\231\347\234\237\350\256\241\350\264\271\350\257\264\346\230\216.html" create mode 100644 "tests/testdata/data/html_data/EAS\350\256\241\350\264\271\350\257\264\346\230\216.html" create mode 100644 "tests/testdata/data/html_data/\345\244\232\345\252\222\344\275\223\345\210\206\346\236\220\350\256\241\350\264\271\350\257\264\346\230\216.html" create mode 100644 "tests/testdata/data/html_data/\350\201\232\347\261\273\346\250\241\345\236\213\350\257\204\344\274\260.html" diff --git a/src/pai_rag/integrations/readers/pai_html_reader.py b/src/pai_rag/integrations/readers/pai_html_reader.py index ecb4a024..1f8e7ead 100644 --- a/src/pai_rag/integrations/readers/pai_html_reader.py +++ b/src/pai_rag/integrations/readers/pai_html_reader.py @@ -71,10 +71,11 @@ def _convert_table_to_pai_table(self, table): row_cells = [""] * max_cols if current_row_index >= max_rows: table_matrix.append(row_cells) + max_rows += 1 for cell in row.find_all(["th", "td"]): if cell.name != "th": row_header_flag = False - else: + elif cell.name == "th" and current_row_index != 0: col_header_index_max = max(col_header_index_max, current_col_index) cell_content = self._parse_cell_content(cell) col_span = int(cell.get("colspan", 1)) @@ -96,16 +97,19 @@ def _convert_table_to_pai_table(self, table): table_matrix[current_row_index][ current_col_index + i ] = cell_content + + if current_row_index == 0: + max_cols += col_span for i in range(1, row_span): - if current_row_index + i > max_rows: + if current_row_index + i >= max_rows: + row_cells = [""] * max_cols table_matrix.append(row_cells) - table_matrix[current_row_index + i][ - current_col_index - ] = cell_content + max_rows += 1 + table_matrix[current_row_index + i][ + current_col_index + ] = cell_content max_rows = max(current_row_index + row_span, max_rows) current_col_index += col_span - if current_row_index == 0: - max_cols += col_span if row_header_flag: row_headers_index.append(current_row_index) current_row_index += 1 diff --git a/src/pai_rag/utils/markdown_utils.py b/src/pai_rag/utils/markdown_utils.py index 24d89eda..c997905c 100644 --- a/src/pai_rag/utils/markdown_utils.py +++ b/src/pai_rag/utils/markdown_utils.py @@ -39,16 +39,17 @@ def get_rows(self): def get_column_headers(self): if not self.column_headers_index or len(self.column_headers_index) == 0: return [] - return [[row[i] for i in self.column_headers_index] for row in self.data] + # return [self.data[:, col] for col in self.column_headers_index] + return [[row[col] for row in self.data] for col in self.column_headers_index] def get_columns(self): if self.column_headers_index and len(self.column_headers_index) > 0: - data_col_start_index = max(self.col_headers_index) + 1 + data_col_start_index = max(self.column_headers_index) + 1 else: data_col_start_index = 0 return [ - [row[i] for i in range(data_col_start_index, self.get_col_numbers())] - for row in self.data + [row[col] for row in self.data] + for col in range(data_col_start_index, self.get_col_numbers()) ] @@ -113,6 +114,7 @@ def convert_table_to_markdown(table: PaiTable, total_cols: int) -> str: if len(table.get_column_headers()) > 0: headers = table.get_column_headers() rows = table.get_columns() + total_cols = table.get_row_numbers() else: headers = table.get_row_headers() rows = table.get_rows() diff --git a/tests/data_readers/test_html_reader.py b/tests/data_readers/test_html_reader.py new file mode 100644 index 00000000..f4e8f228 --- /dev/null +++ b/tests/data_readers/test_html_reader.py @@ -0,0 +1,23 @@ +import os +from pathlib import Path +from pai_rag.core.rag_config_manager import RagConfigManager +from pai_rag.core.rag_module import resolve +from pai_rag.integrations.readers.pai.pai_data_reader import PaiDataReader +from pai_rag.integrations.readers.pai_html_reader import PaiHtmlReader + +BASE_DIR = Path(__file__).parent.parent.parent + + +def test_pai_html_reader(): + config_file = os.path.join(BASE_DIR, "src/pai_rag/config/settings.toml") + config = RagConfigManager.from_file(config_file).get_value() + directory_reader = resolve( + cls=PaiDataReader, + reader_config=config.data_reader, + ) + input_dir = "tests/testdata/data/html_data" + + directory_reader.file_readers[".html"] = PaiHtmlReader() + + documents = directory_reader.load_data(file_path_or_directory=input_dir) + assert len(documents) == 5 diff --git "a/tests/testdata/data/html_data/AIGC Stable Diffusion\346\226\207\347\224\237\345\233\276Lora\346\250\241\345\236\213\345\276\256\350\260\203\345\256\236\347\216\260\350\231\232\346\213\237\344\270\212\350\243\205.html" "b/tests/testdata/data/html_data/AIGC Stable Diffusion\346\226\207\347\224\237\345\233\276Lora\346\250\241\345\236\213\345\276\256\350\260\203\345\256\236\347\216\260\350\231\232\346\213\237\344\270\212\350\243\205.html" new file mode 100644 index 00000000..0a319b6b --- /dev/null +++ "b/tests/testdata/data/html_data/AIGC Stable Diffusion\346\226\207\347\224\237\345\233\276Lora\346\250\241\345\236\213\345\276\256\350\260\203\345\256\236\347\216\260\350\231\232\346\213\237\344\270\212\350\243\205.html" @@ -0,0 +1,97 @@ + + + + + + + + + + + + + + +在阿里云DSW中微调Lora模型实现虚拟上装_人工智能平台 PAI(PAI)-阿里云帮助中心 + + + + + + + + + + +
文档
产品文档
输入文档关键字查找
+首页 + + + +人工智能平台 PAI + + + +实践教程 + + + +AIGC + + + +AIGC Stable Diffusion文生图Lora模型微调实现虚拟上装 +

AIGC Stable Diffusion文生图Lora模型微调实现虚拟上装

更新时间：
一键部署
产品详情
相关技术圈
我的收藏
+

AIGC是指通过人工智能技术自动生成内容的生产方式，其中，文生图（Text-to-image Generation）任务是流行的跨模态生成任务，旨在生成与给定文本对应的图像。本文实现的主要功能是在阿里云DSW中，通过对AIGC Stable Diffusion文生图Lora模型进行模型微调，并启动WebUI进行模型推理实现虚拟上装。

背景信息

WebUI文生图推理效果如图所示。image.png

前提条件

  • 已创建工作空间，详情请参见创建工作空间。

  • 已创建DSW实例，其中关键参数配置如下。具体操作，请参见创建及管理DSW实例。

    • 实例规格选择：ecs.gn6v-c8g1.2xlarge。

    • 选择镜像：

      地域

      镜像地址

      华东1（杭州）

      在官方镜像页签，选择stable-diffusion-webui-develop:1.0.0-pytorch2.01-gpu-py310-cu117-ubuntu22.04。

      华北2（北京）

      华东2（上海）

      华南1（深圳）

步骤一：在DSW中打开教程文件

  1. 进入PAI-DSW开发环境。

    1. 登录PAI控制台。

    2. 在页面左上方，选择DSW实例所在的地域。

    3. 在左侧导航栏单击工作空间列表，在工作空间列表页面中单击默认工作空间名称，进入对应工作空间内。

    4. 在左侧导航栏，选择模型开发与训练>交互式建模（DSW）。

    5. 单击需要打开的实例操作列下的打开，进入PAI-DSW实例开发环境。

  2. 在Notebook页签的Launcher页面，单击快速开始区域Tool下的DSW Gallery，打开DSW Gallery页面。image.png

  3. 在DSW Gallery页面中，搜索并找到AIGC Stable diffusion文生图Lora模型微调实现虚拟上装教程，单击教程卡片中的在DSW中打开。

    单击后即会自动将本教程所需的资源和教程文件下载至DSW实例中，并在下载完成后自动打开教程文件。a893178686cee3f6c2a0fb84365f77e8.png

步骤二：运行教程文件

  1. 在打开的教程文件stable_diffusion_try_on.ipynb文件中，您可以直接看到教程文本，您可以在教程文件中直接运行教程。本教程一共3个运行步骤：

    1. 安装Diffusers。

    2. 微调Stable Diffusion Lora模型。

    3. 在DSW中启动WebUI。

    在教程文件中直接运行对应的步骤的命令时，当成功运行结束一个步骤命令后，再顺次运行下个步骤的命令。2cfb70f63a81592182214486274c5863.png

  2. 当第4步启动WebUI运行完成后，在返回的运行详情结果中单击URL链接（http://127.0.0.1:7860），进入WebUI页面。后续您可以在该页面进行模型推理。

    说明

    由于http://127.0.0.1:7860为内网访问地址，仅支持在当前的DSW实例内部通过单击链接来访问WebUI页面，不支持通过外部浏览器直接访问。

步骤三：推理结果验证

完成以上操作后，您已经成功完成了AIGC文生图模型微调训练及WebUI部署。您可以在WebUI页面，进行模型推理验证。

在文生图页签配置以下参数：

  • Prompt：cloth1,<lora:koreanDollLikeness_v10:0.4>, (extremely detailed CG unity 8k wallpaper),(RAW photo, best quality), (realistic, photo-realistic:1.2), a close up portrait photo, 1girl, shopping mall rooftop cafe, outdoor, smile, (high detailed skin:1.4), puffy eyes, gorgeous hair, air bangs, brown black hair, soft lighting, high quality,<lora:cloth_lora_weights:1>

  • Negative prompt：ng_deepnegative_v1_75t,paintings, sketches, (worst quality:2), (low quality:2), (normal quality:2), lowres, ((monochrome)), (grayscale:1.2), skin spots, acnes, skin blemishes, age spot, glans,extra fingers,fewer fingers,(watermark:1.2),(letters:1.2),(nsfw:1.2),teeth

  • 采样方法（Sampler）： Euler a

  • 采样迭代步数（Steps）： 50

  • 宽度和高度： 640，768

  • 随机种子（seed）： 1400244389

  • 提示词相关性（CFG Scale）：7

  • 选中面部修复复选框

单击生成，输出如图推理结果。image.png

+
  • 本页导读 （1）
文档反馈
\ No newline at end of file diff --git "a/tests/testdata/data/html_data/AI\345\206\231\347\234\237\350\256\241\350\264\271\350\257\264\346\230\216.html" "b/tests/testdata/data/html_data/AI\345\206\231\347\234\237\350\256\241\350\264\271\350\257\264\346\230\216.html" new file mode 100644 index 00000000..86a3f952 --- /dev/null +++ "b/tests/testdata/data/html_data/AI\345\206\231\347\234\237\350\256\241\350\264\271\350\257\264\346\230\216.html" @@ -0,0 +1,101 @@ + + + + + + + + + + + + + + +AI写真计费说明_人工智能平台 PAI(PAI)-阿里云帮助中心 + + + + + + + + + + +
文档
产品文档
输入文档关键字查找
+首页 + + + +人工智能平台 PAI + + + +产品概述 + + + +产品计费 + + + +场景化解决方案计费说明 + + + +AI写真计费说明 +

AI写真计费说明

更新时间：
一键部署
产品详情
相关技术圈
我的收藏
+

完整的使用AI写真涉及到AI写真训练、AI写真制作、图片质量检测和人脸属性分析（可选）服务。其中，图片质量检测免费使用，其他服务将根据您的服务点数进行收费。本文为您介绍AI写真相关服务的计费规则及计费方式。

计费规则

计费项

计费方式

扣费逻辑

算法服务点数

免费额度

  • AI写真训练：提供免费5个AI写真训练服务点数的额度。

  • AI写真制作：提供免费200个AI写真制作服务点数的额度。

  • 图片质量检测：免费使用。

  • 人脸属性分析（可选）：详见多媒体分析，提供200个免费服务点数的额度。

免费额度-资源包抵扣-后付费

当免费额度和资源包消耗完成后自动转入后付费进行计费。

按量付费（后付费）

按实际用量结算费用，先使用，后付费。

资源包（预付费）

预先购买优惠资源包，在费用结算时，优先从资源包抵扣用量，先购买，后抵扣。

  • 生效及有效期：购买后立即生效，自购买日起一年有效，过期作废。

  • 抵扣规则：购买资源包后，优先抵扣资源包额度，全部抵扣完后，若仍有超出部分则自动转为按量付费。

计费方式

预付费资源包

  • 资源包为预付费的抵扣包，是指您根据业务量级预估一次性付费购买相应规格的商品资源包。自购买日起，一年内有效，有效期内产生的计费调用量优先使用资源包抵扣额度，超出有效期未抵扣的资源包额度自动失效。

  • 如果您购买同一服务的多个资源包，将优先使用失效日临近的资源包进行抵扣；如果存在同一服务的多个资源包失效日相同，则会随机选择抵扣资源包。

说明

实际价格以出账账单为准。

服务点数类型

服务点数（万）

单价（元/个）

总价（万元）

AI写真训练

1

4

4

10

3.2

32

100

2.4

240

500

1.6

800

AI写真制作

100

0.064

6.4

500

0.048

24

2000

0.032

64

人脸属性分析（可选）

100

0.0046

0.46

500

0.0039

1.95

2000

0.0032

6.4

模型服务的服务点数消耗

使用场景

模型服务名称

每次服务消耗

AI写真训练

通用AI写真训练

1个AI写真训练服务点数

AI写真训练-XL版

2个AI写真训练服务点数

AI写真制作

通用AI写真制作

1个AI写真制作服务点数

AI写真制作-XL版

2个AI写真制作服务点数

按量付费

开通AI写真对应的商品服务后默认采用按量付费的后付费计费方式，后付费即对实际产生的计费服务点数进行统计计费扣除，无使用上限。计费方式为自然月阶梯统计，当调用量到达相应的阶梯则按照该阶梯单价进行计费，系统每小时从您的账户扣除相应费用。

说明

实际价格以出账账单为准。

服务点数类型

付费阶梯

单价（元/个）

AI写真训练

0≤月服务点数≤10万次

5

10万次＜月服务点数≤100万次

4

100万次＜月服务点数≤500万次

3

500万次＜月服务点数

2

AI写真制作

0≤月服务点数≤500万次

0.08

500万次＜月服务点数≤2000万次

0.06

2000万次＜月服务点数

0.04

人脸属性分析（可选）

0≤月服务点数≤500万次

0.0046

500万次＜月服务点数≤2000万次

0.0039

2000万次＜月服务点数

0.0032

计费案例

重要

以下计费案例仅供参考，实际费用以您购买的云服务的控制台页面（或购买页面）为准。

预付费资源包计费案例

  • 示例场景描述

    当月AI写真制作需计费的服务点数为2500万。

  • 费用计算

    服务点数（万）

    单价（元/个）

    费用（万元）

    总计费用

    500

    0.048

    24

    本月产生的费用为：500万×0.048+2000万×0.032＝88万元。

    2000

    0.032

    64

按量付费计费案例

  • 示例场景描述

    当月消耗的AI写真制作服务点数为2500万。

  • 费用计算

    付费阶梯

    单价（元/个）

    当前阶梯点数

    阶梯费用（万元）

    总计费用

    0≤AI写真制作月服务点数≤500万次

    0.08

    500万

    40

    本月产生的费用为：500万×0.08+2000万×0.06＝160万元。

    500万次＜AI写真制作月服务点数≤2000万次

    0.06

    2000万

    120

欠费说明

欠费原因

如果您账号的可用额度小于待结算的账单，账号进入欠费状态。

  • 预付费：您绑定的续费账户余额不足。

  • 后付费：您的账户可用余额不足以支付近一个计费周期（一个月）的账单金额。

欠费停服说明

  • PAI会以T+1天的形式展示账单，账单出账时间通常在当前计费周期结束后4小时内。当您的账户欠费后，系统会向账号注册手机发送短信通知。

  • 欠费后您将无法使用相关的PAI产品服务。

查看欠费金额

  1. 登录用户中心。

  2. 在首页的待办提醒区域，查看欠费金额。历史未结清

恢复服务说明

  • 在您购买的资源包用尽或到期后，如果您想继续使用资源包进行抵扣，您可以在AI写真页面，单击购买点数包进行购买。

  • 当您选择按量付费时，只需定期为您的账号进行充值，以确保账户可用额度充足即可正常使用该功能，无需进行续费操作。

退款说明

后付费已发生的费用不予退款。

测试与服务

如果您需要做进一步的测试和服务，请使用钉钉搜索群号：38250008552，并加入PAI-AI写真官方合作群进行咨询。

+
  • 本页导读 （1）
文档反馈
\ No newline at end of file diff --git "a/tests/testdata/data/html_data/EAS\350\256\241\350\264\271\350\257\264\346\230\216.html" "b/tests/testdata/data/html_data/EAS\350\256\241\350\264\271\350\257\264\346\230\216.html" new file mode 100644 index 00000000..f4fb5e0f --- /dev/null +++ "b/tests/testdata/data/html_data/EAS\350\256\241\350\264\271\350\257\264\346\230\216.html" @@ -0,0 +1,97 @@ + + + + + + + + + + + + + + +EAS计费说明_人工智能平台 PAI(PAI)-阿里云帮助中心 + + + + + + + + + + +
文档
产品文档
输入文档关键字查找
+首页 + + + +人工智能平台 PAI + + + +产品概述 + + + +产品计费 + + + +EAS计费说明 +

EAS计费说明

更新时间：
一键部署
产品详情
相关技术圈
我的收藏
+

本文为您介绍EAS的计费项和计费方式。

计费项

EAS的计费项组成如下图：

15000df7e2ddc9b06804608ab2ae7761

计费方式

公共资源组和专属资源组的计费方式如下。

计费项

计费主体

计费规则

计费方式

停止计费

公共资源组

模型服务运行时长（模型服务占用公共资源的时长）

按照模型服务占用的公共资源时长计费。（一旦创建模型服务，系统就开始计费。）

  • 为EAS产品的新用户提供免费试用额度，但需要自行领取。具体的免费试用额度、领取方式和注意事项，请参见新用户免费试用额度。

    说明

    免费额度用尽或试用期结束后，若继续使用计算资源，则会使用按量计费方式进行计费。

  • 后付费（按量计费）

停止模型服务

专属资源组

资源组机器运行时长

只对专属资源组机器收费，部署在专属资源组上的模型服务不产生额外费用。（对于后付费方式，一旦创建后付费专属资源组机器，系统就开始计费。）

后付费（按量计费）

删除后付费资源组机器

预付费（包年包月）

无

系统盘

系统盘容量和使用时长

系统盘创建成功后开始计费。

后付费（按量计费）

  • 删除专属资源组机器。

  • 删除使用公共资源组创建的服务。

系统盘容量和购买时长

系统盘创建成功后开始计费。

预付费（包年包月）

无

公共资源组

为EAS产品的新用户提供免费试用额度，但需要自行领取。具体的免费试用额度、领取方式和注意事项，请参见新用户免费试用额度。免费额度用尽或试用期结束后，若继续使用计算资源，则会使用后付费（按量计费）方式进行计费。

使用公共资源组时有两种方式：一种是指定机器资源，另外一种是指定机器型号。这两种使用方式的计费详情如下所示。

计费说明

计费公式

单价

计费时间段

扩缩容说明

其他注意事项

指定机器资源

每个模型服务的账单金额=实例数×(cpu核数量×(单价/60)+内存数×(单价/60))×时长(分钟)

该方式的计费方式为后付费（即按量计费），定价详情请参见指定机器资源（为方便查看，该定价为小时价，而实际以分钟价计费。使用价格除以60即可得到分钟价）。

  • 计费的时间起点：为模型开始运行（模型开始占用资源）的时间。

  • 计费的时间终点：为模型停止（模型释放资源）的时间。

模型扩容后：新资源从扩容成功的时间开始计费。

模型缩容后：释放的资源从释放成功的时间停止计费，剩余资源继续计费。

  • 计费时长的统计粒度为分钟。

  • 建议您及时停止无用的模型服务，以免产生不必要的费用。

指定机器型号

每个模型服务的账单金额=实例数×(机器定价单价/60)×时长(分钟)

该方式的计费方式为后付费（即按量计费），不同地域不同机器型号的定价不一致，定价详情请参见附录：公共资源组指定机器型号定价详情（该定价为小时价，而实际以分钟价计费。使用下表价格除以60即可得到分钟价）。

  • 计费的时间起点：为模型开始运行（模型开始占用资源）的时间。

  • 计费的时间终点：为模型停止（模型释放资源）的时间。

不涉及

  • 计费时长的统计粒度为分钟。

  • 建议您及时停止无用的模型服务，以免产生不必要的费用。

  • 部分机器资源在某些地域可能短期内无货，此时无法购买。

表 1. 指定机器资源

资源类型

定价

CPU

0.194（CNY/核/小时）

内存

0.024（CNY/G/小时）

专属资源组

使用专属资源组时，有两种计费方式：预付费（包年包月）和后付费（按量计费）。这两种方式的计费详情如下所示。

计费说明

计费公式

单价

计费时间段

扩缩容说明

其他注意事项

预付费（包年包月）

每个资源组的总金额=资源数量×定价×购买时长(月)

预付费（包年包月）的定价详情请前往购买专属资源机器型号页面查看。

  • 计费的时间起点：购买次日00:00:00起算。

  • 计费的时间终点：到期时间。

不涉及

  • 部分机器资源在某些地域可能短期内无货，此时无法购买。

后付费（按量计费）

每个资源组的账单金额=资源数量×(定价/60)×使用时长(分钟)

后付费（按量计费）的定价详情请前往购买专属资源机器型号页面查看。

  • 计费的时间起点：资源组机器创建成功并进入运行状态（状态为运行中）的时间。

  • 计费的时间终点：资源组无机器资源（状态为无使用资源）的时间。

模型扩容后：新资源从扩容成功的时间开始计费。

模型缩容后：释放的资源从释放成功的时间停止计费，剩余资源继续计费。

  • 计费时长的统计粒度为分钟。

  • 建议您及时停止无用的模型服务，以免产生不必要的费用。

  • 部分机器资源在某些地域可能短期内无货，此时无法购买。

系统盘

系统盘有两种计费方式：预付费（包年包月）和后付费（按量计费）。这两种方式的计费详情如下所示。

计费说明

计费公式

单价

计费时间段

扩缩容说明

其他注意事项

预付费（包年包月）

账单金额=系统盘容量(GB)×单价×购买时长(月)

定价详情请参见包年包月定价。

  • 计费的时间起点：系统盘购买成功后开始计费。

  • 计费的时间终点：到期时间。

不涉及

无

后付费（按量计费）

账单金额=系统盘容量(GB)×单价×使用时长(小时)

定价详情请参见按量计费定价。

  • 计费的时间起点：系统盘购买成功后开始计费。

  • 计费的时间终点：专属资源组机器被成功删除的时间；部署到公共资源组的服务被成功删除的时间。

不涉及

无

表 2. 包年包月定价

地域

定价（CNY/GB/月）

印度（孟买）

1.52

新加坡

1.52

印度尼西亚（雅加达）

1.52

华北2（北京）

1

华东1（杭州）

1

中国（香港）

1.52

华东2（上海）

1

华南1（深圳）

1

华北3（张家口）

1

德国（法兰克福）

1.62

美国（弗吉尼亚）

1.52

美国（硅谷）

1.52

上海金融云

1.9

表 3. 按量计费定价

地域

定价（CNY/GB/小时）

印度（孟买）

0.0033

新加坡

0.0033

印度尼西亚（雅加达）

0.0033

华北2（北京）

0.0021

华东1（杭州）

0.0021

中国（香港）

0.0033

华东2（上海）

0.0021

华南1（深圳）

0.0021

华北3（张家口）

0.0021

德国（法兰克福）

0.0036

美国（弗吉尼亚）

0.0033

美国（硅谷）

0.0033

上海金融云

0.004

计费案例

重要

以下计费案例仅供参考，实际费用以您购买的云服务的控制台页面（或购买页面）为准。

公共资源组计费案例

  • 示例场景描述：

    假设您使用指定机器资源方式的公共资源组部署模型服务，资源组在华东1（杭州）地域。

    • 2019年6月3日09:00:00服务进入运行状态，初始占用资源为2 CPU Core+8 GB。

    • 2019年6月3日10:00:00完成缩容，占用资源减少到1 CPU Core+4 GB。

    • 2019年6月3日11:00:00完成了扩容，占用资源增加到4 CPU Core+16 GB。

    • 2019年6月3日12:00:00，服务进入停止状态。

  • 费用计算：

    账单金额=2×0.194+8×0.024+1×0.194+4×0.024+4×0.194+16×0.024=2.03 CNY

专属资源组计费案例

  • 预付费（包年包月）示例

    • 示例场景描述：

      假设您使用预付费（包年包月）的方式，购买了华东1（杭州）地域的4 CPU Core+15 GB GPU T4卡两台，购买时长为3个月，定价为3683（CNY/月）（实际价格以产品购买为准）。

    • 费用计算：

      总金额=2×3683×3=22098 CNY

  • 后付费（计量计费）示例

    • 示例场景描述：

      假设您使用后付费（计量计费）的方式，购买了华东1（杭州）地域ecs.g6.6xlarge（24 CPU Core+96 GB）2台，使用时长为45分钟，定价为6.6 （CNY/小时）（实际价格以产品购买为准）。

    • 费用计算：

      账单金额=2×(6.6/60)×45=9.9 CNY

系统盘计费案例

  • 预付费（包年包月）示例

    • 示例场景描述：

      假设您使用专属资源组预付费（包年包月）的方式，购买了华东1（杭州）地域的2台机器资源，每台机器资源指定为300 GB的系统盘，购买时长为3个月。

    • 费用计算：

      账单金额=2×(300-200)×1×3=600 CNY

  • 后付费（按量计费）示例（专属资源组）

    • 示例场景描述：

      假设您使用专属资源组后付费（按量计费）的方式，购买了华东1（杭州）地域的2台机器资源，每台机器资源指定为300 GB的系统盘，使用时长为5小时。

    • 费用计算：

      账单金额=2×(300-200)×0.0021×5=2.1 CNY

  • 后付费（按量计费）示例（公共资源组）

    • 示例场景描述：

      假设您使用公共资源组后付费（按量计费）的方式购买了华东1（杭州）地域的2个实例机器节点，每个实例机器节点指定的系统盘大小为300 GB，使用时长为5小时。

    • 费用计算：

      账单金额=2×(300-30)×0.0021×5=5.67 CNY

欠费说明

欠费原因

您当前账号余额不足。

  • 预付费资源组机器，绑定的续费账户余额不足。

  • 对于后付费资源组机器或公共资源组，如果您的账户可用余额小于上一个计费周期的账单金额，阿里云在扣费失败后，您将处于欠费状态。

欠费停服说明

  • 预付费资源组机器

    如果资源组机器到期未续费或续费不成功，则该资源组机器将被释放。释放后，该资源组机器状态将更新为已停机，使用该资源组机器运行的EAS服务状态将更新为等待中。

    如果您在自到期之日起的15个自然日（15 x 24=360小时）内续费成功，专属资源组会自动恢复已停机的机器。

    如果在到期之日起的15个自然日（15 x 24=360小时）内仍未续费，则实际欠费满15个自然日后，系统会将彻底删除已停机的机器。

  • 后付费资源组（包括后付费机器和公共资源组）

    欠费后如果在延停权益额度内，您的资源组不会停止服务。

    说明

    阿里云提供延停权益，即当按量付费的资源发生欠费后，提供一定额度或时长继续使用云服务的权益。延停期间正常计费。延停的权益额度不是欠费总额的上限。您延停的额度或时长根据您在阿里云的历史消费等因素，每个月自动计算并更新。更多信息，请参见延期免停权益。

    欠费后，如果超出延停权益额度，公共资源组会停止服务，后付费机器将被释放，释放后该机器状态更新为已停机，使用该资源组运行的EAS服务状态更新为等待中。

    如果自欠费之日起15个自然日（15 x 24=360小时）内充值并结清账单，则可以恢复使用资源组，相关数据仍然得以保留。如果自欠费之日起15个自然日（15 x 24=360小时）内未结清账单，则实际欠费满15个自然日后，系统会将已停机的机器彻底删除。

查看欠费金额

  1. 登录用户中心。

  2. 在首页的待办提醒区域，查看欠费金额。历史未结清

续费说明

专属资源组预付费（包年包月）支持以下两种续费方式。

  • 到期自动续费

    如果您不想每次手动续费，您可以在购买预付费机器时选中到期自动续费，详情请参见使用专属资源组。

  • 手动续费

    您可以在专属资源组详情页面，单击预付费机器实例操作列下的 三点 > 续费，为预付费机器实例手动续费。详情请参见使用专属资源组。

退款说明

后付费已发生的费用不予退款。

附录：公共资源组指定机器型号定价详情

CPU类型

实例规格

实例名称

vCPU

内存（GiB）

定价（CNY/小时）

地域

ecs.c7.large

c7(2vcpu+4GB)

2

4

0.66

新加坡

0.42

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

  • 华南2（河源）

  • 华北6（乌兰察布）

0.72

中国（香港）

ecs.c7.xlarge

c7(4vcpu+8GB)

4

8

1.38

新加坡

0.9

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

1.5

中国（香港）

0.78

  • 华南2（河源）

  • 华北6（乌兰察布）

ecs.c7.2xlarge

c7(8vcpu+16GB)

8

16

2.7

  • 新加坡

  • 印度尼西亚（雅加达）

1.8

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

1.62

  • 华南2（河源）

  • 华北6（乌兰察布）

3

中国（香港）

ecs.c7.4xlarge

c7(16vcpu+32GB)

16

32

5.4

  • 新加坡

  • 印度尼西亚（雅加达）

3.6

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

3.18

华南2（河源）

3.24

华北6（乌兰察布）

5.94

中国（香港）

ecs.c7.6xlarge

c7(24vcpu+48GB)

24

48

8.1

  • 新加坡

  • 印度尼西亚（雅加达）

5.4

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

4.8

华南2（河源）

4.86

华北6（乌兰察布）

8.94

中国（香港）

ecs.c7.8xlarge

c7(32vcpu+64GB)

32

64

10.8

  • 新加坡

  • 印度尼西亚（雅加达）

11.94

中国（香港）

7.2

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

6.48

华北6（乌兰察布）

6.36

华南2（河源）

ecs.c7.16xlarge

c7(64vcpu+128GB)

64

128

21.6

  • 新加坡

  • 印度尼西亚（雅加达）

14.34

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

12.78

华南2（河源）

14.34

西南1（成都）

12.9

华北6（乌兰察布）

23.82

中国（香港）

ecs.r7.4xlarge

r7(16vcpu+128GB)

16

128

8.4

新加坡

6.12

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

5.46

华南2（河源）

5.52

华北6（乌兰察布）

9.24

中国（香港）

ecs.r7.large

r7(2vcpu+16GB)

2

16

1.02

新加坡

0.78

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

1.14

中国（香港）

0.66

  • 华南2（河源）

  • 华北6（乌兰察布）

ecs.r7.xlarge

r7(4vcpu+32GB)

4

32

2.1

新加坡

1.56

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

2.28

中国（香港）

1.38

  • 华南2（河源）

  • 华北6（乌兰察布）

ecs.r7.2xlarge

r7(8vcpu+64GB)

8

64

4.2

新加坡

3.06

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

2.76

  • 华南2（河源）

  • 华北6（乌兰察布）

4.62

中国（香港）

ecs.r7.6xlarge

r7(24vcpu+192GB)

24

192

12.6

新加坡

9.18

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

8.22

华南2（河源）

8.28

华北6（乌兰察布）

13.8

中国（香港）

ecs.r7.8xlarge

r7(32vcpu+256GB)

32

256

16.8

新加坡

12.24

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

10.92

华南2（河源）

11.04

华北6（乌兰察布）

18.42

中国（香港）

ecs.r7.16xlarge

r7(64vcpu+512GB)

64

512

33.54

新加坡

24.48

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

21.9

华南2（河源）

22.08

华北6（乌兰察布）

36.84

中国（香港）

ecs.g7.large

g7(2vcpu+8GB)

2

8

0.84

新加坡

0.6

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

0.9

中国（香港）

0.54

  • 华南2（河源）

  • 华北6（乌兰察布）

ecs.g7.xlarge

g7(4vcpu+16GB)

4

16

1.68

新加坡

1.14

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

1.8

中国（香港）

1.02

  • 华南2（河源）

  • 华北6（乌兰察布）

ecs.g7.2xlarge

g7(8vcpu+32GB)

8

32

3.3

  • 新加坡

  • 印度尼西亚（雅加达）

2.28

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

2.04

华南2（河源）

2.1

华北6（乌兰察布）

3.66

中国（香港）

ecs.g7.4xlarge

g7(16vcpu+64GB)

16

64

6.6

  • 新加坡

  • 印度尼西亚（雅加达）

4.62

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

4.08

华南2（河源）

4.14

华北6（乌兰察布）

7.26

中国（香港）

ecs.g7.6xlarge

g7(24vcpu+96GB)

24

96

9.96

  • 新加坡

  • 印度尼西亚（雅加达）

6.9

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

6.12

华南2（河源）

6.24

华北6（乌兰察布）

10.92

中国（香港）

ecs.g7.8xlarge

g7(32vcpu+128GB)

32

128

13.26

  • 新加坡

  • 印度尼西亚（雅加达）

9.18

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

8.22

华南2（河源）

8.28

华北6（乌兰察布）

14.58

中国（香港）

ecs.g7.16xlarge

g7(64vcpu+256GB)

64

256

26.46

  • 新加坡

  • 印度尼西亚（雅加达）

18.42

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 西南1（成都）

16.38

华南2（河源）

16.56

华北6（乌兰察布）

29.1

中国（香港）

ecs.g6.large

g6(2vcpu+8GB)

2

8

0.72

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

0.9

  • 新加坡

  • 印度尼西亚（雅加达）

0.54

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

0.96

中国（香港）

0.36

华北3（张家口）

0.48

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

0.84

德国（法兰克福）

ecs.g6.xlarge

g6(4vcpu+16GB)

4

16

1.5

印度（孟买）

1.8

  • 新加坡

  • 印度尼西亚（雅加达）

1.08

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

1.98

中国（香港）

0.78

华北3（张家口）

1.74

德国（法兰克福）

1.02

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

1.44

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.g6.2xlarge

g6(8vcpu+32GB)

8

32

3

印度（孟买）

3.54

  • 新加坡

  • 印度尼西亚（雅加达）

2.22

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

3.9

中国（香港）

1.56

华北3（张家口）

3.42

德国（法兰克福）

1.98

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

2.88

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.g6.4xlarge

g6(16vcpu+64GB)

16

64

6

印度（孟买）

7.14

  • 新加坡

  • 印度尼西亚（雅加达）

4.38

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

7.86

中国（香港）

3.06

华北3（张家口）

6.84

德国（法兰克福）

3.96

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

5.7

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.g6.6xlarge

g6(24vcpu+96GB)

24

96

9

印度（孟买）

10.68

  • 新加坡

  • 印度尼西亚（雅加达）

6.6

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

11.76

中国（香港）

4.62

华北3（张家口）

10.32

德国（法兰克福）

5.94

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

8.58

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.g6.8xlarge

g6(32vcpu+128GB)

32

128

11.94

印度（孟买）

14.28

  • 新加坡

  • 印度尼西亚（雅加达）

8.82

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

15.66

中国（香港）

6.18

华北3（张家口）

7.92

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

11.46

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.c6.large

c6(2vcpu+4GB)

2

4

0.6

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

0.66

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

0.42

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

0.72

中国（香港）

0.3

华北3（张家口）

0.36

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

ecs.c6.xlarge

c6(4vcpu+8GB)

4

8

1.14

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

1.32

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

0.84

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

1.5

中国（香港）

0.6

华北3（张家口）

0.78

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

ecs.c6.2xlarge

c6(8vcpu+16GB)

8

16

2.34

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

2.7

  • 印度尼西亚（雅加达）

  • 新加坡

1.74

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

2.94

中国（香港）

1.2

华北3（张家口）

2.64

德国（法兰克福）

1.56

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

ecs.c6.4xlarge

c6(16vcpu+32GB)

16

32

4.68

印度（孟买）

5.34

  • 新加坡

  • 印度尼西亚（雅加达）

3.42

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

5.88

中国（香港）

2.4

华北3（张家口）

5.28

德国（法兰克福）

4.68

  • 美国（弗吉尼亚）

  • 美国（硅谷）

3.12

西南1（成都）

3.06

  • 华南2（河源）

  • 华北6（乌兰察布）

ecs.c6.6xlarge

c6(24vcpu+48GB)

24

48

7.02

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

8.04

  • 新加坡

  • 印度尼西亚（雅加达）

5.16

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

8.82

中国（香港）

3.6

华北3（张家口）

7.92

德国（法兰克福）

4.62

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

ecs.c6.8xlarge

c6(32vcpu+64GB)

32

64

9.3

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

10.74

  • 新加坡

  • 印度尼西亚（雅加达）

6.84

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

11.82

中国（香港）

4.8

华北3（张家口）

10.56

德国（法兰克福）

6.18

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

ecs.r6.large

r6(2vcpu+16GB)

2

16

0.96

  • 印度（孟买）

  • 美国（弗吉尼亚）

  • 美国（硅谷）

1.14

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

0.72

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

0.48

华北3（张家口）

0.66

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

1.26

中国（香港）

ecs.r6.xlarge

r6(4vcpu+32GB)

4

32

1.92

印度（孟买）

2.22

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

1.44

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

2.46

中国（香港）

1.02

华北3（张家口）

1.32

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

1.86

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.r6.2xlarge

r6(8vcpu+64GB)

8

64

3.9

印度（孟买）

4.5

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

2.94

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

4.98

中国（香港）

2.04

华北3（张家口）

2.64

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

3.72

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.r6.4xlarge

r6(16vcpu+128GB)

16

128

7.74

印度（孟买）

9

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

5.82

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

9.96

中国（香港）

4.02

华北3（张家口）

5.22

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

7.5

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.r6.6xlarge

r6(24vcpu+192

24

192

11.64

印度（孟买）

13.44

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

8.76

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

14.94

中国（香港）

6.06

华北3（张家口）

7.86

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

11.22

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.r6.8xlarge

r6(32vcpu+256GB)

32

256

15.48

印度（孟买）

17.94

  • 新加坡

  • 印度尼西亚（雅加达）

  • 德国（法兰克福）

11.64

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

19.86

中国香港

8.04

华北3（张家口）

10.5

  • 华南2（河源）

  • 西南1（成都）

  • 华北6（乌兰察布）

14.94

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.g5.6xlarge

g5(24vcpu+96GB)

24

96

11.7

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

8.76

华北3（张家口）

10.74

中国（香港）

8.58

印度（孟买）

11.16

新加坡

10.56

印度尼西亚（雅加达）

10.26

德国（法兰克福）

8.94

美国（弗吉尼亚）

ecs.c5.6xlarge

c5(24vcpu+48GB)

24

48

6.9

印度（孟买）

8.16

新加坡

7.86

  • 印度尼西亚（雅加达）

  • 中国（香港）

8.22

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

6.12

华北3（张家口）

7.2

德国（法兰克福）

7.02

美国（弗吉尼亚）

ecs.g8y.large

Yitian(2vcpu+8GB)

2

8

0.42

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.g8y.xlarge

Yitian(4vcpu+16GB)

4

16

0.9

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.g8y.2xlarge

Yitian(8vcpu+32GB)

8

32

1.74

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.g8y.4xlarge

Yitian(16vcpu+64GB)

16

64

3.54

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.g8y.8xlarge

Yitian(32vcpu+128GB)

32

128

7.02

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.g8y.16xlarge

Yitian(64vcpu+256GB)

64

256

14.1

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.c7a.large

AMD(2vcpu+4GB)

2

4

0.6

新加坡

0.3

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华北6（乌兰察布）

0.54

中国（香港）

ecs.c7a.xlarge

AMD(4vcpu+8GB)

4

8

1.14

  • 新加坡

  • 中国（香港）

0.6

华北6（乌兰察布）

0.66

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

ecs.c7a.2xlarge

AMD(8vcpu+16GB)

8

16

2.28

新加坡

1.32

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

1.14

华北6（乌兰察布）

2.22

中国（香港）

ecs.c7a.4xlarge

AMD(16vcpu+32GB)

16

32

4.62

新加坡

2.58

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

2.34

华北6（乌兰察布）

4.44

中国（香港）

ecs.c7a.8xlarge

AMD(32vcpu+64GB)

32

64

9.24

新加坡

5.16

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

4.62

华北6（乌兰察布）

8.88

中国（香港）

ecs.c7a.16xlarge

AMD(64vcpu+128GB)

64

128

18.48

新加坡

10.32

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

9.3

华北6（乌兰察布）

17.82

中国（香港）

ecs.g7a.large

AMD(2vcpu+8GB)

2

8

0.78

  • 新加坡

  • 中国（香港）

0.48

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

0.42

华北6（乌兰察布）

ecs.g7a.xlarge

AMD(4vcpu+16GB)

4

16

1.56

新加坡

0.96

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

0.9

华北6（乌兰察布）

1.5

中国（香港）

ecs.g7a.2xlarge

AMD(8vcpu+32GB)

8

32

3.18

新加坡

1.92

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

1.74

华北6（乌兰察布）

3.06

中国（香港）

ecs.g7a.4xlarge

AMD(16vcpu+64GB)

16

64

6.3

新加坡

3.9

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

3.48

华北6（乌兰察布）

6.06

中国（香港）

ecs.g7a.8xlarge

AMD(32vcpu+128GB)

32

128

12.66

新加坡

7.74

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

6.96

华北6（乌兰察布）

12.18

中国（香港）

ecs.g7a.16xlarge

AMD(64vcpu+256GB)

64

256

25.32

新加坡

15.48

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

13.92

华北6（乌兰察布）

24.3

中国（香港）

GPU类型

实例规格

实例名称

vCPU

内存（GiB）

定价（CNY/小时）

地域

ml.gu7i.c8m30.1-gu30

8vcpu30GB+1*GU30

8

30

7.63

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

9.09

美国（弗吉尼亚）

11.1

德国（法兰克福）

10.84

新加坡

6.86

华北6（乌兰察布）

ml.gu7i.c16m60.1-gu30

16vcpu60GB+1*GU30

16

60

8.07

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

9.62

美国（弗吉尼亚）

11.75

德国（法兰克福）

11.48

新加坡

7.27

华北6（乌兰察布）

ml.gu7i.c32m188.1-gu30

32vcpu188GB+1*GU30

32

188

8.97

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

10.69

美国（弗吉尼亚）

13.06

德国（法兰克福）

12.75

新加坡

8.07

华北6（乌兰察布）

ml.gu7i.c64m376.2-gu30

64vcpu376GB+2*GU30

64

376

17.94

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

21.38

美国（弗吉尼亚）

26.11

德国（法兰克福）

25.5

新加坡

16.15

华北6（乌兰察布）

ml.gu7i.c128m752.4-gu30

128vcpu752GB+4*GU30

128

752

35.89

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

42.76

美国（弗吉尼亚）

52.23

德国（法兰克福）

51.01

新加坡

32.3

华北6（乌兰察布）

ecs.gn5i-c4g1.xlarge

4vcpu+16GB+1*P4

4

16

10.68

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

7.98

华北3（张家口）

ecs.gn5i-c8g1.2xlarge

8vcpu+32GB+1*P4

8

32

12.84

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

9.6

华北3（张家口）

ecs.gn5-c4g1.xlarge

4vcpu+30GB+1*P100

4

30

13.14

  • 印度（孟买）

  • 中国（香港）

13.86

  • 新加坡

  • 印度尼西亚（雅加达）

14.04

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

12.66

华北3（张家口）

12.36

德国（法兰克福）

11.88

美国（弗吉尼亚）

14.04

华北6（乌兰察布）

13.08

美国（硅谷）

ecs.gn5-c8g1.2xlarge

8vcpu+60GB+1*P100

8

60

15.84

印度（孟买）

16.68

  • 新加坡

  • 印度尼西亚（雅加达）

16.92

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华北6（乌兰察布）

15.84

中国（香港）

15.24

华北3（张家口）

14.88

德国（法兰克福）

14.28

美国（弗吉尼亚）

15.72

美国（硅谷）

ecs.gn5-c8g1.4xlarge

16vcpu+120GB+2*P100

16

120

31.68

  • 中国（香港）

  • 印度（孟买）

33.36

  • 新加坡

  • 印度尼西亚（雅加达）

33.84

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华北6（乌兰察布）

30.48

华北3（张家口）

29.76

德国（法兰克福）

28.62

美国（弗吉尼亚）

31.5

美国（硅谷）

ecs.gn5-c28g1.7xlarge

28vcpu+112GB+1*P100

28

112

24.6

印度（孟买）

24

  • 新加坡

  • 印度尼西亚（雅加达）

26.28

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

22.8

中国（香港）

24.72

德国（法兰克福）

22.62

  • 美国（弗吉尼亚）

  • 美国（硅谷）

ecs.vgn6i-m4-vws.xlarge

4vcpu+23GB+1/4*T4

4

23

3.6

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

ecs.vgn6i-m8-vws.2xlarge

10vcpu+46GB+1/2*T4

10

46

6.48

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

ecs.gn6i-c4g1.xlarge

4vcpu+15GB+1*T4

4

15

9.78

  • 印度（孟买）

  • 新加坡

9.12

印度尼西亚（雅加达）

12.78

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

8.7

中国（香港）

11.52

  • 华北3（张家口）

  • 西南1（成都）

  • 华北6（乌兰察布）

9.06

德国（法兰克福）

8.82

美国（硅谷）

8.58

美国（弗吉尼亚）

ecs.gn6i-c8g1.2xlarge

8vcpu+31GB+1*T4

8

31

11.4

印度（孟买）

11.58

新加坡

10.86

印度尼西亚（雅加达）

15.42

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

10.26

中国（香港）

13.86

  • 华北3（张家口）

  • 西南1（成都）

  • 华北6（乌兰察布）

10.92

德国（法兰克福）

10.32

美国（硅谷）

9.96

美国（弗吉尼亚）

ecs.gn6i-c16g1.4xlarge

16vcpu+62GB+1*T4

16

62

14.7

印度（孟买）

15.24

新加坡

14.22

印度尼西亚（雅加达）

18.06

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

13.5

中国（香港）

16.26

  • 华北3（张家口）

  • 西南1（成都）

  • 华北6（乌兰察布）

14.64

德国（法兰克福）

13.26

美国（硅谷）

12.84

美国（弗吉尼亚）

ecs.gn6i-c24g1.6xlarge

24vcpu+93GB+1*T4

24

93

17.52

印度（孟买）

19.08

新加坡

17.82

印度尼西亚（雅加达）

18.9

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

16.92

中国（香港）

17.04

  • 华北3（张家口）

  • 西南1（成都）

  • 华北6（乌兰察布）

18.48

德国（法兰克福）

16.8

美国（硅谷）

16.32

美国（弗吉尼亚）

ecs.gn6i-c24g1.12xlarge

48vcpu+186GB+2*T4

48

186

35.1

印度（孟买）

38.22

新加坡

35.7

印度尼西亚（雅加达）

37.8

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

33.9

中国（香港）

34.02

  • 华北3（张家口）

  • 西南1（成都）

  • 华北6（乌兰察布）

36.96

德国（法兰克福）

33.66

美国（硅谷）

32.64

美国（弗吉尼亚）

ecs.gn6i-c24g1.24xlarge

96vcpu+372GB+4*T4

96

372

75.6

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

75.54

新加坡

68.04

  • 华北3（张家口）

  • 华北6（乌兰察布）

ecs.gn7i-c8g1.2xlarge

8vcpu+30GB+1*A10

8

30

19.86

新加坡

13.98

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

  • 西南1（成都）

12.6

华北6（乌兰察布）

ecs.gn7i-c16g1.4xlarge

16vcpu+60GB+1*A10

16

60

21.06

新加坡

13.32

华北6（乌兰察布）

14.82

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

  • 西南1（成都）

ecs.gn7i-c32g1.8xlarge

32vcpu+188GB+1*A10

32

188

23.4

新加坡

16.44

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

  • 西南1（成都）

14.82

华北6（乌兰察布）

ecs.gn7i-c32g1.16xlarge

64vcpu+376GB+2*A10

64

376

32.88

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

  • 西南1（成都）

46.74

新加坡

29.58

华北6（乌兰察布）

ecs.gn7i-c32g1.32xlarge

128vcpu+752GB+4*A10

128

752

65.82

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华南2（河源）

  • 西南1（成都）

93.54

新加坡

59.22

华北6（乌兰察布）

ecs.gn6v-c8g1.2xlarge

8vcpu+32GB+1*V100

8

32

33.54

新加坡

29.1

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华北6（乌兰察布）

21.84

华北3（张家口）

20.1

美国（弗吉尼亚）

ecs.gn6v-c8g1.4xlarge

16vcpu+64GB+2*V100

16

64

58.2

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

  • 华北3（张家口）

  • 华北6（乌兰察布）

67.08

新加坡

ecs.gn6v-c8g1.8xlarge

32vcpu+128GB+4*V100

32

128

116.4

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

87.3

华北3（张家口）

134.22

新加坡

62.88

华北6（乌兰察布）

ecs.gn6v-c8g1.16xlarge

64vcpu+256GB+8*V100

64

256

232.86

华北6（乌兰察布）

ecs.gn6e-c12g1.3xlarge

12vcpu+92GB+1*V100

12

92

30.36

新加坡

21.72

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

19.56

  • 华北3（张家口）

  • 华北6（乌兰察布）

ecs.gn6e-c12g1.12xlarge

48vcpu+368GB+4*V100

48

368

86.88

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

121.38

新加坡

78.18

  • 华北3（张家口）

  • 华北6（乌兰察布）

ecs.gn6e-c12g1.24xlarge

96vcpu+736GB+8*V100

96

736

173.7

  • 华北2（北京）

  • 华东1（杭州）

  • 华东2（上海）

  • 华南1（深圳）

242.76

新加坡

156.36

  • 华北3（张家口）

  • 华北6（乌兰察布）

ecs.gn7-c12g1.3xlarge

12vcpu+95GB+1*GU50

12

95

34.74

  • 华北2（北京）

  • 华东2（上海）

31.26

华北6（乌兰察布）

ecs.gn7-c13g1.13xlarge

52vcpu+378GB+4*GU50

52

378

138.96

  • 华北2（北京）

  • 华东2（上海）

125.1

华北6（乌兰察布）

ecs.gn7-c13g1.26xlarge

104vcpu+756GB+8*GU50

104

756

277.92

  • 华北2（北京）

  • 华东2（上海）

250.14

华北6（乌兰察布）

ecs.gn7-c13g1.6xlarge

26vcpu+189GB+2*GU50

26

189

69.48

  • 华北2（北京）

  • 华东2（上海）

62.52

华北6（乌兰察布）

ecs.gn7e-c16g1.4xlarge

16vcpu+125GB+1*GU100

16

125

38.22

  • 华北2（北京）

  • 华东2（上海）

34.38

华北6（乌兰察布）

ecs.gn7e-c16g1.8xlarge

32vcpu+250GB+2*GU100

32

250

76.44

  • 华北2（北京）

  • 华东2（上海）

ecs.gn7e-c16g1.16xlarge

64vcpu+500GB+4*GU100

64

500

152.88

  • 华北2（北京）

  • 华东2（上海）

137.58

华北6（乌兰察布）

ecs.gn7e-c16g1.32xlarge

128vcpu+1000GB+8*GU100

128

1000

305.7

  • 华北2（北京）

  • 华东2（上海）

275.16

华北6（乌兰察布）

+
  • 本页导读 （1）
文档反馈
\ No newline at end of file diff --git "a/tests/testdata/data/html_data/\345\244\232\345\252\222\344\275\223\345\210\206\346\236\220\350\256\241\350\264\271\350\257\264\346\230\216.html" "b/tests/testdata/data/html_data/\345\244\232\345\252\222\344\275\223\345\210\206\346\236\220\350\256\241\350\264\271\350\257\264\346\230\216.html" new file mode 100644 index 00000000..673756c6 --- /dev/null +++ "b/tests/testdata/data/html_data/\345\244\232\345\252\222\344\275\223\345\210\206\346\236\220\350\256\241\350\264\271\350\257\264\346\230\216.html" @@ -0,0 +1,101 @@ + + + + + + + + + + + + + + +多媒体分析如何计费,欠费会怎样_人工智能平台 PAI(PAI)-阿里云帮助中心 + + + + + + + + + + +
文档
产品文档
输入文档关键字查找
+首页 + + + +人工智能平台 PAI + + + +产品概述 + + + +产品计费 + + + +场景化解决方案计费说明 + + + +多媒体分析计费说明 +

多媒体分析计费说明

更新时间：
一键部署
产品详情
相关技术圈
我的收藏
+

多媒体分析为您提供包括基础模型服务和高级模型服务等算法识别服务。开通多媒体分析后，根据服务调用量进行收费。本文为您介绍多媒体分析相关的计费规则及计费方式。

计费规则

计费项

计费方式

扣费逻辑

算法服务调用次数

免费额度

每种规格提供200次免费调用的额度。

免费额度-资源包抵扣-后付费

当免费额度和资源包消耗完成后自动转入后付费进行计费。

按量付费（后付费）

按实际用量结算费用，先使用，后付费。

资源包（预付费）

预先购买优惠资源包，在费用结算时，优先从资源包抵扣用量，先购买，后抵扣。

  • 生效及有效期：购买后立即生效，自购买日起一年内有效，过期作废。

  • 抵扣规则：购买资源包后，优先抵扣资源包额度，全部抵扣完后，若仍有超出部分，则自动转为按量付费。

计费方式

预付费资源包

  • 资源包为预付费的抵扣包，是指您根据业务量级预估一次性付费购买相应规格的商品资源包。自购买日起，一年内有效，有效期内产生的计费调用量优先使用资源包抵扣额度，超出有效期未抵扣的资源包额度自动失效。

  • 如果您购买同一服务的多个资源包，将优先使用失效日临近的资源包进行抵扣；如果存在同一服务的多个资源包失效日相同，则会随机选择抵扣资源包。

说明

实际价格以出账账单为准。

使用场景

调用次数

单价（分/次）

总费用（万）

基础模型服务

100万次

0.46

0.46

500万次

0.39

1.95

2000万次

0.32

6.4

高级模型服务

100万次

5.5

5.5

500万次

4.7

23.5

2000万次

3.8

76

模型服务的调用次数消耗

规格

模型服务名称

每次服务消耗

基础模型服务

图像质量评分

1次基础模型服务

人脸属性分析

1次基础模型服务

年龄分析

1次基础模型服务

图像多标签

1次基础模型服务

人像身材修改

1次基础模型服务

图像去水印

1次基础模型服务

AI绘图打标

1次基础模型服务

定制模型服务

N次基础模型服务，具体N的值根据定制模型复杂度有所差异

高级模型服务

图文视频动态分类打标

1次高级模型服务

视频质量评分

1次高级模型服务

视频分类打标

1次高级模型服务

预付费的价格优势

  • 资源包的使用量时限为1年，而后付费享受梯度优惠的推送粒度为1个月。

  • 后付费需要进行阶梯计算以得到最终价格，而预付费则享受一口价优惠。例如，通用图像分析在某一个月内使用2000万次，后付费的价格为8.15万元，而预付费的价格是6.4万元。

按量付费

开通多媒体分析对应的商品服务后，默认采用按量付费的后付费计费方式。后付费即对实际产生的计费调用量进行统计计费扣除，调用量无上限。计费方式为自然月阶梯统计，当调用量到达相应的阶梯时，则按照该阶梯的单价进行计费。次月1日出账。

说明

实际价格以出账账单为准。

使用场景

付费阶梯

单价（分/次）

基础模型服务

0 < 月调用量 ≤ 500万

0.46

500万 < 月调用量 ≤ 2000万

0.39

2000万 < 月调用量

0.32

高级模型服务

0 < 月调用量 ≤ 500万

5.5

500万 < 月调用量 ≤ 2000万

4.7

2000万 < 月调用量

3.8

计费案例

重要

以下计费案例仅供参考，实际费用以您购买的云服务的控制台页面（或购买页面）为准。

预付费资源包计费案例

  • 示例场景描述

    当月调用基础模型服务的总次数中，调用量为2500万次。

  • 费用计算

    调用次数（万次）

    单价（分/次）

    调度费用（万元）

    总计费用

    100

    0.46

    0.46

    本月调用该接口产生的费用为500万×0.39÷100＋2000万×0.32÷100=8.35万元。

    500

    0.39

    1.95

    2000

    0.32

    6.4

按量付费计费案例

  • 示例场景描述

    当月调用基础模型服务的总次数中，需计费的调用量为2500万次。

  • 费用计算

    付费阶梯

    单价

    当前阶梯次数

    阶梯费用

    总计费用

    0 < 月调用量 ≤ 500万

    0.46分/次

    500万次

    2.3万

    本月调用该接口产生的费用为500万×0.46分/次÷100＋1500万×0.39分/次÷100＋500万×0.32分/次÷100=9.75万元。

    500万 < 月调用量 ≤ 2000万

    0.39分/次

    1500万次

    5.85万

    2000万 < 月调用量 ≤ 2500万

    0.32分/次

    500万次

    1.6万

欠费说明

欠费原因

您当前账号余额不足。

  • 预付费：您绑定的续费账户余额不足。

  • 后付费：如果您的账户可用余额小于上一个计费周期的账单金额，阿里云扣费失败后，您将处于欠费状态。

欠费停服说明

  • PAI会以T+1天的形式展示账单，账单出账时间通常在当前计费周期结束后4小时内。当您的账户欠费后，系统会向账号注册手机发送短信通知。

  • 欠费后继续保证PAI服务24小时，欠费24小时后会暂停您的服务，后续您将无法使用相关的算法识别服务。

查看欠费金额

  1. 登录用户中心。

  2. 在首页的待办提醒区域，查看欠费金额。历史未结清

续费说明

如果您希望使用资源包进行抵扣，您可以在多媒体分析页面单击购买次数包进行购买，详情请参见多媒体分析。

退款说明

后付费已发生的费用不予退款。

+
  • 本页导读 （1）
文档反馈
\ No newline at end of file diff --git "a/tests/testdata/data/html_data/\350\201\232\347\261\273\346\250\241\345\236\213\350\257\204\344\274\260.html" "b/tests/testdata/data/html_data/\350\201\232\347\261\273\346\250\241\345\236\213\350\257\204\344\274\260.html" new file mode 100644 index 00000000..447475dc --- /dev/null +++ "b/tests/testdata/data/html_data/\350\201\232\347\261\273\346\250\241\345\236\213\350\257\204\344\274\260.html" @@ -0,0 +1,143 @@ + + + + + + + + + + + + + + + +聚类模型评估_人工智能平台 PAI(PAI)-阿里云帮助中心 + + + + + + + + + + +
文档
产品文档
输入文档关键字查找
+首页 + + + +人工智能平台 PAI + + + +操作指南 + + + +AI开发 + + + +可视化建模（Designer） + + + +组件参考：机器学习 + + + +评估 + + + +聚类模型评估 +

聚类模型评估

更新时间：
一键部署
产品详情
相关技术圈
我的收藏
+

基于原始数据和聚类结果，评估聚类模型的优劣性，从而输出评估指标。

使用限制

仅原PAI-Studio平台支持查看该组件的可视化报告。

背景信息

评估指标Calinski-Harabasz又称VRC（Variance Ratio Criterion），其计算公式如下。VRC公式

参数

描述

SSB

聚类之间的方差，定义如下。SSB其中：

  • k：聚类中心点的数量。

  • mi：聚类的中心点。

  • m：输入数据的均值。

SSW

聚类内的方差，定义如下。SSW其中：

  • k：聚类中心点的数量。

  • x：数据点。

  • ci：第i个聚类。

  • mi：聚类的中心点。

N

记录的总数量。

k

聚类中心点的数量。

组件配置

您可以使用以下任意一种方式，配置聚类模型评估组件参数。

方式一：可视化方式

在Designer工作流页面配置组件参数。

页签

参数

描述

字段设置

参与评估列

参与评估的列名，该参数必须与模型存储的特征列保持一致。

输入为稀疏格式

使用KV格式表示稀疏数据。

kv键间分隔符

默认为英文逗号（,）。

kv键内分隔符

默认为英文冒号（:）。

执行调优

核心数

与参数每个核的内存大小搭配使用，取值范围为正整数。

每个核的内存大小

与参数核心数搭配使用，单位为MB。

方式二：PAI命令方式

使用PAI命令方式，配置该组件参数。您可以使用SQL脚本组件进行PAI命令调用，详情请参见SQL脚本。

PAI -name cluster_evaluation
+    -project algo_public
+    -DinputTableName=pai_cluster_evaluation_test_input
+    -DselectedColNames=f0,f3
+    -DmodelName=pai_kmeans_test_model
+    -DoutputTableName=pai_ft_cluster_evaluation_out;

参数

是否必选

描述

默认值

inputTableName

是

输入表的名称。

无

selectedColNames

否

输入表中，参与评估的列名，多个列以英文逗号（,）分隔。该参数必须与模型存储的特征列保持一致。

所有列

inputTablePartitions

否

输入表中，参与训练的分区。支持以下格式：

  • Partition_name=value

  • name1=value1/name2=value2：多级格式

说明

如果指定多个分区，则使用英文逗号（,）分隔。

全表

enableSparse

否

输入数据是否为稀疏格式，取值范围为{true,false}。

false

itemDelimiter

否

稀疏格式KV对之间的分隔符。

英文逗号（,）

kvDelimiter

否

稀疏格式key和value之间的分隔符。

英文冒号（;）

modelName

是

输入的聚类模型。

无

outputTableName

是

输出表。

无

lifecycle

否

输出表的生命周期。

无

示例

  1. 使用SQL语句，生成测试数据。

    create table if not exists pai_cluster_evaluation_test_input as
+select * from
+(
+  select 1 as id, 1 as f0,2 as f3 from dual
+  union all
+  select 2 as id, 1 as f0,3 as f3 from dual
+  union all
+  select 3 as id, 1 as f0,4 as f3 from dual
+  union all
+  select 4 as id, 0 as f0,3 as f3 from dual
+  union all
+  select 5 as id, 0 as f0,4 as f3 from dual
+)tmp;

  2. 使用PAI命令，构建聚类模型（以K均值聚类为例）。

    PAI -name kmeans
+    -project algo_public
+    -DinputTableName=pai_cluster_evaluation_test_input
+    -DselectedColNames=f0,f3
+    -DcenterCount=3
+    -Dloop=10
+    -Daccuracy=0.00001
+    -DdistanceType=euclidean
+    -DinitCenterMethod=random
+    -Dseed=1
+    -DmodelName=pai_kmeans_test_model
+    -DidxTableName=pai_kmeans_test_idx

  3. 使用PAI命令，提交聚类模型评估组件的参数。

    PAI -name cluster_evaluation
+    -project algo_public
+    -DinputTableName=pai_cluster_evaluation_test_input
+    -DselectedColNames=f0,f3
+    -DmodelName=pai_kmeans_test_model
+    -DoutputTableName=pai_ft_cluster_evaluation_out;

  4. 查看评估输出表pai_ft_cluster_evaluation_out，其可视化报告如下图所示。统计结果表中各字段含义如下。

    表字段

    描述

    count

    总记录数。

    centerCount

    聚类中心数。

    calinhara

    Calinski Harabasz指标。

+
  • 本页导读 （1）
文档反馈
\ No newline at end of file