Gérer et augmenter les quotas et les limites de ressources avec Azure Machine Learning

Article
12/06/2023

Azure utilise des quotas et des limites pour éviter les dépassements de budget dus à la fraude et pour respecter les contraintes de capacité d’Azure. Tenez compte de ces limites lors de la mise à l’échelle des charges de travail de production. Cet article porte sur les points suivants :

Limites par défaut des ressources Azure relatives à Azure Machine Learning.
Création de quotas au niveau de l’espace de travail.
Consultation de vos quotas et limites.
Demande d’augmentations de quota.

En plus de la gestion des quotas et des limites, vous pouvez également apprendre à planifier et gérer les coûts pour Azure Machine Learning ou découvrir les limites de service dans Azure Machine Learning.

Considérations spéciales

Des quotas sont appliqués à chaque abonnement de votre compte. Si vous disposez de plusieurs abonnements, vous devez demander une augmentation de quota pour chaque abonnement.
Un quota est une limite de crédit sur les ressources Azure, pas une garantie de capacité. Si vous avez des besoins de capacité à grande échelle, contactez le support Azure pour augmenter votre quota.
Un quota est partagé entre tous les services de vos abonnements, y compris Azure Machine Learning. Calculez l’utilisation sur tous les services lorsque vous évaluez la capacité.

Remarque

Le calcul Azure Machine Learning est une exception. Il dispose d’un quota distinct du quota de calcul principal.
Les limites par défaut varient selon le type de catégorie d’offre, comme Essai gratuit ou Paiement à l’utilisation, et selon la gamme de machine virtuelle (Dv2, F et G).

Quotas et limites de ressources par défaut

Dans cette section, vous découvrirez les quotas et limites par défaut et maximum pour les ressources suivantes :

Ressources Azure Machine Learning
Calculs Azure Machine Learning (y compris Spark serverless)
Quotas partagés Azure Machine Learning
Points de terminaison en ligne Azure Machine Learning (gérés et Kubernetes) et du lot des points de terminaison
Pipelines Azure Machine Learning
Intégration d’Azure Machine Learning avec Synapse
Machines virtuelles
Azure Container Instances
Stockage Azure

Important

Les limites sont susceptibles d’être modifiées. Pour obtenir les informations les plus récentes, consultez Limites de service dans Azure Machine Learning.

Ressources Azure Machine Learning

Les limites suivantes s’appliquent aux ressources pour chaque espace de travail.

Ressource	Limite maximale
Groupes de données	10 millions
Exécutions	10 millions
Modèles	10 millions
Composant	10 millions
Artifacts	10 millions

En outre, la durée d’exécution maximale est de 30 jours, et le nombre de métriques journalisées par exécution maximal est de 1 million.

Capacité de calcul Azure Machine Learning

La capacité de calcul Machine Learning Azure a une limite de quota par défaut sur le nombre de cœurs et le nombre de ressources de calcul uniques autorisées par région dans un abonnement.

Remarque

Le quota sur le nombre de cœurs est réparti entre chaque famille de machines virtuelles et le nombre total cumulé de cœurs.
Le quota sur le nombre de ressources de calcul uniques par région est distinct du quota de cœurs par machine virtuelle, car il s’applique uniquement aux ressources de calcul managées d’Azure Machine Learning.

Pour augmenter les limites des éléments suivants, demandez une augmentation de quota :

Quotas de cœurs par famille de machines virtuelles. Pour en savoir plus sur la famille de machines virtuelles pour laquelle demander une augmentation de quota, consultez Tailles des machines virtuelles dans Azure. Par exemple, le nom des familles de machines virtuelles GPU commence par un « N » (comme la série NCv3).
Quota de cœurs par abonnement
Quota de cluster
Autres ressources de cette section

Ressources disponibles :

Les cœurs dédiés par région ont une limite par défaut comprise entre 24 et 300 ressources en fonction du type de votre offre d’abonnement. Vous pouvez augmenter le nombre de cœurs dédiés par abonnement pour chaque famille de machines virtuelles. Les familles de machines virtuelles spécialisées comme NCv2, NCv3 ou ND ont une valeur initiale par défaut de zéro cœur. Les GPU ont également une valeur initiale par défaut de zéro cœur.
Les cœurs basse priorité par région ont une limite par défaut de 100 à 3 000, en fonction de votre type d’offre d’abonnement. Le nombre de cœurs basse priorité par abonnement peut être augmenté et représente une valeur unique entre les familles de machines virtuelles.
La limite de calcul totale par région a une limite par défaut de 500 par région au sein d’un abonnement donné et peut être augmentée jusqu’à une valeur maximale de 2500 par région. Cette limite est partagée entre les clusters de formation, les instances de calcul et les déploiements de points de terminaison en ligne managés. Une instance de calcul est considérée comme un cluster à nœud unique à des fins de quota.

Le tableau suivant présente plus de limites dans la plateforme. Pour demander une exception, contactez l’équipe produit Azure Machine Learning par le biais d’un ticket de support technique.

Ressource ou action	Limite maximale
Espaces de travail par groupe de ressources	800
Nœuds d’un cluster de calcul Azure Machine Learning (AmlCompute) unique configurés en tant que pool qui n’est pas compatible avec la communication (c’est-à-dire qui ne peut pas exécuter de travaux MPI)	100 nœuds, mais configurable jusqu’à 65 000 nœuds
Nœuds dans une exécution d’étape d’exécution parallèle unique sur un cluster de calcul Azure Machine Learning (AmlCompute)	100 nœuds, mais configurable jusqu’à 65 000 nœuds si votre cluster est configuré pour une mise à l’échelle comme indiqué précédemment
Nœuds d’un cluster de calcul Azure Machine Learning (AmlCompute) unique configurés en tant que pool compatible avec la communication	300 nœuds, mais configurable jusqu’à 4 000 nœuds
Nœuds d’un cluster de calcul Azure Machine Learning (AmlCompute) unique configurés en tant que pool compatible avec la communication sur une famille de machines virtuelles compatible RDMA	100 nœuds
Nœuds dans une exécution MPI unique sur un cluster de calcul Azure Machine Learning (AmlCompute)	100 nœuds
Durée de vie du travail	21 jours¹
Durée de vie du travail sur un nœud basse priorité	7 jours²
Serveurs de paramètres par nœud	1

¹ La durée de vie maximale est la durée entre le début et la fin d’un travail. Les travaux terminés sont conservés indéfiniment. Les données des travaux non terminés pendant la durée de vie maximale ne sont pas accessibles.

² Les travaux sur un nœud basse priorité doivent être vidés au préalable chaque fois qu’il existe une contrainte de capacité. Nous vous recommandons d’implémenter des points de contrôle dans votre travail.

Quotas partagés Azure Machine Learning

Azure Machine Learning fournit un pool de quotas partagés qui peut être utilisé simultanément par différents utilisateurs dans différentes régions. En fonction de la disponibilité, les utilisateurs peuvent accéder temporairement au quota depuis le pool partagé et utiliser ce quota pour effectuer des tests pendant une durée limitée. La durée spécifique dépend du cas d’usage. En utilisant temporairement le quota du pool de quotas, vous n’avez plus besoin de créer de ticket de support pour une augmentation de quota à court terme ou d’attendre que votre demande de quota soit approuvée avant de pouvoir poursuivre votre charge de travail.

L’utilisation du pool de quotas partagés est disponible pour l’exécution de tâches Spark et pour tester l’inférence pour les modèles Llama-2, Phi, Nemotron, Mistral, Dolly et Deci-DeciLM à partir du catalogue de modèles. Vous ne devez utiliser les quotas partagés que pour créer des points de terminaison de test temporaires, et non des points de terminaison de production. Pour les points de terminaison en production, vous devez demander un quota dédié en soumettant un ticket de support. La facturation du quota partagé est basée sur l’utilisation, tout comme la facturation pour les familles de machines virtuelles dédiées. Pour refuser le quota partagé pour des travaux Spark, remplissez ce formulaire.

Points de terminaison en ligne et points de terminaison par lots d’Azure Machine Learning

Les points de terminaison en ligne et les points de terminaison par lots d’Azure Machine Learning ont des limites de ressources décrites dans le tableau suivant.

Important

Ces limites sont régionales, ce qui signifie que vous pouvez atteindre ces limites pour chaque région que vous utilisez. Par exemple, si votre limite actuelle pour le nombre de points de terminaison par abonnement est de 100, vous pouvez créer 100 points de terminaison dans la région Est des États-Unis, 100 points de terminaison dans la région Ouest des États-Unis et 100 points de terminaison dans chacune des autres régions prises en charge dans un seul abonnement. Le même principe s’applique à toutes les autres limites.

Pour déterminer l’utilisation actuelle d’un point de terminaison, affichez les métriques.

Pour demander une exception à l’équipe produit d’Azure Machine Learning, utilisez les étapes décrites dans Augmentations de limite du point de terminaison.

Ressource	Limite ¹	Autorise l’exception	S’applique à
Nom du point de terminaison	Les noms des points de terminaison doivent Commencer par une lettre Comporter entre 3 et 32 caractères Comprendre uniquement des lettres et des chiffres ² Pour le point de terminaison Kubernetes, le nom du point de terminaison et le nom du déploiement doivent être de 3 à 62 caractères de longueur totale	-	Tous les types de points de terminaison³
Nom du déploiement	Les noms des déploiements doivent Commencer par une lettre Comporter entre 3 et 32 caractères Comprendre uniquement des lettres et des chiffres ² Pour le point de terminaison Kubernetes, le nom du point de terminaison et le nom du déploiement doivent être de 3 à 62 caractères de longueur totale	-	Tous les types de points de terminaison³
Nombre de points de terminaison par abonnement	100	Oui	Tous les types de points de terminaison³
Nombre de points de terminaison par cluster	60	-	Point de terminaison en ligne Kubernetes
Nombre de déploiements par abonnement	500	Oui	Tous les types de points de terminaison³
Nombre de déploiements par point de terminaison	20	Oui	Tous les types de points de terminaison³
Nombre de déploiements par cluster	100	-	Point de terminaison en ligne Kubernetes
Nombre d’instances par déploiement	50 ⁴	Oui	Point de terminaison en ligne managé
Délai d’expiration maximal des requêtes au niveau du point de terminaison	180 secondes	-	Point de terminaison en ligne managé
Délai d’expiration maximal des requêtes au niveau du point de terminaison	300 secondes	-	Point de terminaison en ligne Kubernetes
Nombre total de requêtes par seconde au niveau du point de terminaison pour tous les déploiements	500 ⁵	Oui	Point de terminaison en ligne managé
Nombre total de connexions par seconde au niveau du point de terminaison pour tous les déploiements	500 ⁵	Oui	Point de terminaison en ligne managé
Nombre total de connexions actives au niveau du point de terminaison pour tous les déploiements	500 ⁵	Oui	Point de terminaison en ligne managé
Bande passante totale au niveau du point de terminaison pour tous les déploiements	5 MBPS ⁵	Oui	Point de terminaison en ligne managé

¹ Il s’agit d’une limite régionale. Par exemple, si la limite actuelle du nombre de points de terminaison est de 100, vous pouvez créer 100 points de terminaison dans la région Est des États-Unis, 100 points de terminaison dans la région Ouest des États-Unis et 100 points de terminaison dans chacune des autres régions prises en charge dans le cadre d’un seul abonnement. Le même principe s’applique à toutes les autres limites.

² Les tirets simples, comme dans my-endpoint-name, sont acceptés dans les noms des points de terminaison et des déploiements.

³ Les points de terminaison et les déploiements peuvent être de types différents, mais les limites s’appliquent à la somme de tous les types. Par exemple, la somme des terminaux en ligne gérés, des points de terminaison en ligne Kubernetes et des lots de points de terminaison sous chaque abonnement ne peut pas dépasser 100 par région par défaut. De même, la somme des déploiements en ligne gérés, des déploiements en ligne Kubernetes et des déploiements par lots sous chaque abonnement ne peut pas dépasser 500 par région par défaut.

⁴ Nous réservons 20 % de ressources informatiques supplémentaires pour effectuer les mises à niveau. Par exemple, si vous demandez 10 instances dans un déploiement, vous devez disposer d’un quota pour 12. Sinon, vous recevez une erreur. Certaines références SKU de machine virtuelle sont exemptées d’un quota supplémentaire. Voir Allocation de quota du nombre de machines virtuelles pour le déploiement pour en savoir plus.

⁵ Les requêtes par seconde, les connexions, la bande passante, etc. sont liées. Si vous demandez une augmentation pour l’une de ces limites, veillez à estimer/calculer d’autres limites associées ensemble.

Pipelines Azure Machine Learning

Les pipelines Azure Machine Learning ont les limites suivantes.

Ressource	Limite
Étapes d’un pipeline	30,000
Espaces de travail par groupe de ressources	800

Planifications des travaux Azure Machine Learning

Les planifications des travaux Azure Machine Learning ont les limites suivantes.

Ressource	Limite
Planifications par région	100

Intégration d’Azure Machine Learning avec Synapse

Azure Machine Learning serverless Spark offre un accès facile à une fonctionnalité de calcul distribué pour la mise à l’échelle des travaux Apache Spark. Spark serverless utilise le même quota dédié que la Capacité de calcul Machine Learning Azure. Ces limites de quota peuvent être augmentées en soumettant un ticket de support et en demandant une augmentation du quota et des limites pour la série ESv3 sous la catégorie « Service Machine Learning : Quota du nombre d’ordinateurs virtuels ».

Pour afficher l’utilisation des quotas, accédez à Machine Learning Studio et sélectionnez le nom de l’abonnement pour lequel vous souhaitez voir l’utilisation. Dans le panneau gauche, sélectionnez « Quota ».

Machines virtuelles

Chaque abonnement Azure est limité quant au nombre de machines virtuelles entre tous les services. Une limite totale régionale et une limite régionale par gamme de taille s’appliquent aux cœurs de machine virtuelle. Les deux limites sont appliquées séparément.

Par exemple, considérons un abonnement dont le nombre total limite de cœurs de machine virtuelle est de 30 pour la région USA Est, de 30 pour la gamme A et de 30 pour la gamme D. Cet abonnement serait autorisé à déployer 30 machines virtuelles A1, ou 30 machines virtuelles D1, ou encore une combinaison de ces deux types de machines dans la limite de 30 cœurs au total.

Vous ne pouvez pas augmenter les limites des machines virtuelles au-delà des valeurs indiquées dans le tableau suivant.

Ressource	Limite
Abonnements Azure associés à un tenant Microsoft Entra	Illimité
Coadministrateurs par abonnement	Illimité
Groupes de ressources par abonnement	980
Taille de la requête d’API Resource Manager	4 194 304 octets
Balises par abonnement¹	50
Calculs de balise unique par abonnement²	80 000
Déploiements de niveau d’abonnement par emplacement	800³
Emplacements de déploiements de niveau d’abonnement	10

¹Vous pouvez appliquer jusqu’à 50 étiquettes directement à un abonnement. Dans l’abonnement, chaque ressource ou groupe de ressources est également limité à 50 balises. L’abonnement peut toutefois contenir un nombre illimité de balises dispersées entre les ressources et les groupes de ressources.

²Resource Manager retourne une liste comportant le nom de balise et les valeurs de balise de l’abonnement uniquement lorsque le nombre de balises uniques est inférieur ou égal à 80 000. Une balise unique est définie par la combinaison d’un ID de ressource, d’un nom de balise et d’une valeur de balise. Par exemple, deux ressources avec les mêmes nom et valeur de balise seraient calculées sous la forme de deux balises uniques. Vous pouvez toujours trouver une ressource par balise quand le nombre de balises est supérieur à 80 000.

³Quand vous approchez de la limite, les déploiements sont automatiquement supprimés de l’historique. Pour plus d’informations, consultez Suppressions automatiques de l’historique de déploiement.

Container Instances

Pour plus d’informations, consultez Limites de Container Instances.

Stockage

Stockage Azure a une limite de 250 comptes de stockage par région et par abonnement. Cette limite comprend à la fois les comptes de stockage Standard et Premium.

Quotas au niveau de l’espace de travail

Utilisez des quotas au niveau de l’espace de travail pour l’allocation cible de capacité de calcul Azure Machine Learning entre plusieurs espaces de travail dans le même abonnement.

Par défaut, tous les espaces de travail partagent le même quota que le quota au niveau de l’abonnement pour toutes les familles de machines virtuelles. Toutefois, vous pouvez définir un quota maximal pour les familles de machines virtuelles individuelles dans les espaces de travail d’un abonnement. Les quotas pour les familles de machines virtuelles individuelles vous permettent de partager la capacité et d’éviter les problèmes de contention de ressources.

Accédez à n’importe quel espace de travail dans votre abonnement.
Dans le volet gauche, sélectionnez Utilisation + quotas.
Sélectionnez l’onglet Configurer les quotas pour afficher les quotas.
Développez une famille de machines virtuelles.
Définissez une limite de quota sur un espace de travail répertorié sous cette famille de machines virtuelles.

Vous ne pouvez pas définir une valeur négative ou une valeur supérieure au quota au niveau de l’abonnement.

Notes

Vous avez besoin d’autorisations de niveau abonnement pour définir un quota au niveau de l’espace de travail.

Afficher les quotas dans le studio

Lorsque vous créez une ressource de calcul, par défaut, vous voyez uniquement des tailles de machine virtuelle pour lesquelles vous avez déjà un quota à utiliser. Basculez l’affichage sur Sélectionner à partir de toutes les options.
Faites défiler jusqu’à ce que vous voyiez la liste des tailles de machine virtuelle pour lesquelles vous n’avez pas de quota.
Utilisez le lien pour accéder directement à la demande de support client en ligne pour plus de quota.

Afficher votre utilisation et vos quotas dans le portail Azure

Pour afficher votre quota pour différentes ressources Azure telles que les machines virtuelles, le stockage ou le réseau, utilisez le portail Azure :

Dans le volet gauche, sélectionnez Tous les services, puis Abonnements sous la catégorie Général.
Dans la liste des abonnements, sélectionnez celui dont vous recherchez le quota.
Sélectionnez Utilisation + quotas pour afficher l’utilisation et les limites de quota actuelles. Utilisez les filtres pour sélectionner le fournisseur et les emplacements.

Vous gérez le quota de capacité de calcul Azure Machine Learning sur votre abonnement séparément des autres quotas Azure :

Dans le portail Azure, accédez à votre espace de travail Azure Machine Learning.
Dans le volet de gauche, sous la section Prise en charge + détection des problèmes, sélectionnez Utilisation + quotas pour afficher vos limites de quota et votre utilisation actuelles.

Sélectionnez un abonnement pour afficher les limites de quota. Filtrez sur la région qui vous intéresse.
Vous pouvez basculer entre une vue au niveau de l’abonnement et une vue au niveau de l’espace de travail.

Requête d’augmentations de quota et de limite

L’augmentation du quota de machines virtuelles consiste à augmenter le nombre de cœurs par famille de machines virtuelles par région. L’augmentation de la limite de point de terminaison consiste à augmenter les limites spécifiques au point de terminaison par abonnement par région. Veillez à choisir la catégorie appropriée lorsque vous soumettez la requête d’augmentation de quota, comme décrit dans la section suivante.

Augmentation des quotas de VM

Pour augmenter la limite du quota de machine virtuelle Azure Machine Learning au-dessus de la limite par défaut, vous pouvez demander une augmentation de quota à partir de la vue Utilisation + quotas ci-dessus ou soumettre une requête d'augmentation de quota à partir du studio Azure Machine Learning.

Accédez à la page Utilisation + quotas en suivant les instructions ci-dessus. Affichez les limites de quota actuelles. Sélectionnez la référence SKU pour laquelle vous souhaitez demander une augmentation.

Indiquez le quota que vous souhaitez augmenter et la nouvelle valeur limite. Enfin, sélectionnez Envoyer pour continuer.

Augmentations de limite des points de terminaison

Pour augmenter les limites des points de terminaison, ouvrez une requête d’assistance client en ligne. Lorsque vous demandez une augmentation de limite de point de terminaison, fournissez les informations suivantes :

Lors de l'ouverture de la requête d'assistance, sélectionnez Limites de service et d'abonnement (quotas) comme type de problème.
Sélectionnez l’abonnement de votre choix.
Sélectionnez Machine Learning Service : limites de point de terminaison comme type de quota.
Sous l’ onglet Détails supplémentaires , vous devez fournir des raisons détaillées de l’augmentation de la limite pour que votre requête soit traitée. Sélectionnez Entrer les détails, puis indiquez la limite que vous souhaitez augmenter et la nouvelle valeur pour chaque limite, la raison de la requête d’augmentation de la limite et le(s) emplacement(s) où vous avez besoin de l’augmentation de la limite. Veillez à ajouter les informations suivantes dans la raison de l’augmentation de limite :
1. Description de votre scénario et de votre charge de travail (par exemple, texte, image, etc.).
2. Justification de l’augmentation demandée.
  1. Fournissez le débit cible et son modèle (QPS moyen/maximal, utilisateurs simultanés).
  2. Fournissez la latence cible à grande échelle et la latence actuelle que vous observez avec une seule instance.
  3. Fournissez la référence SKU de machine virtuelle et le nombre d’instances au total pour prendre en charge le débit et la latence cibles. Indiquez le nombre de points de terminaison/déploiements/instances que vous envisagez d’utiliser dans chaque région.
  4. Vérifiez si vous avez un test d’évaluation qui indique la référence SKU de machine virtuelle sélectionnée et le nombre d’instances qui répondent à vos besoins en débit et en latence.
  5. Indiquez le type de la charge utile et de la taille d’une charge utile unique. La bande passante réseau doit s’aligner sur la taille et les requêtes de charge utile par seconde.
  6. Fournissez un plan de temps planifié (lorsque vous avez besoin de limites accrues : fournissez un plan intermédiaire si possible) et vérifiez si (1) le coût de l’exécution à cette échelle est reflété dans votre budget et (2) les références SKU de machine virtuelle cible sont approuvées.
Enfin, sélectionnez Enregistrer et continuer pour continuer.