Erőforrások kvótáinak és korlátainak kezelése és növelése az Azure Machine Learning használatával

Az Azure kvótákat és korlátokat használ a csalás miatti költségvetési túllépések megelőzésére és az Azure kapacitáskorlátainak betartására. Vegye figyelembe ezeket a korlátokat a számítási feladatokra való skálázáskor. Ebben a cikkben a következő tudnivalókat ismerheti meg:

• Az Azure Machine Learninghez kapcsolódó Azure-erőforrások alapértelmezett korlátai.
• Munkaterületszintű kvóták létrehozása.
• A kvóták és a korlátok megtekintése.
• Kvótanövelés kérése.

A kvóták és korlátok kezelése mellett megtudhatja, hogyan tervezheti meg és kezelheti az Azure Machine Learning költségeit, vagy megismerheti az Azure Machine Learning szolgáltatáskorlátait.

Különleges megfontolások

• A kvóták a fiók minden egyes előfizetésére vonatkoznak. Ha több előfizetéssel rendelkezik, minden előfizetéshez kvótanövelést kell kérnie.

• A kvóta az Azure-erőforrások kreditkorlátja , nem kapacitásgarancia. Nagyobb léptékű kapacitásigény esetén lépjen kapcsolatba az Azure ügyfélszolgálatával a kvótanöveléshez.

• A kvóta az előfizetések összes szolgáltatása között meg van osztva, beleértve az Azure Machine Learninget is. A kapacitás felmérése során a használatot az összes szolgáltatás figyelembevételével számolja ki.

  Megjegyzés

  Az Azure Machine Learning-számítás egy kivétel. Az alapvető számítási kvótától eltérő kvótával rendelkezik.

• Az alapértelmezett korlátok ajánlatkategória-típusonként változnak, például ingyenes próbaverzió, Standard és virtuálisgép-sorozat (például Dv2, F és G).

Alapértelmezett erőforráskvóták és korlátok

Ez a szakasz az alábbi erőforrások alapértelmezett és maximális kvótáinak és korlátainak leírását ismerteti:

• Azure Machine Learning-eszközök
• Azure Machine Learning-számítások (beleértve a kiszolgáló nélküli Sparkot is)
• Az Azure Machine Learning megosztott kvótája
• Azure Machine Learning online végpontok (felügyelt és Kubernetes) és kötegelt végpontok
• Azure Machine Learning-folyamatok
• Virtual machines (Virtuális gépek)
• Azure Container Instances
• Azure Storage

Fontos

A korlátok változhatnak. A legfrissebb információkért tekintse meg az Azure Machine Learning szolgáltatáskorlátait.

Azure Machine Learning-eszközök

Az eszközökre vonatkozó alábbi korlátozások munkaterületenként érvényesek.

Erőforrás	Maximális korlát
Adathalmazok	10 millió
Futtatások	10 millió
Modellek	10 millió
Összetevő	10 millió
Műtárgyak	10 millió

A maximális futtatási idő 30 nap, a futtatásonként naplózott metrikák maximális száma pedig 1 millió.

Azure gépi tanulási számítás

Az Azure Machine Learning Compute alapértelmezett kvótakorlátokkal rendelkezik mind a magok számára, mind az előfizetések régiónként engedélyezett egyedi számítási erőforrásaira vonatkozóan.

Megjegyzés

• A magok számára vonatkozó kvótát az egyes VM-családokra és a magok teljes összege alapján osztják fel.
• A régiónkénti egyedi számítási erőforrások számának kvótája eltér a virtuális gép magkvótajától, mivel csak az Azure Machine Learning felügyelt számítási erőforrásaira vonatkozik.

A következő elemek korlátainak növeléséhez kérjen kvótanövelést:

• Virtuálisgép-családok magkvótái. Ha többet szeretne megtudni arról, hogy mely virtuálisgép-család igényel kvótanövelést, tekintse meg az Azure-beli virtuálisgép-méreteket. A GPU virtuálisgép-családok például egy "N" betűvel kezdődnek a család nevében (például a NCasT4_v3 sorozatban).
• Összes előfizetési alapkvóta
• Fürtkvóta
• A szakasz egyéb erőforrásai

Elérhető erőforrások:

• A régiónkénti dedikált magok alapértelmezett korlátja 24 és 300 között van az előfizetési ajánlat típusának függvényében. A dedikált magok számát előfizetésenként és virtuálisgép-családonként növelheti. A speciális virtuálisgép-családok, például a NCasT4_v3, a NC_A100_v4 vagy az NDv2 sorozat alapértelmezés szerint nulla maggal kezdődnek. A GPU-k alapértelmezett magszáma is nulla.

• A régiónkénti alacsony prioritású magok alapértelmezett korlátja 100 és 3000 között van az előfizetési ajánlat típusának függvényében. Előfizetésenként növelheti az alacsony prioritású magok számát. Ez a korlát egyetlen érték, amely minden virtuálisgép-családra egységesen vonatkozik.

• A régiónkénti teljes számítási korlát alapértelmezett korlátja 500 régiónként egy adott előfizetésen belül. Ezt a korlátot régiónként legfeljebb 2500-ra növelheti. Ez a korlát a betanítási klaszterek, a számítási példányok és a felügyelt online végpontok telepítései között közös. Egy számítási példány kvóta szempontjából egycsomópontos fürtnek minősül.

Az alábbi táblázat a platform további korlátait mutatja be. Kivétel kérelmezéséhez lépjen kapcsolatba az Azure Machine Learning termékcsapatával egy technikai támogatási kérelem benyújtásával.

Erőforrás vagy művelet	Maximális korlát
Munkaterületek erőforráscsoportonként	nyolcszáz
Egyetlen Azure Machine Learning számítási erőforrásként szolgáló (AmlCompute) fürt csomópontjai kommunikációt nem támogató készletként vannak beállítva (vagyis nem tudnak MPI-feladatokat futtatni)	100 csomópont, de legfeljebb 65 000 csomópont konfigurálható
Egyetlen párhuzamos futtatási lépés csomópontjai egy Azure Machine Learning-számítási (AmlCompute) fürtön futnak	100 csomópont, de legfeljebb 65 000 csomópont konfigurálható, ha a fürt a korábban említett méretezésre van beállítva
Kommunikációbarát készletként beállított egyetlen Azure Machine Learning-számítási (AmlCompute) fürt csomópontjai	300 csomópont, de legfeljebb 4000 csomópont konfigurálható
Egyetlen Azure Machine Learning számítási (AmlCompute) fürt csomópontjai kommunikációra képes készletként vannak beállítva egy RDMA-kompatibilis virtuálisgép-családban	100 csomópont
Egyetlen MPI-csomópont fut egy Azure Machine Learning-számítási (AmlCompute) fürtön	100 csomópont
Feladat élettartama	21 nap1
Feladat élettartama alacsony prioritású csomóponton	7 nap2
Paraméterkiszolgálók csomópontonként	1

¹ A maximális élettartam a feladatok elindulása és befejezése közötti időtartam. A befejezett feladatok határozatlan ideig megmaradnak. A maximális élettartamon belül nem befejezett feladatok adatai nem érhetők el.

² Az alacsony prioritású csomópontokon lévő feladatok előre kivehetők, ha kapacitáskorlátozás van. Ellenőrzőpontok implementálása a feladatban.

Megosztott Azure Machine Learning-kvóta

Az Azure Machine Learning egy megosztott kvótakészletet biztosít, amelyet a különböző régiók felhasználói a rendelkezésre állástól függően korlátozott ideig végezhetnek el a teszteléshez. A megadott időtartam a használati esettől függ. A kvótakészlet kvótájának ideiglenes használatával többé nem kell támogatási jegyet nyitnia rövid távú kvótanövelésért, illetve megvárnia a kvótakérelme jóváhagyását ahhoz, hogy folytathassa a munkaterhelést.

A megosztott kvótakészletet a Spark-feladatok futtatásához és a modellkatalógus modelljeinek következtetésének teszteléséhez használhatja rövid időre. Mielőtt a megosztott kvótán keresztül üzembe helyezheti ezeket a modelleket, Nagyvállalati Szerződés előfizetéssel kell rendelkeznie. A megosztott kvótának az online végpontok üzembe helyezéséhez való használatával kapcsolatos további információkért lásd : Alapmodellek üzembe helyezése a studióval.

A megosztott kvótát csak ideiglenes tesztvégpontok létrehozására használja, éles végpontok nem. Éles végpontok esetén támogatási jegy beadásával igényeljen dedikált kvótát. A megosztott kvóták számlázása használatalapú, csakúgy, mint a dedikált virtuálisgép-családok számlázása. A Spark-feladatok megosztott kvótájának letiltásához töltse ki az Azure Machine Learning megosztott kapacitásfoglalásának letiltási űrlapját.

Azure Machine Learning online végpontok és batchvégpontok

Az Azure Machine Learning online végpontjai és kötegvégpontjai az alábbi táblázatban ismertetett erőforráskorlátokkal rendelkeznek.

Fontos

Ezek a korlátok regionálisak, ami azt jelenti, hogy ezeket a korlátokat minden egyes használt régióhoz használhatja. Ha például az előfizetésenkénti végpontok számának jelenlegi korlátja 100, akkor létrehozhat 100 végpontot az USA keleti régiójában, 100 végpontot az USA nyugati régiójában, és 100 végpontot egyetlen előfizetésben a többi támogatott régióban. Ugyanez az elv vonatkozik az összes többi korlátra is.

A végpont aktuális használatának meghatározásához tekintse meg a metrikákat.

Ha kivételt szeretne kérni az Azure Machine Learning termékcsapatától, használja a végpontkorlát növelésének lépéseit.

Erőforrás	Korlát 1	Kivétel engedélyezése	A következőkre vonatkozik
Végpont neve	A végpontneveknek kötelező Betűvel kell kezdődni Legyen 3-32 karakter hosszú Csak betűkből és számokból 2 állhat Kubernetes-végpont esetén a végpont nevének és az üzembe helyezés nevének összesen 6–62 karakter hosszúságúnak kell lennie	-	Minden végponttípus 3
Telepítés neve	A telepítési neveknek Kezdje betűvel Legyen 3-32 karakter hosszú Csak betűkből és számokból áll 2 Kubernetes-végpont esetén a végpont nevének és az üzembe helyezés nevének összesen 6–62 karakter hosszúságúnak kell lennie	-	Minden végponttípus 3
Végpontok száma előfizetésenként	100	Igen	Minden végponttípus 3
Végpontok száma fürtönként	60	-	Kubernetes online végpont
Üzembe helyezések száma előfizetésenként	ötszáz	Igen	Minden végponttípus 3
Üzembe helyezések száma végpontonként	20	Igen	Minden végponttípus 3
Telepítések száma fürtönként	100	-	Kubernetes online végpont
Példányok száma telepítésenként	50 4	Igen	Felügyelt online végpont
Kérések maximális várakozási ideje végpontszinten	180 másodperc 5	-	Felügyelt online végpont
Kérés maximális időkorlátja végpontszinten	300 másodperc	-	Kubernetes online végpont
Összes kérelem másodpercenként végpontszinten az összes üzembe helyezéshez	500 6	Igen	Felügyelt online végpont
Összes kapcsolat másodpercenként végpontszinten az összes üzembe helyezéshez	500 6	Igen	Felügyelt online végpont
Végpontszinten aktív összes kapcsolat az összes üzembe helyezéshez	500 6	Igen	Felügyelt online végpont
Teljes sávszélesség végpontszinten az összes üzembe helyezéshez	5 MBPS 6	Igen	Felügyelt online végpont

¹ Ez egy regionális korlát. Ha például a végpontok számának jelenlegi korlátja 100, akkor létrehozhat 100 végpontot az USA keleti régiójában, 100 végpontot az USA nyugati régiójában, és 100 végpontot egyetlen előfizetésben a többi támogatott régióban. Ugyanez az elv vonatkozik az összes többi korlátra is.

^Az végpont- és telepítési nevekben az egy kötőjelet my-endpoint-name elfogadjuk.

³ A végpontok és az üzemelő példányok különböző típusúak lehetnek, de a korlátozások az összes típus összegére vonatkoznak. Például a felügyelt online végpontok, a Kubernetes online végpontja és a kötegelt végpontok összege az egyes előfizetések alatt alapértelmezés szerint nem haladhatja meg a 100-t régiónként. Hasonlóképpen, a felügyelt online üzemelő példányok, a Kubernetes online üzemelő példányai és a kötegtelepítések összege az egyes előfizetésekben alapértelmezés szerint nem haladhatja meg az 500-ot régiónként.

⁴ Az Azure Machine Learning 20% további számítási erőforrást foglal le a frissítések végrehajtásához. Ha például 10 példányt kér egy üzembe helyezéshez, akkor 12-hez kvótával kell rendelkeznie. Ellenkező esetben hibaüzenet jelenik meg. A virtuális gépek egyes termékváltozatai mentesülnek az extra kvóta alól. A kvótakiosztással kapcsolatos további információkért tekintse meg az üzembe helyezéshez szükséges virtuálisgép-kvótafoglalást.

⁵ A kérelem időtúllépési maximuma 180 másodperc, kivéve ha egy promptfolyamról van szó. A folyamattelepítés maximális kérés-időtúllépése 300 másodperc. A flow üzembe helyezése során fellépő időtúllépéssel kapcsolatos további információkért lásd: flow üzembe helyezése a Prompt Flowban.

^{Másodpercenként 6} kérelem, kapcsolatok, sávszélesség és kapcsolódó korlátok. Ha ezen korlátok bármelyikének növelését kéri, győződjön meg arról, hogy az egyéb kapcsolódó korlátokat együtt becsüli meg vagy számítja ki.

Virtuálisgép-kvóta kiosztása üzembe helyezéshez

Felügyelt online végpontok esetén az Azure Machine Learning a számítási erőforrások 20%-át lefoglalja bizonyos virtuálisgép-termékváltozatok frissítéséhez. Ha egy telepítésben adott számú példányt igényel ezekhez a VM-SKU-khoz, a hiba elkerülése érdekében rendelkeznie kell a(z) ceil(1.2 * number of instances requested for deployment) * number of cores for the VM SKU kvótával. Ha például egy Standard_DS3_v2 virtuális gép 10 példányát kéri le (amely négy maggal rendelkezik), akkor 48 magra (12 instances * 4 cores) vonatkozó kvótával kell rendelkeznie. Ez a többletkvóta a rendszer által kezdeményezett műveletekre, például az operációs rendszer frissítésére és a virtuális gépek helyreállítására van fenntartva, és csak akkor merül fel költség, ha az ilyen műveletek futnak.

Vannak bizonyos VM-SKU-k, amelyek mentesülnek az extra kvótafoglalás alól. A teljes lista megtekintéséhez tekintse meg a felügyelt online végpontok termékváltozatainak listáját. A használat megtekintéséhez és a kvótanövelések kéréséhez tekintse meg a használatot és a kvótákat az Azure Portalon. A felügyelt online végpontok futtatásának költségeinek megtekintéséhez tekintse meg a felügyelt online végpont költségeinek megtekintése című témakört.

Azure Machine Learning-folyamatok

Az Azure Machine Learning-folyamatokra a következő korlátozások vonatkoznak .

Erőforrás	Korlátozás
A folyamat lépései	30 000
Munkaterületek erőforráscsoportonként	nyolcszáz

Virtual machines (Virtuális gépek)

Minden Azure-előfizetés korlátozza a virtuális gépek számát az összes szolgáltatásban. A virtuálisgép-magok regionális teljes korlátot és méretsorozatonkénti regionális korlátot rendelkeznek. Mindkét korlát külön van kényszerítve.

Például vegyünk egy olyan előfizetést, amelynél az USA keleti régióban a virtuálisgép-magok teljes korlátja 30, az A sorozat magkorlátja 30, a D sorozat magkorlátja pedig 30. 30 A1 virtuális gépet vagy 30 D1 virtuális gépet helyezhet üzembe, vagy a kettő olyan kombinációját, amely nem haladja meg a 30 magot.

A virtuális gépekre vonatkozóan nem emelhet korlátokat az alábbi táblázatban látható értékek fölé.

Erőforrás	Korlát
Microsoft Entra-bérlőhöz társított Azure-előfizetések	Korlátlan
Coadministrators előfizetésenként	Korlátlan
Erőforráscsoportok előfizetésenként	980
Az Azure Resource Manager API kérésmérete	4 194 304 bájt
Címkék előfizetésenként1	50
Egyedi címkeszámítások előfizetésenként2	80 000
Előfizetési szintű telepítések hely szerint	8003
Előfizetési szintű telepítések helyei	10

¹Legfeljebb 50 címkét alkalmazhat közvetlenül egy előfizetésre. Az előfizetésen belül minden erőforrás vagy erőforráscsoport 50 címkére korlátozódik. Az előfizetés azonban korlátlan számú címkét tartalmazhat, amelyek az erőforrások és erőforráscsoportok között oszlanak el.

²A Resource Manager csak akkor adja vissza az előfizetés címkéinek és értékeinek listáját, ha az egyedi címkék száma 80 000 vagy annál kevesebb. Az egyedi címkéket az erőforrás-azonosító, a címkenév és a címkeérték kombinációja határozza meg. Két azonos címkenévvel és értékkel rendelkező erőforrás például két egyedi címkeként lesz kiszámítva. Ha a szám meghaladja a 80 000-et, az erőforrás továbbra is megtalálható címke alapján.

³Az üzembe helyezések automatikusan törlődnek az előzményekből, amikor közeledik a korláthoz. További információ: Automatikus törlés az üzembe helyezési előzményekből.

Container Instances

További információkért lásd: Tárolópéldányok korlátai.

Storage

Az Azure Storage legfeljebb 250 tárfiókot biztosít régiónként, előfizetésenként. Ez a korlát standard és prémium szintű tárfiókokat is tartalmaz.

Munkaterületszintű kvóták

Munkaterületi szintű kvótákkal kezelheti az Azure Machine Learning számítási céljainak elosztását az azonos előfizetéshez tartozó több munkaterület között.

Alapértelmezés szerint minden munkaterület ugyanazt a kvótát használja, mint a virtuálisgép-családok esetében az előfizetés szintjén érvényes kvóta. Azonban beállíthatja az egyes virtuálisgép-családokkal kapcsolatos maximális kvótát egy előfizetés munkaterületein. Az egyes virtuálisgép-családok kvótái lehetővé teszik a kapacitás megosztását és az erőforrás-versengési problémák elkerülését.

1. Nyissa meg az előfizetésében található bármelyik munkaterületet.
2. A bal oldali panelen válassza a Használat + kvóták lehetőséget.
3. Válassza a Kvóták konfigurálása lapot a kvóták megtekintéséhez.
4. Bővítsen ki egy VM-családot.
5. Állítson be kvótakorlátot az adott virtuálisgép-család alatt felsorolt munkaterületek bármelyikén.

Nem állíthat be negatív vagy az előfizetési szintű kvótánál magasabb értéket.

Megjegyzés

Előfizetési szintű engedélyekre van szüksége a kvóta munkaterületi szintű beállításához.

Kvóták megtekintése a studióban

1. Amikor új számítási erőforrást hoz létre, csak azokat a virtuálisgép-méreteket látja, amelyekhez már rendelkezik kvótával. Állítsa a nézetet erre: Válasszon az összes lehetőség közül.

   

2. Görgessen lefelé, amíg meg nem jelenik azon virtuálisgép-méretek listája, amelyekhez nincs kvótája.

   

3. A hivatkozás használatával közvetlenül az online ügyfélszolgálati kérelemre léphet további kvótákért.

Használat és kvóták megtekintése az Azure Portalon

A különböző Azure-erőforrások, például virtuális gépek, tárolók vagy hálózatok kvótájának megtekintéséhez használja az Azure Portalt:

1. A bal oldali panelen válassza a Minden szolgáltatás lehetőséget, majd válassza az Előfizetések lehetőséget az Általános kategória alatt.

2. Az előfizetések listájában válassza ki azt az előfizetést, amelynek a kvótáját meg szeretné tekinteni.

3. A Beállítások területen válassza a Használat + kvóták lehetőséget az aktuális kvótakorlátok és -használat megtekintéséhez. A szűrőkkel válassza ki a szolgáltatót és a helyeket.

Az Azure Machine Learning számítási kvótáját az előfizetésén a többi Azure-kvótától elkülönítve kezelheti:

1. Nyissa meg az Azure Machine Learning-munkaterületet az Azure Portalon.

2. A bal oldali panel Támogatási + hibaelhárítási szakaszában válassza a Használat + kvóták lehetőséget az aktuális kvótakorlátok és -használat megtekintéséhez.

   

3. Válassza ki az előfizetést a kvótakorlátok megtekintéséhez. Szűrjön arra a régióra, amely érdekli.

4. Válthat előfizetési szintű és munkaterületszintű nézet között.

Kvóta- és korlátnövelés kérése

A virtuálisgép-kvóta növelése növeli a virtuálisgép-családonkénti magok számát az egyes régiókban. A végpontkorlátok növekedése az egyes régiókban előfizetésenként növeli a végpontspecifikus korlátokat. A kvótanövelési kérelem elküldésekor mindenképpen válassza ki a megfelelő kategóriát a következő szakaszban leírtak szerint.

VM-kvótaemelések

Ha az Azure Machine Learning virtuálisgép-kvótára vonatkozó korlátot az alapértelmezett korlát fölé szeretné emelni, kérjen kvótanövelést a Használat + kvóták nézetből, vagy küldjön be egy kvótanövelési kérelmet az Azure Machine Learning Studióból.

1. Lépjen a Használat + kvóták lapra az előző szakaszban található utasítások követésével. Tekintse meg az aktuális kvótakorlátokat. Válassza ki azt a termékváltozatot, amelyikhez növelést kér.

   

2. Adja meg a növelni kívánt kvótát és az új korlátértéket. A folytatáshoz válassza a Küldés lehetőséget.

   

A végpontok korlátjának növelése

A végpontkorlát növeléséhez nyisson meg egy online ügyfélszolgálati kérelmet. Amikor a végpontkorlát növelését kéri, adja meg a következő információkat:

1. Válassza ki a szolgáltatás- és előfizetéskorlátokat (kvótákat) a Probléma típusaként.

2. Válassza ki a használni kívánt előfizetést.

3. Válassza a Machine Learning Service: Végpontkorlátok lehetőséget Kvótatípusként.

4. A További részletek lapon adja meg a korlátnövelés részletes okait. Válassza a Részletek megadása lehetőséget, majd adja meg a növelni kívánt korlátot és az új értéket minden korláthoz, a korlátnövelési kérés indoklását, valamint a helyet/helyeket, ahol növelni szeretné a korlátot. Mindenképpen adja hozzá a következő információkat a korlátnövelés okához:

   1. A forgatókönyv és a számítási feladat leírása (például szöveg, kép stb.).
   2. A kért növekedés indoklása.
      1. Adja meg a célzott átviteli teljesítményt és annak mintáját (átlag/csúcs QPS, egyidejű felhasználók).
      2. Adja meg a megcélzott késleltetési időt méretarányosan, valamint a jelenlegi késleltetési időt, amelyet egyetlen példányban megfigyel.
      3. Adja meg a VM SKU-ját és a példányok teljes számát a célként megadott átviteli sebesség és késleltetés támogatásához. Adja meg, hogy hány végpontot, telepítést és példányt kíván használni az egyes régiókban.
      4. Ellenőrizze, hogy rendelkezik-e olyan teljesítményteszt-teszttel, amely a kiválasztott virtuálisgép-termékváltozatot és az átviteli sebességre és késésre vonatkozó követelménynek megfelelő példányok számát jelzi.
      5. Adja meg a hasznos teher típusát és az egyes hasznos teher méretét. A hálózati sávszélességnek igazodnia kell a hasznos teher méretéhez és a másodpercenkénti kérésekhez.
      6. Adja meg a tervezett időtervet (mikorra van szüksége a megnövelt korlátokra - ha lehetséges, adjon meg egy szakaszos tervet), és erősítse meg, hogy (1) az ilyen léptékben történő működtetés költségei tükröződnek-e a költségvetésében, és hogy (2) a cél VM SKU-kat jóváhagyták-e.

5. Válassza a Mentés és folytatás lehetőséget.

   

   Megjegyzés

   Ez a végpontkorlát-növelési kérés eltér a virtuálisgép-kvótanövelési kéréstől. Ha a kérés virtuálisgép-kvótanöveléshez kapcsolódik, kövesse a virtuálisgép-kvótanövelés szakasz utasításait.

Megjegyzés

Miután egy Azure Machine Learning online végpontok adatsík-korlátot növelő kvótakérelmét teljesítette, hozza létre újra az érintett online üzembe helyezéseket az új korlát érvénybe lépéséhez.

Számítási korlát növelése

A teljes számítási korlát növeléséhez nyisson meg egy online ügyfélszolgálati kérelmet. Adja meg az alábbi információkat:

1. Válassza a Műszaki lehetőséget probléma típusaként.

2. Válassza ki a használni kívánt előfizetést.

3. Válassza a Gépi Tanulás-t Szolgáltatás-ként.

4. Válassza ki a használni kívánt erőforrást.

5. Az összegzésben adja meg a "Teljes számítási korlátok növelése" szöveget.

6. Válassza a Számítási fürt-öt problématípusként, és válassza a Fürt nem skálázódik fel vagy elakad az átméretezésben a probléma altípusaként.

   

7. A További részletek lapon adja meg az előfizetés azonosítóját, a régiót, az új korlátot (500 és 2500 között) és az üzleti indoklást, ha növelni szeretné a teljes számítási korlátot ebben a régióban.

   

8. Támogatási kérelemjegy létrehozásához válassza a Létrehozás lehetőséget.

Kapcsolódó tartalom

• Az Azure Machine Learning költségeinek megtervezése és kezelése
• Szolgáltatási korlátok az Azure Machine Learningben
• Felügyelt online végpontok üzembe helyezésének és pontozásának hibaelhárítása