Azure Machine Learning ile kaynaklar için kotaları ve sınırları yönetme ve artırma

Azure, sahtekarlık nedeniyle bütçe taşmalarını önlemek ve Azure kapasite kısıtlamalarına uygun olmak için kotaları ve sınırları kullanır. Üretim iş yükleri için ölçeklendirirken bu sınırları göz önünde bulundurun. Bu makalede şunları öğreneceksiniz:

• Azure Machine Learning ile ilgili Azure kaynaklarında varsayılan sınırlar.
• Çalışma alanı düzeyinde kotalar oluşturma.
• Kotalarınızı ve sınırlarınızı görüntüleme.
• Kota artışı isteniyor.

Kotaları ve sınırları yönetmenin yanı sıra Azure Machine Learning maliyetlerini planlamayı ve yönetmeyi veya Azure Machine Learning'deki hizmet sınırları hakkında bilgi edinebilirsiniz.

Özel hususlar

• Hesabınızdaki her abonelik için kotalar geçerlidir. Birden çok aboneliğiniz varsa, her abonelik için bir kota artışı istemeniz gerekir.

• Kota, kapasite garantisi değil, Azure kaynakları için bir kredi sınırıdır. Büyük ölçekli kapasite gereksinimleriniz varsa kotanızı artırmak için Azure desteğiyle iletişime geçin.

• Kota, Azure Machine Learning de dahil olmak üzere aboneliklerinizdeki tüm hizmetler arasında paylaşılır. Kapasiteyi değerlendirirken tüm hizmetler genelindeki kullanımı hesaplayın.

  Not

  Azure Machine Learning işlemi özel bir durumdur. Çekirdek işlem kotasından ayrı bir kotası vardır.

• Varsayılan sınırlar ücretsiz deneme, Standart ve sanal makine (VM) serisi (Dv2, F ve G gibi) gibi teklif kategorisi türüne göre farklılık gösterir.

Varsayılan kaynak kotaları ve sınırları

Bu bölümde, aşağıdaki kaynaklar için varsayılan ve maksimum kotalar ve sınırlar açıklanmaktadır:

• Azure Machine Learning varlıkları
• Azure Machine Learning işlemleri (sunucusuz Spark dahil)
• Azure Machine Learning paylaşılan kotası
• Azure Machine Learning çevrimiçi uç noktaları (hem yönetilen hem de Kubernetes) ve toplu iş uç noktaları
• Azure Machine Learning işlem hatları
• Sanal makineler
• Azure Konteyner Örnekleri (Azure Container Instances)
• Azure Depolama

Önemli

Sınırlar değişebilir. En son bilgiler için bkz . Azure Machine Learning'de hizmet sınırları.

Azure Machine Learning varlıkları

Varlıklardaki aşağıdaki sınırlar çalışma alanı başına uygulanır.

Kaynak	Üst sınır
Veri Kümeleri	10 milyon
Çalıştırmalar	10 milyon
Modeller	10 milyon
Bileşen	10 milyon
Eserler	10 milyon

Maksimum çalışma süresi 30 gündür ve çalıştırma başına günlüğe kaydedilen ölçüm sayısı üst sınırı 1 milyondur.

Azure Machine Learning İşlemi

Azure Machine Learning İşlem'in hem çekirdek sayısı hem de abonelikteki bölge başına izin verilen benzersiz işlem kaynağı sayısı için varsayılan kota sınırları vardır.

Not

• Çekirdek sayısıyla ilgili kota, her VM ailesi ve birikmeli toplam çekirdekler tarafından bölünür.
• Bölge başına benzersiz işlem kaynağı sayısı kotası, yalnızca Azure Machine Learning'in yönetilen işlem kaynakları için geçerli olduğundan VM çekirdek kotasından ayrıdır.

Aşağıdaki öğelerin sınırlarını artırmak için Kota artışı isteyin:

• VM ailesi çekirdek kotaları. Kota artışı isteğinde bulunacağınız VM ailesi hakkında daha fazla bilgi edinmek için bkz . Azure'da sanal makine boyutları. Örneğin, GPU VM aileleri aile adlarında bir "N" ile başlar (NCasT4_v3 serisi gibi).
• Toplam abonelik çekirdeği kotaları
• Küme kotası
• Bu bölümdeki diğer kaynaklar

Kullanılabilir kaynaklar:

• Bölge başına ayrılmış çekirdek sayısının varsayılan sınırı, abonelik teklifinizin türüne bağlı olarak 24 ile 300 arasındadır. Her sanal makine ailesi için abonelik başına ayrılmış çekirdek sayısını artırabilirsiniz. NCasT4_v3, NC_A100_v4 veya NDv2 serisi gibi özel VM aileleri varsayılan olarak sıfır çekirdekle başlar. GPU'ların varsayılan değeri de sıfır çekirdektir.

• Bölge başına düşük öncelikli çekirdek sayısının varsayılan sınırı, abonelik teklifinizin türüne bağlı olarak 100 ile 3.000 arasındadır. Abonelik başına düşük öncelikli çekirdek sayısını artırabilirsiniz. Bu sınır, VM aileleri arasında tek bir değerdir.

• Bölge başına toplam işlem sınırı , belirli bir abonelik içindeki bölge başına varsayılan 500 sınırına sahiptir. Bu sınırı bölge başına en fazla 2.500 değerine kadar artırabilirsiniz. Bunlar eğitim kümeleri, işlem örnekleri ve yönetilen çevrimiçi uç nokta dağıtımları arasında paylaşılır. İşlem örneği, kota amaçları doğrultusunda tek düğümlü bir küme olarak kabul edilir.

Aşağıdaki tabloda platformda daha fazla sınır gösterilmektedir. Özel durum istemek için teknik destek bileti aracılığıyla Azure Machine Learning ürün ekibine ulaşın.

Kaynak veya Eylem	Üst sınır
Kaynak grubu başına çalışma alanları	Sekiz yüz
İletişim etkinleştirilmiş olmayan bir havuz olarak ayarlanmış tek bir Azure Machine Learning işlem (AmlCompute) kümesindeki düğümler (MPI işleri çalıştırılamaz)	100 düğüm ama en fazla 65.000 düğüm yapılandırılabilir
Azure Machine Learning işlem (AmlCompute) kümesinde tek bir Paralel Çalıştırma Adımındaki düğümler çalıştırılır	Kümeniz daha önce belirtildiği gibi ölçeklendirilecek şekilde ayarlandıysa 100 düğüm ancak en fazla 65.000 düğüm yapılandırılabilir
İletişim özellikli havuz olarak ayarlanmış tek bir Azure Machine Learning işlem (AmlCompute) kümesindeki düğümler	300 düğüm ama 4.000 düğüme kadar yapılandırılabilir
RDMA özellikli vm ailesinde iletişim özellikli havuz olarak ayarlanmış tek bir Azure Machine Learning işlem (AmlCompute) kümesindeki düğümler	100 düğüm
Tek bir MPI'deki düğümler Azure Machine Learning işlem (AmlCompute) kümesinde çalışır	100 düğüm
İş ömrü	21 gün1
Düşük öncelikli bir düğümde iş ömrü	7 gün2
Düğüm başına parametre sunucuları	1

¹ Maksimum yaşam süresi, bir işin ne zaman başlayacağı ve ne zaman bittiği arasındaki süredir. Tamamlanan işler süresiz olarak kalır. Maksimum yaşam süresi içinde tamamlanmamış işlerin verilerine erişilemez.

² Düşük öncelikli düğümdeki işler, kapasite kısıtlaması olduğunda önlenebilir. İşinizde denetim noktaları uygulayın.

Azure Machine Learning paylaşılan kotası

Azure Machine Learning, çeşitli bölgelerdeki kullanıcıların kullanılabilirliğe bağlı olarak sınırlı bir süre boyunca test gerçekleştirmek için erişebileceği paylaşılan bir kota havuzu sağlar. Belirli bir süre kullanım örneğine bağlıdır. Kota havuzundan gelen kotayı geçici olarak kullanarak, iş yükünüzle devam etmeden önce kısa süreli kota artışı için destek bileti oluşturmanız veya kota isteğinizin onaylanmasını beklemeniz gerekmez.

Spark işlerini çalıştırmak ve Model Kataloğu'ndan modellerin çıkarımını kısa bir süre için test etme amacıyla paylaşılan kota havuzunu kullanabilirsiniz. Bu modelleri paylaşılan kota aracılığıyla dağıtabilmeniz için önce bir Kurumsal Anlaşma aboneliğiniz olmalıdır. Çevrimiçi uç nokta dağıtımı için paylaşılan kotayı kullanma hakkında daha fazla bilgi için bkz . Studio kullanarak temel modelleri dağıtma.

Paylaşılan kotayı üretim uç noktaları değil yalnızca geçici test uç noktaları oluşturmak için kullanın. Üretimdeki uç noktalar için bir destek bileti oluşturarak ayrılmış kota isteyin. Paylaşılan kota için faturalama, ayrılmış sanal makine aileleri için faturalama gibi kullanım tabanlıdır. Spark işlerine yönelik paylaşılan kotayı geri çevirmek için Azure Machine Learning paylaşılan kapasite ayırmayı geri çevirme formunu doldurun.

Azure Machine Learning çevrimiçi uç noktaları ve toplu iş uç noktaları

Azure Machine Learning çevrimiçi uç noktaları ve toplu iş uç noktaları aşağıdaki tabloda açıklanan kaynak sınırlarına sahiptir.

Önemli

Bu sınırlar bölgeseldir, yani kullandığınız her bölge için bu sınırlara kadar kullanabilirsiniz. Örneğin, abonelik başına uç nokta sayısı için geçerli sınırınız 100 ise Doğu ABD bölgesinde 100 uç nokta, Batı ABD bölgesinde 100 uç nokta ve tek bir abonelikte desteklenen diğer bölgelerin her birinde 100 uç nokta oluşturabilirsiniz. Aynı ilke diğer tüm sınırlar için de geçerlidir.

Uç noktanın geçerli kullanımını belirlemek için ölçümleri görüntüleyin.

Azure Machine Learning ürün ekibinden özel durum istemek için Uç nokta sınırı artışları'ndaki adımları kullanın.

Kaynak	Sınır 1	Özel duruma izin verir	Şunlar için geçerlidir:
Uç nokta adı	Uç nokta adları Bir harfle başlayın 3-32 karakter uzunluğunda olmalıdır Yalnızca harf ve sayılardan oluşur 2 Kubernetes uç noktası için uç nokta adı ve dağıtım adı toplam uzunluğu 6-62 karakter olmalıdır	-	Tüm uç nokta türleri 3
Dağıtım adı	Dağıtım adları Bir harfle başlayın 3-32 karakter uzunluğunda olmalıdır Yalnızca harf ve sayılardan oluşur 2 Kubernetes uç noktası için uç nokta adı ve dağıtım adı toplam uzunluğu 6-62 karakter olmalıdır	-	Tüm uç nokta türleri 3
Abonelik başına uç nokta sayısı	100	Evet	Tüm uç nokta türleri 3
Küme başına uç nokta sayısı	60	-	Kubernetes çevrimiçi uç noktası
Abonelik başına dağıtım sayısı	beş yüz	Evet	Tüm uç nokta türleri 3
Uç nokta başına dağıtım sayısı	20	Evet	Tüm uç nokta türleri 3
Küme başına dağıtım sayısı	100	-	Kubernetes çevrimiçi uç noktası
Dağıtım başına örnek sayısı	50 4	Evet	Yönetilen çevrimiçi uç nokta
Uç nokta düzeyinde en fazla istek zaman aşımı	180 saniye 5	-	Yönetilen çevrimiçi uç nokta
Uç nokta düzeyinde en fazla istek zaman aşımı	300 saniye	-	Kubernetes çevrimiçi uç noktası
Tüm dağıtımlar için uç nokta düzeyinde saniye başına toplam istek sayısı	500 6	Evet	Yönetilen çevrimiçi uç nokta
Tüm dağıtımlar için uç nokta düzeyinde saniyede toplam bağlantı sayısı	500 6	Evet	Yönetilen çevrimiçi uç nokta
Tüm dağıtımlar için uç nokta düzeyinde etkin olan toplam bağlantı sayısı	500 6	Evet	Yönetilen çevrimiçi uç nokta
Tüm dağıtımlar için uç nokta düzeyinde toplam bant genişliği	5 MB/sn 6	Evet	Yönetilen çevrimiçi uç nokta

¹ Bu bölgesel bir sınırdır. Örneğin, uç nokta sayısı üzerindeki geçerli sınır 100 ise, Doğu ABD bölgesinde 100 uç nokta, Batı ABD bölgesinde 100 uç nokta ve tek bir abonelikte desteklenen diğer bölgelerin her birinde 100 uç nokta oluşturabilirsiniz. Aynı ilke diğer tüm sınırlar için de geçerlidir.

² Tek tireler my-endpoint-name gibi uç nokta ve dağıtım adlarında kabul edilir.

³ Uç noktalar ve dağıtımlar farklı türler olabilir, ancak sınırlar tüm türlerin toplamına uygulanır. Örneğin, yönetilen çevrimiçi uç noktaların, Kubernetes çevrimiçi uç noktasının ve her aboneliğin altındaki toplu iş uç noktasının toplamı varsayılan olarak bölge başına 100'ü aşamaz. Benzer şekilde, yönetilen çevrimiçi dağıtımların, Kubernetes çevrimiçi dağıtımlarının ve her abonelik altındaki toplu dağıtımların toplamı varsayılan olarak bölge başına 500'ü aşamaz.

⁴ Azure Machine Learning, yükseltmeleri gerçekleştirmek için 20% ek işlem kaynağı ayırır. Örneğin, bir dağıtımda 10 örnek istiyorsanız, 12 için bir kotanız olmalıdır. Aksi takdirde bir hata alırsınız. Bazı VM SKU'ları ek kotadan muaftır. Kota ayırma hakkında daha fazla bilgi için bkz . Dağıtım için sanal makine kota ayırma.

⁵ İstek zaman aşımı üst sınırı, bir akış (istem akışı) dağıtımı olmadığı sürece 180 saniyedir. Akış dağıtımı için istek zaman aşımı üst sınırı 300 saniyedir. Akış dağıtımlarıyla ilgili zaman aşımı hakkında daha fazla bilgi için bkz . istem akışında akış dağıtma.

⁶ Saniye başına istek sayısı, bağlantılar, bant genişliği ve ilgili sınırlar. Bu sınırlardan herhangi birini artırmayı isterseniz, diğer ilgili sınırları birlikte tahmin ettiğinizden veya hesapladığınızdan emin olun.

Dağıtım için sanal makine kotası ayırma

Yönetilen çevrimiçi uç noktalar için Azure Machine Learning, bazı VM SKU'larında yükseltme gerçekleştirmek için işlem kaynaklarınızın %20'sini ayırır. Bir dağıtımda bu VM SKU'ları için belirli sayıda örnek istiyorsanız, hata almamak için ceil(1.2 * number of instances requested for deployment) * number of cores for the VM SKU kullanılabilir bir kotanız olmalıdır. Örneğin, bir dağıtımda bir Standard_DS3_v2 VM'sinin (dört çekirdekle birlikte gelir) 10 örneğini isterseniz, 48 çekirdek (12 instances * 4 cores) için kotanız olmalıdır. Bu ek kota, işletim sistemi yükseltmeleri ve VM kurtarma gibi sistem tarafından başlatılan işlemler için ayrılmıştır ve bu tür işlemler çalıştırılmadığı sürece maliyete neden olmaz.

Ek kota rezervasyonundan muaf tutulan belirli VM SKU'ları vardır. Listenin tamamını görüntülemek için bkz . Yönetilen çevrimiçi uç noktalar SKU listesi. Kullanım ve istek kotası artışlarınızı görüntülemek için bkz . Azure portalında kullanımınızı ve kotalarınızı görüntüleme. Yönetilen çevrimiçi uç nokta çalıştırma maliyetlerinizi görüntülemek için bkz . Yönetilen çevrimiçi uç noktanın maliyetlerini görüntüleme.

Azure Machine Learning işlem hatları

Azure Machine Learning işlem hatlarının sınırları aşağıdaki gibidir.

Kaynak	Sınırla
İşlem hattı adımları	30,000
Kaynak grubu başına çalışma alanları	Sekiz yüz

Sanal makineler

Her Azure aboneliğinin tüm hizmetlerdeki sanal makine sayısı sınırı vardır. Sanal makine çekirdeklerinin bölgesel toplam sınırı ve boyut serisi başına bölgesel sınırı vardır. Her iki sınır da ayrı olarak uygulanır.

Örneğin, ABD Doğu toplam VM çekirdek limiti 30, A serisi çekirdek limiti 30 ve D serisi çekirdek limiti 30 olan bir abonelik düşünün. 30 A1 VM veya 30 D1 VM dağıtabilir ya da bunların toplam 30 çekirdeği aşmayan bir bileşimini dağıtabilirsiniz.

Aşağıdaki tabloda gösterilen değerlerin üzerinde sanal makineler için sınır oluşturamazsınız.

Kaynak	Sınır
Microsoft Entra kiracısıyla ilişkili Azure abonelikleri	Sınırsız
Abonelik başına ortak yönetici sayısı	Sınırsız
Abonelik başına kaynak grupları	980
Azure Resource Manager API istek boyutu	4.194.304 bayt
Abonelik başına etiketler1	50
Abonelikbaşına benzersiz etiket hesaplamaları 2	80,000
Konum başına abonelik düzeyinde dağıtımlar	8003
Abonelik düzeyinde dağıtımların konumları	10

¹Aboneliğe doğrudan en fazla 50 etiket uygulayabilirsiniz. Abonelik içinde her kaynak veya kaynak grubu da 50 etiketle sınırlıdır. Ancak abonelik, kaynaklar ve kaynak grupları arasında dağıtılan sınırsız sayıda etiket içerebilir.

²Resource Manager, yalnızca benzersiz etiketlerin sayısı 80.000 veya daha az olduğunda abonelikteki etiket adı ve değerlerinin listesini döndürür. Benzersiz bir etiket, kaynak kimliği, etiket adı ve etiket değeri birleşimiyle tanımlanır. Örneğin, aynı etiket adına ve değerine sahip iki kaynak iki benzersiz etiket olarak hesaplanabilir. Yine de sayı 80.000'i aştığında etikete göre bir kaynak bulabilirsiniz.

³Dağıtımlar, sınıra yaklaştığınızda otomatik olarak geçmişten silinir. Daha fazla bilgi için bkz . Dağıtım geçmişinden otomatik silmeler.

Konteyner Örnekleri

Daha fazla bilgi için bkz . Kapsayıcı Örnekleri sınırları.

Depolama

Azure Depolama'nın bölge başına abonelik başına 250 depolama hesabı sınırı vardır. Bu sınır hem Standart hem de Premium depolama hesaplarını içerir.

Çalışma alanı düzeyinde kotalar

Aynı abonelikteki birden çok çalışma alanı arasında Azure Machine Learning İşlem hedef ayırmayı yönetmek için çalışma alanı düzeyinde kotaları kullanın.

Varsayılan olarak tüm çalışma alanları, VM aileleri için abonelik düzeyindeki kota olarak aynı kotayı paylaşır. Bununla birlikte abonelikteki çalışma alanlarında tek tek VM aileleri için maksimum kotayı ayarlayabilirsiniz. Tek tek VM aileleri için kotalar kapasiteyi paylaşmanızı ve kaynak çekişmesi sorunlarını önlemenizi sağlar.

1. Aboneliğinizdeki herhangi bir çalışma alanına gidin.
2. Sol bölmede Kullanım ve kotalar’ı seçin.
3. Kotaları görüntülemek için Kotaları yapılandır sekmesini seçin.
4. VM ailesini genişletin.
5. VM ailesinin altında listelenen çalışma alanlarından herhangi birine kota sınırı ayarlayın.

Negatif değer veya abonelik düzeyi kotasından daha büyük bir değer ayarlayamazsınız.

Not

Çalışma alanı düzeyinde kota ayarlamak için abonelik düzeyinde izinlere ihtiyacınız vardır.

Stüdyoda kotaları görüntüleme

1. Yeni bir işlem kaynağı oluşturduğunuzda, yalnızca kullanmak üzere kotanız olan VM boyutlarını görürsünüz. Görünümü Tüm seçeneklerden seç olarak değiştirin.

   

2. Kotanız olmayan VM boyutlarının listesini görene kadar aşağı kaydırın.

   

3. Daha fazla kota için doğrudan çevrimiçi müşteri desteği isteğine gitmek için bağlantıyı kullanın.

Azure portalında kullanımınızı ve kotalarınızı görüntüleme

Sanal makineler, depolama alanı veya ağ gibi çeşitli Azure kaynakları için kotanızı görüntülemek için Azure portalını kullanın:

1. Sol bölmede Tüm hizmetler'i ve ardından Genel kategorisinin altındaki Abonelikler'iseçin.

2. Abonelik listesinden kotasını görüntülemek istediğiniz aboneliği seçin.

3. Geçerli kota sınırlarınızı ve kullanımınızı görüntülemek için Ayarlar'ın altında Kullanım + kotalar'ı seçin. Sağlayıcıyı ve konumları seçmek için filtreleri kullanın.

Aboneliğinizdeki Azure Machine Learning işlem kotasını diğer Azure kotalarından ayrı olarak yönetirsiniz:

1. Azure portalında Azure Machine Learning çalışma alanınıza gidin.

2. Sol bölmedeki Destek + sorun giderme bölümünde Kullanım + kotalar'ı seçerek geçerli kota sınırlarınızı ve kullanımınızı görüntüleyin.

   

3. Kota sınırlarını görüntülemek için bir abonelik seçin. İlgilendiğiniz bölgeye göre filtreleyin.

4. Abonelik düzeyi görünümü ile çalışma alanı düzeyi görünümü arasında geçiş yapabilirsiniz.

Kota ve sınır artışları isteme

VM kota artışı, her bölgedeki VM ailesi başına çekirdek sayısını artırır. Uç nokta sınırı artışı, her bölgedeki abonelik başına uç noktaya özgü sınırları artırır. Kota artırma isteğini gönderirken, sonraki bölümde açıklandığı gibi doğru kategoriyi seçtiğinizden emin olun.

VM kotası artışları

Azure Machine Learning VM kotası sınırını varsayılan sınırın üzerine getirmek için Kullanım + kotalar görünümünden bir kota artışı isteyin veya Azure Machine Learning studio'dan kota artışı isteği gönderin.

1. Önceki bölümdeki yönergeleri izleyerek Kullanım + kotalar sayfasına gidin. Geçerli kota sınırlarını görüntüleyin. Artış istemek istediğiniz SKU'yu seçin.

   

2. Artırmak istediğiniz kotayı ve yeni sınır değerini girin. Devam etmek için Gönder'i seçin.

   

Uç nokta sınırı artışları

Uç nokta sınırını yükseltmek için çevrimiçi bir müşteri destek isteği açın. Uç nokta sınırı artışı isteğinde bulunurken aşağıdaki bilgileri sağlayın:

1. Sorun türü olarak Hizmet ve abonelik sınırları (kotalar) seçeneğini belirleyin.

2. Kullanmak istediğiniz aboneliği seçin.

3. Kota türü olarak Machine Learning Hizmeti: Uç Nokta Sınırları'nı seçin.

4. Ek ayrıntılar sekmesinde, sınır artışının ayrıntılı nedenlerini belirtin. Ayrıntıları girin öğesini seçin ve artırmak istediğiniz sınırı ve her sınır için yeni değeri, sınır artışı isteğinin nedenini, ayrıca sınır artışına ihtiyacınız olan konumları belirtin. Sınır artışının nedenine aşağıdaki bilgileri eklediğinizden emin olun:

   1. Senaryonuzun ve iş yükünüzün açıklaması (metin, görüntü vb.).
   2. İstenen artışın gerekçesi.
      1. Hedef aktarım hızını ve desenini (ortalama/en yüksek QPS, eşzamanlı kullanıcılar) sağlayın.
      2. Büyük ölçekte hedeflenen gecikme süresini ve tek bir örnekle gözlemlediğiniz geçerli gecikme süresini belirtin.
      3. Hedef aktarım hızını ve gecikme süresini desteklemek için sanal makine SKU'sunu ve toplam örnek sayısını belirtin. Her bölgede kullanmayı planladığınız uç nokta, dağıtım ve örnek sayısını belirtin.
      4. Seçili VM SKU'su ile aktarım hızı ve gecikme süresi gereksiniminizi karşılayan örnek sayısını gösteren bir karşılaştırma testinizin olup olmadığını onaylayın.
      5. Tek bir yükün yük türünü ve boyutunu belirtin. Ağ bant genişliği, yük boyutu ve saniye başına istek sayısıyla uyumlu olmalıdır.
      6. Tasarlanan süre planını sağlayın (limit artışına ihtiyacınız olduğunda; mümkünse hazırlanmış plan sağlayın) ve (1) bu ölçekte çalıştırma maliyetinin bütçenize yansıtıldığını ve (2) hedef sanal makine SKU'larının onaylandığını doğrulayın.

5. Kaydet ve devam et’i seçin.

   

   Not

   Bu uç nokta sınırı artış isteği, VM kota artışı isteğinden farklıdır. İsteğiniz bir VM kota artışıyla ilgiliyse, VM kotası artışları bölümündeki yönergeleri izleyin.

İşlem sınırı artışları

Toplam işlem sınırını artırmak için çevrimiçi bir müşteri destek isteği açın. Aşağıdaki bilgileri girin:

1. Sorun türü olarak Teknik'i seçin.

2. Kullanmak istediğiniz aboneliği seçin.

3. Hizmet olarak Makine Öğrenmesi'ni seçin.

4. Kullanmak istediğiniz kaynağı seçin.

5. Özete "Toplam işlem sınırlarını artır" yazın.

6. İşlem Kümesi türünü Sorun türü olarak seçin ve Küme ölçeği artırmıyor veya yeniden boyutlandırmada takılıyor ifadesini Sorun alt türü olarak seçin.

   

7. Ek ayrıntılar sekmesinde, bu bölgedeki toplam işlem sınırlarını artırmak istiyorsanız abonelik kimliğini, bölgeyi, yeni sınırı (500 ile 2.500 arasında) ve iş gerekçesini belirtin.

   

8. Destek isteği bileti oluşturmak için Oluştur'u seçin.

İlgili içerik

• Azure Machine Learning maliyetlerini planlama ve yönetme
• Azure Machine Learning'de hizmet sınırları
• Yönetilen çevrimiçi uç noktaların dağıtım ve puanlama sorunlarını giderme