我正在使用以下命令在GCP上运行张量流对象检测作业：
gcloud ml-engine作业提交培训whoami _ object_detection _ date +%s --job-dir = gs：// $ {YOUR_GCS_BUCKET} / train --packages dist / object_detection-0.1.tar.gz， slim / dist / slim-0.1.tar.gz，/ tmp / pycocotools / pycocotools-2.0.tar.gz --module-name object_detection.model_tpu_main --runtime-version 1.9 --scale-tier BASIC_TPU --region us-central1 ---model_dir = gs：// $ {YOUR_GCS_BUCKET} / train --tpu_zone us-central1 --pipeline_config_path = gs：// $ {YOUR_GCS_BUCKET} /data/pinches_pipeline.config
收到以下错误：
错误：（gcloud.ml-engine.jobs.submit.training）RESOURCE_EXHAUSTED：项目失败的配额失败。请求的54.0 CPU超过了允许的最大值20.0。要了解有关Cloud ML Engine配额的更多信息，请参阅https://cloud.google.com/ml-engine/quotas。 -'@type'：type.googleapis.com/google.rpc.QuotaFailure 违规： -说明：请求的54.0 CPU超过了允许的最大值20.0。
我的问题是请求的CPU如何设置为54？我没有明确地在任何地方设置它。
谢谢。
答案 0 :(得分：0)
代码中的此选项用于设置ml实例的大小和类型：
--scale-tier BASIC_TPU
BASIC_TPU每小时收费$ 6.8474。我不确定这个公式，但是Cloud TPU可以等效的计费转换为N个CPU。您还需要将Cloud ML Engine机器类型的成本添加到成本中：标准为每小时0.2774美元。
配额是根据Cloud TPU核心定义的。单个Cloud TPU 该设备包含4个TPU芯片和8个核心：每个TPU芯片2个核心。一种 Cloud TPU v2 Pod（alpha）由包含256个TPU的64个TPU设备组成 芯片（512核）。核心数还指定了 特定的Cloud TPU。例如，配额为8允许使用8 核心。配额为16时，最多可以使用16个内核，依此类推。
您的CPU配额为20。您将需要增加配额或选择不使用TPU的其他模型，例如BASIC或BASIC_GPU。另外，请仔细检查您是否已使用信用卡/借记卡设置了计费设置，并具有足够的信用额度。