场景描述：

通常的渲染场景架构计算与存储是分离的，并且计算采用分布式部署而渲染素材数据和渲染结果采用集中存储；任何一个渲染项目，其中很大一部分的成本来自分布式的计算所需要大量GPU；但是在渲染场景下，每路GPU之间的计算相互独立无交互，通过加入简单的GPU计算节点容错机制。

操作方式：

GPU实例+NAS/OSS集中存储的方式。

成本降低解析：

以常用的ecs.ga1.4xlarge（16vCPU/40GB内存/1*AMD S7150 GPU卡）为例，渲染8个小时
包月价格为： 8.35元/小时 （8.35X10X8=668）。
竞价性方式：可以最低一折起只要不到百元花费即可完成，大幅降低计算费用。

场景描述：

深度学习Training训练场景中模型中间数据可通过checkpoint机制存放于云盘或NAS/OSS等持久存储中，利用相似的计算存储分离的架构，也可利用竞价实例来显著降低GPU实例成本； 深度学习Inference在线推理场景，充分利用各推理节点间的无状态特征，部署多个竞价性实例，且通过前端接入SLB负载均衡，将推理请求引流到不同的GPU竞价实例，达到更高的性价比。

操作方式：

SLB+GPU实例。

降低成本解析：

以推理计算型实例gn5i-c8g1.2xlarge（8vCPU/32GB内存/1*Nvidia P4 GPU卡）为例，其包月小时价位4.67元，当采用10个实例组成AI深度学习推理服务时，其每小时的GPU成本46.7元。
包月价格：其每小时的GPU成本46.7元。
竞价+包月：考虑业务波峰和谷，可采用包月+竞价组合方式，保留少量包月实例满足最低要求，并通过竞价实例来满足波动的请求，总体费用上可以降低到原包月的40%~70%！

场景描述：

科学计算可以配置为计算与存储分离的架构，利用科学计算模型的容错机制，多个竞价性GPU卡之间分别计算，而数据存放在NAS/OSS等持久共享存储中，这种方式在提升整体扩展性的同时，显著降低计算成本。

操作方式：

GPU实例+NAS/OSS集中存储的方式。

成本降低解析：

以常用的gn5-c28g1.7xlarge（28vCPU/112GB内存/1*Nvidia P100 GPU卡）为例，其包月小时价为28.09元，当采用10个实例组成HPC集群时，计算8小时的总花费为2247.2元。当使用竞价性方式，可以最低一折起，最低只要不到三百元即可完成。