تثبيت واستخدام CLI (v1)
ينطبق على: ملحق التعلم الآلي من Azure CLI v1
هام
تتطلب أوامر Azure CLI الواردة في هذه المقالة ملحق azure-cli-ml
، أو الإصدار 1، التعلم الآلي من Microsoft Azure. سينتهي دعم ملحق الإصدار 1 في 30 سبتمبر 2025. ستتمكن من تثبيت ملحق v1 واستخدامه حتى ذلك التاريخ.
نوصي بالانتقال إلى ملحق ml
أو الإصدار 2 قبل 30 سبتمبر 2025. لمزيد من المعلومات حول ملحق v2، راجع ملحق Azure ML CLI وPython SDK v2.
إن Azure Machine Learning CLI هو ملحق لـ Azure CLI ، وهو واجهة سطر أوامر عبر الأنظمة الأساسية لنظام Azure الأساسي. يوفر هذا الملحق أوامر للعمل مع التعلم الآلي من Microsoft Azure. ويسمح لك بأتمتة أنشطة التعلم الآلي لديك. توفر القائمة التالية بعض الأمثلة على الإجراءات التي يمكنك القيام بها مع ملحق CLI:
إجراء التجارب لإنشاء نماذج التعلم الآلي
تسجيل نماذج التعلم الآلي لاستخدام العميل
حزم ونشر وتعقب دورة حياة نماذج التعلم الآلي الخاصة بك
CLI ليس بديلا عن Azure التعلم الآلي SDK. إنها أداة تكميلية تم تحسينها للتعامل مع المهام ذات المعلمات العالية التي تناسب نفسها بشكل جيد مع الأتمتة.
المتطلبات الأساسية
لاستخدام CLI، يجب أن يكون لديك اشتراك في Azure. في حال لم يكن لديك اشتراك Azure، فأنشئ حساباً مجانيّاً قبل البدء. جرب الإصدار المجاني أو المدفوع الخاص بـ Azure Machine Learning اليوم.
لاستخدام أوامر CLI في هذا المستند من بيئتك المحلية، تحتاج إلى Azure CLI.
إذا كنت تستخدم Azure Cloud Shell، فسيتم الوصول إلى CLI من خلال المتصفح وهو موجود في السحابة.
مستندات مرجعية كاملة
ابحث عن المستندات المرجعية الكاملة لملحق azure-cli-ml في Azure CLI.
توصيل CLI باشتراك Azure الخاص بك
هام
إذا كنت تستخدم برنامج Azure Cloud Shell، فيمكنك تخطي هذا القسم. يصادق Cloud shell تلقائيًا باستخدام الحساب الذي تقوم بتسجيل الدخول إلى اشتراكك في Azure.
توجد عدة طرق يمكنك من خلالها المصادقة على اشتراك Azure الخاص بك من واجهة مستوى الاستدعاء. وأبسط ما في الأمر هو المصادقة بشكل تفاعلي باستخدام مستعرض. وللمصادقة بشكل تفاعلي، افتح سطر أوامر أو terminal واستخدم الأمر التالي:
az login
إذا كان بإمكان CLI فتح المتصفح الافتراضي الخاص بك، فسيقوم بذلك ويقوم بتحميل صفحة تسجيل الدخول. بخلاف ذلك، تحتاج إلى فتح متصفح واتباع التعليمات الموجودة في سطر الأوامر. تشمل إرشادات التصفح https://aka.ms/devicelogin وإدخال رمز التخويل.
تلميح
بعد تسجيل الدخول، سترى قائمة بالاشتراكات المقترنة بحساب Azure الخاص بك. معلومات الاشتراك مع isDefault: true
هي الاشتراك النشط حاليًا لأوامر واجهة مستوى الاستدعاء من Azure. يتعين أن يكون هذا الاشتراك هو الذي يحتوي على مساحة عمل التعلم الآلي من Azue. يمكنك العثور على معلومات الاشتراك في صفحة النظرة العامة لمساحة العمل الخاصة بك في مدخل Microsoft Azure.
لتحديد اشتراك آخر لاستخدامه لأوامر Azure CLI، قم بتشغيل az account set -s <subscription>
الأمر وحدد اسم الاشتراك أو المعرف للتبديل إليه. لمزيد من المعلومات حول تحديد الاشتراك، راجع استخدام اشتراكات Azure متعددة.
للتعرف على طرق المصادقة الأخرى، راجع تسجيل الدخول باستخدام واجهة مستوى الاستدعاء من Azure.
ثبتالملحق
لتثبيت ملحق CLI (v1):
az extension add -n azure-cli-ml
تحديث الملحق
لتحديث ملحق التعلم الآلي من Microsoft Azure، استخدم الأمر التالي:
az extension update -n azure-cli-ml
إزالة الملحق
لإزالة ملحق CLI، استخدم الأمر التالي:
az extension remove -n azure-cli-ml
إدارة الموارد
توضح الأوامر التالية كيفية استخدام CLI لإدارة الموارد المستخدمة بواسطة التعلم الآلي من Microsoft Azure.
إذا لم يكن لديك واحدة بالفعل، فبادر بإنشاء مجموعة موارد:
az group create -n myresourcegroup -l westus2
قم بإنشاء مساحة عمل التعلم الآلي من Microsoft Azure:
az ml workspace create -w myworkspace -g myresourcegroup
لمزيد من المعلومات، راجع إنشاء مساحة عمل az ml.
قم بإرفاق تكوين مساحة عمل بمجلد لتمكين الإدراك السياقي لـ CLI.
az ml folder attach -w myworkspace -g myresourcegroup
يقوم هذا الأمر بإنشاء دليل فرعي
.azureml
يحتوي على أمثلة لملفات بيئة التشغيل runconfig وconda. يحتوي أيضاً على ملفconfig.json
يتم استخدامه للتواصل مع مساحة عمل التعلم الآلي من Microsoft Azure.لمزيد من المعلومات، راجع az ml folder attach.
أرفق حاوية البيانات الثنائية الكبيرة Azure كمخزن بيانات.
az ml datastore attach-blob -n datastorename -a accountname -c containername
لمزيد من المعلومات، راجع az ml datastore attach-blob.
تحميل الملفات إلى Datastore.
az ml datastore upload -n datastorename -p sourcepath
لمزيد من المعلومات، راجع az ml datastore upload.
أرفق نظام مجموعة AKS كهدف حساب.
az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
لمزيد من المعلومات، راجع az ml computetarget attach aks
حساب المجموعات
إنشاء نظام مجموعة حساب مُدار جديد.
az ml computetarget create amlcompute -n cpu --min-nodes 1 --max-nodes 1 -s STANDARD_D3_V2
إنشاء نظام مجموعة حساب مُدار جديد بهوية مُدارة
الهوية المُدارة التي يعيّنها المُستخدم
az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'
الهوية المُدارة التي يُعيّنها النظام
az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '[system]'
إضافة هوية مُدارة إلى نظام مجموعة موجود:
الهوية المُدارة التي يعيّنها المُستخدم
az ml computetarget amlcompute identity assign --name cpu-cluster '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'
الهوية المُدارة التي يُعيّنها النظام
az ml computetarget amlcompute identity assign --name cpu-cluster '[system]'
لمزيد من المعلومات، راجع az ml computetarget create amlcompute.
إشعار
تدعم مجموعات حساب التعلم الآلي من Microsoft Azure هوية واحدة معينة من قِبل النظام أو هويات متعددة معينة من قِبل المستخدم، وليس كلاهما في نفس الوقت.
مثيل الحساب
قم بإدارة مثيلات الحساب. في جميع الأمثلة أدناه، يكون اسم مثيل الحساب وحدة المعالجة المركزية
قم بإنشاء مثيل حساب جديد.
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
لمزيد من المعلومات، راجع az ml computetarget create computeinstance.
قم بإيقاف مثيل حساب.
az ml computetarget computeinstance stop -n cpu -v
لمزيد من المعلومات، راجع az ml computetarget computeinstance stop.
ابدأ تشغيل مثيل حساب.
az ml computetarget computeinstance start -n cpu -v
لمزيد من المعلومات، راجع az ml computetarget computeinstance start.
أعد تشغيل مثيل حساب.
az ml computetarget computeinstance restart -n cpu -v
لمزيد من المعلومات، راجع az ml computetarget computeinstance restart.
احذف مثيل حساب.
az ml computetarget delete -n cpu -v
لمزيد من المعلومات، راجع az ml computetarget delete computeinstance.
تجارب التشغيل
ابدأ تشغيل تجربتك. عند استخدام هذا الأمر، حدد اسم الملف runconfig (النص الذي يسبق *.runconfig إذا كنت تبحث في نظام الملفات الخاص بك) مقابل المعلمة -c.
az ml run submit-script -c sklearn -e testexperiment train.py
تلميح
يقوم الأمر
az ml folder attach
بإنشاء دليل فرعي.azureml
، والذي يحتوي على مثالين لملفات runconfig.إذا كان لديك برنامج نصي بلغة Python يقوم بإنشاء عنصر تكوين تشغيل بشكل برمجي، فيمكنك استخدام RunConfig.save () لحفظه كملف runconfig.
يمكن العثور على مخطط runconfig الكامل في هذا ملف JSON. المخطط يقوم بالتوثيق ذاتياً من خلال مفتاح
description
لكل عنصر. بالإضافة إلى ذلك، توجد قوائم تعداد للقيم المحتملة وقصاصة برمجية للقالب في النهاية.لمزيد من المعلومات، راجع az ml run submit-script.
عرض قائمة بالتجارب:
az ml experiment list
لمزيد من المعلومات، راجع az ml experiment list.
تشغيل HyperDrive
يمكنك استخدام HyperDrive مع Azure CLI لإجراء عمليات ضبط المعلمات. أولاً، قم بإنشاء ملف تكوين HyperDrive بالتنسيق التالي. راجع مقالة ضبط المعلمات التشعبية للنموذج للحصول على تفاصيل حول معلمات ضبط المعلمات التشعبية.
# hdconfig.yml
sampling:
type: random # Supported options: Random, Grid, Bayesian
parameter_space: # specify a name|expression|values tuple for each parameter.
- name: --penalty # The name of a script parameter to generate values for.
expression: choice # supported options: choice, randint, uniform, quniform, loguniform, qloguniform, normal, qnormal, lognormal, qlognormal
values: [0.5, 1, 1.5] # The list of values, the number of values is dependent on the expression specified.
policy:
type: BanditPolicy # Supported options: BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy, NoTerminationPolicy
evaluation_interval: 1 # Policy properties are policy specific. See the above link for policy specific parameter details.
slack_factor: 0.2
primary_metric_name: Accuracy # The metric used when evaluating the policy
primary_metric_goal: Maximize # Maximize|Minimize
max_total_runs: 8 # The maximum number of runs to generate
max_concurrent_runs: 2 # The number of runs that can run concurrently.
max_duration_minutes: 100 # The maximum length of time to run the experiment before cancelling.
أضف هذا الملف إلى جانب ملفات تكوين التشغيل. ثم أرسل ملف تشغيل HyperDrive باستخدام:
az ml run submit-hyperdrive -e <experiment> -c <runconfig> --hyperdrive-configuration-name <hdconfig> my_train.py
لاحظ قسم الوسيطات في runconfig ومساحة المعلمة في تكوين HyperDrive. إنها تحتوي على وسيطات سطر الأوامر لتمريرها إلى برنامج نصي للتدريب. تظل القيمة في ملف runconfig كما هي لكل تكرار، بينما يتم تكرار النطاق في تكوين HyperDrive. لا تحدد نفس الوسيطة في كلا الملفين.
إدارة مجموعة البيانات
توضح الأوامر التالية كيفية العمل مع مجموعات البيانات في التعلم الآلي من Microsoft Azure:
تسجيل مجموعة بيانات:
az ml dataset register -f mydataset.json
للحصول على معلومات حول تنسيق ملف JSON المستخدم لتعريف مجموعة البيانات، استخدم
az ml dataset register --show-template
.لمزيد من المعلومات، راجع az ml dataset register.
سرد جميع مجموعات البيانات في مساحة عمل:
az ml dataset list
لمزيد من المعلومات، راجع az ml dataset list.
الحصول على تفاصيل مجموعة بيانات:
az ml dataset show -n dataset-name
لمزيد من المعلومات، راجع az ml dataset show.
إلغاء تسجيل مجموعة بيانات:
az ml dataset unregister -n dataset-name
لمزيد من المعلومات، راجع az ml dataset unregister.
إدارة البيئات
توضح الأوامر التالية كيفية إنشاء بيئات التعلم الآلي في Azure وتسجيلها وإدراجها في قائمة لمساحة عملك:
إنشاء ملفات دعم لبيئة:
az ml environment scaffold -n myenv -d myenvdirectory
لمزيد من المعلومات، راجع az ml environment scaffold.
تسجيل بيئة:
az ml environment register -d myenvdirectory
لمزيد من المعلومات، راجع az ml environment register.
قائمة البيئات المسجلة:
az ml environment list
لمزيد من المعلومات، راجع az ml environment list.
تنزيل بيئة مسجلة:
az ml environment download -n myenv -d downloaddirectory
لمزيد من المعلومات، راجع az ml environment download.
مخطط تكوين البيئة
إذا استخدمت الأمر az ml environment scaffold
، فإنه ينشئ ملف نموذج azureml_environment.json
يمكن تعديله واستخدامه لإنشاء تكوينات بيئة مخصصة مع CLI. يرسم كائن المستوى الأعلى بشكل غير محكم إلى الفئة Environment
في Python SDK.
{
"name": "testenv",
"version": null,
"environmentVariables": {
"EXAMPLE_ENV_VAR": "EXAMPLE_VALUE"
},
"python": {
"userManagedDependencies": false,
"interpreterPath": "python",
"condaDependenciesFile": null,
"baseCondaEnvironment": null
},
"docker": {
"enabled": false,
"baseImage": "mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210615.v1",
"baseDockerfile": null,
"sharedVolumes": true,
"shmSize": "2g",
"arguments": [],
"baseImageRegistry": {
"address": null,
"username": null,
"password": null
}
},
"spark": {
"repositories": [],
"packages": [],
"precachePackages": true
},
"databricks": {
"mavenLibraries": [],
"pypiLibraries": [],
"rcranLibraries": [],
"jarLibraries": [],
"eggLibraries": []
},
"inferencingStackVersion": null
}
يوضح الجدول التالي تفاصيل كل حقل من حقول المستوى الأعلى في ملف JSON ونوعه ووصفه. إذا كان نوع كائن مرتبطا بفئة من Python SDK، فهناك تطابق فضفاض 1:1 بين كل حقل JSON واسم المتغير العام في فئة Python. في بعض الحالات، قد يتم تعيين الحقل إلى وسيطة منشئ بدلا من متغير فئة. على سبيل المثال، يعين الحقل environmentVariables
المتغير environment_variables
في فئة Environment
.
حقل JSON | النوع | الوصف |
---|---|---|
name |
string |
اسم البيئة. لا تبدأ الاسم باستخدام Microsoft أو AzureML. |
version |
string |
إصدار البيئة. |
environmentVariables |
{string: string} |
خريطة تجزئة لأسماء وقيم متغيرات البيئة. |
python |
تحدد PythonSection hat بيئة Python والمترجم لاستخدامها في مورد الحساب الهدف. |
|
docker |
DockerSection |
يحدد الإعدادات لتخصيص صورة Docker المبنية على مواصفات البيئة. |
spark |
SparkSection |
يقوم القسم بتكوين إعدادات Spark. يتم استخدامه فقط عند تعيين إطار العمل إلى PySpark. |
databricks |
DatabricksSection |
يقوم بتكوين تبعيات مكتبة Databricks. |
inferencingStackVersion |
string |
يحدد نسخة مكدس الاستدلال المضافة إلى الصورة. لتجنب إضافة مكدس استنتاجي، اترك هذا الحقل null . القيمة الصالحة: "الأحدث". |
إدارة البنية الأساسية لبرنامج ربط العمليات التجارية للتعلم الآلي من Microsoft Azure
توضح الأوامر التالية كيفية العمل مع البنى الأساسية لبرنامج ربط العمليات التجارية للتعلم الآلي:
إنشاء مسار التعلم الآلي:
az ml pipeline create -n mypipeline -y mypipeline.yml
لمزيد من المعلومات، راجع إنشاء بنية أساسية لبرنامج ربط العمليات التجارية az ml .
لمزيد من المعلومات حول ملف YAML للبنية الأساسية لبرنامج ربط العمليات التجارية، راجع Define machine learning pipelines in YAML.
تشغيل بنية أساسية لبرنامج ربط العمليات التجارية:
az ml run submit-pipeline -n myexperiment -y mypipeline.yml
لمزيد من المعلومات، راجع az ml run submit-pipeline.
لمزيد من المعلومات حول ملف YAML للبنية الأساسية لبرنامج ربط العمليات التجارية، راجع Define machine learning pipelines in YAML.
جدولة بنية أساسية لبرنامج ربط العمليات التجارية:
az ml pipeline create-schedule -n myschedule -e myexperiment -i mypipelineid -y myschedule.yml
لمزيد من المعلومات، راجع az ml pipeline create-schedule.
تسجيل النموذج، جمع المعلومات، النشر
توضح الأوامر التالية كيفية تسجيل نموذج مدرب، ثم نشره كخدمة إنتاج:
تسجيل نموذج باستخدام Azure Machine Learning:
az ml model register -n mymodel -p sklearn_regression_model.pkl
لمزيد من المعلومات، راجع az ml model register.
اختيارياً اجمع معلومات عن النموذج الخاص بك للحصول على القيم المثلى لوحدة المعالجة المركزية والذاكرة للنشر.
az ml model profile -n myprofile -m mymodel:1 --ic inferenceconfig.json -d "{\"data\": [[1,2,3,4,5,6,7,8,9,10],[10,9,8,7,6,5,4,3,2,1]]}" -t myprofileresult.json
لمزيد من المعلومات، راجع az ml model profile.
نشر النموذج الخاص بك إلى AKS
az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
لمزيد من المعلومات حول مخطط ملف تكوين الاستدلال، راجع Inference configuration schema.
لمزيد من المعلومات حول مخطط ملف تكوين النشر، راجع Deployment configuration schema.
لمزيد من المعلومات، راجع az ml model deploy.
مخطط تكوين الاستدلال
يتم تعيين الإدخالات في المستند inferenceconfig.json
إلى معلمات فئة InferenceConfig . يصف الجدول التالي التعيين بين الكيانات في مستند JSON والمعلمات للأسلوب:
كيان JSON | معلمة الأسلوب | الوصف |
---|---|---|
entryScript |
entry_script |
المسار إلى ملف محلي يحتوي على الرمز المطلوب تشغيله للصورة. |
sourceDirectory |
source_directory |
اختياري. مسار إلى المجلدات التي تحتوي على جميع الملفات لإنشاء الصورة، ما يسهل الوصول إلى أي ملفات داخل هذا المجلد أو المجلد الفرعي. يمكنك تحميل مجلد كامل من جهازك المحلي باعتباره تبعيات لخدمة الويب. ملاحظة: المسارات entry_script conda_file extra_docker_file_steps هي مسارات ذات صلة بمسار source_directory. |
environment |
environment |
اختياري. بيئة التعلم الآلي في Azure . |
يمكنك تضمين المواصفات الكاملة لبيئة التعلم الآلي من Microsoft Azure في ملف تكوين الاستدلال. إذا لم تكن هذه البيئة موجودة في مساحة العمل الخاصة بك، فسيقوم Azure Machine Learning بإنشائها. وإلا، فسيقوم التعلم الآلي من Microsoft Azure بتحديث البيئة إذا لزم الأمر. يعد ملف JSON التالي مثالاً على ذلك:
{
"entryScript": "score.py",
"environment": {
"docker": {
"arguments": [],
"baseDockerfile": null,
"baseImage": "mcr.microsoft.com/azureml/intelmpi2018.3-ubuntu18.04",
"enabled": false,
"sharedVolumes": true,
"shmSize": null
},
"environmentVariables": {
"EXAMPLE_ENV_VAR": "EXAMPLE_VALUE"
},
"name": "my-deploy-env",
"python": {
"baseCondaEnvironment": null,
"condaDependencies": {
"channels": [
"conda-forge"
],
"dependencies": [
"python=3.7",
{
"pip": [
"azureml-defaults",
"azureml-telemetry",
"scikit-learn==0.22.1",
"inference-schema[numpy-support]"
]
}
],
"name": "project_environment"
},
"condaDependenciesFile": null,
"interpreterPath": "python",
"userManagedDependencies": false
},
"version": "1"
}
}
يمكنك أيضاً استخدام بيئة التعلم الآلي من Microsoft Azure الموجودة في معلمات CLI المنفصلة وإزالة مفتاح "البيئة" من ملف تكوين الاستدلال. استخدم -e لاسم البيئة، و-ev لإصدار البيئة. إذا لم تحدد --ev، فسيتم استخدام أحدث إصدار. فيما يلي مثال على ملف تكوين الاستدلال:
{
"entryScript": "score.py",
"sourceDirectory": null
}
يوضح الأمر التالي كيفية نشر نموذج باستخدام ملف تكوين الاستدلال السابق (المسمى myInferenceConfig.json).
كما يستخدم أحدث إصدار من بيئة التعلم الآلي من Microsoft Azure موجودة (تسمى AzureML-Minimal).
az ml model deploy -m mymodel:1 --ic myInferenceConfig.json -e AzureML-Minimal --dc deploymentconfig.json
مخطط تكوين النشر
مخطط تكوين النشر المحلي
يتم تعيين الإدخالات في المستند deploymentconfig.json
إلى معلمات LocalWebservice.deploy_configuration. يصف الجدول التالي التعيين بين الكيانات في مستند JSON ومعلمات الأسلوب:
كيان JSON | معلمة الأسلوب | الوصف |
---|---|---|
computeType |
غير متوفرة | هدف الحساب. بالنسبة للأهداف المحلية، يجب أن تكون القيمة local . |
port |
port |
المنفذ المحلي الذي سيتم عرض نقطة نهاية HTTP الخاصة بالخدمة عليه. |
يُعد ملف JSON مثالاً لتكوين النشر للاستخدام مع CLI:
{
"computeType": "local",
"port": 32267
}
احفظ ملف JSON هذا كملف باسم deploymentconfig.json
.
مخطط تكوين نشر مثيل حاوية Azure
تقوم الإدخالات الموجودة في مستند deploymentconfig.json
بالتعيين إلى معلمات AciWebservice.deploy_configuration. يصف الجدول التالي التعيين بين الكيانات في مستند JSON ومعلمات الأسلوب:
كيان JSON | معلمة الأسلوب | الوصف |
---|---|---|
computeType |
غير متوفرة | هدف الحساب. بالنسبة إلى ACI، يجب أن تكون القيمة ACI . |
containerResourceRequirements |
غير متوفرة | حاوية لكيانات CPU وكيانات الذاكرة. |
cpu |
cpu_cores |
عدد الذاكرات الأساسية لوحدة CPU المطلوب تخصيصها. الإعدادات الافتراضية، 0.1 |
memoryInGB |
memory_gb |
مقدار الذاكرة (بالجيجابايت) المراد تخصيصها لخدمة الويب هذه. الإعداد الافتراضي، 0.5 |
location |
location |
منطقة Azure المراد نشر خدمة الويب هذه إليها. إذا لم يتم تحديدها، فسيتم استخدام موقع مساحة العمل. يمكن العثور على مزيد من التفاصيل حول المناطق المتاحة هنا: ACI Regions |
authEnabled |
auth_enabled |
معرفة ما إذا كان سيتم تمكين المصادقة لخدمة الويب هذه. الإعدادات الافتراضية معينة على False |
sslEnabled |
ssl_enabled |
معرفة ما إذا كان سيتم تمكين SSL لخدمة الويب هذه. الإعدادات الافتراضية معينة على False. |
appInsightsEnabled |
enable_app_insights |
معرفة ما إذا كان سيتم تمكين Application Insights لخدمة الويب هذه أم لا. الإعدادات الافتراضية معينة على False |
sslCertificate |
ssl_cert_pem_file |
ملف cert المطلوب إذا تم تمكين SSL |
sslKey |
ssl_key_pem_file |
ملف key المطلوب إذا تم تمكين SSL |
cname |
ssl_cname |
سجل cname إذا تم تمكين SSL |
dnsNameLabel |
dns_name_label |
تسمية اسم dns لنقطة نهاية تسجيل النقاط. إذا لم يتم تحديد تسمية اسم dns فريدة سيتم إنشاؤها لنقطة نهاية تسجيل النقاط. |
ملف JSON التالي هو مثال لتكوين النشر للاستخدام مع CLI:
{
"computeType": "aci",
"containerResourceRequirements":
{
"cpu": 0.5,
"memoryInGB": 1.0
},
"authEnabled": true,
"sslEnabled": false,
"appInsightsEnabled": false
}
مخطط تكوين نشر خدمة Azure Kubernetes
يتم تعيين الإدخالات في المستند deploymentconfig.json
إلى معلمات AksWebservice.deploy_configuration. يصف الجدول التالي التعيين بين الكيانات في مستند JSON ومعلمات الأسلوب:
كيان JSON | معلمة الأسلوب | الوصف |
---|---|---|
computeType |
غير متوفرة | هدف الحساب. بالنسبة إلى AKS، يجب أن تكون القيمة aks . |
autoScaler |
غير متوفرة | يحتوي على عناصر التكوين للتحجيم التلقائي. راجع جدول أداة التحجيم التلقائي. |
autoscaleEnabled |
autoscale_enabled |
ما إذا كان يجب تمكين التحجيم التلقائي لخدمة ويب. إذا كانت numReplicas = 0 ،True ؛ بخلاف ذلك، ستكون False . |
minReplicas |
autoscale_min_replicas |
الحد الأدنى لعدد الحاويات التي يجب استخدامها عند القياس التلقائي لخدمة الويب هذه. الإعداد الافتراضي، 1 . |
maxReplicas |
autoscale_max_replicas |
الحد الأقصى لعدد الحاويات التي يجب استخدامها عند القياس التلقائي لخدمة الويب هذه. الإعداد الافتراضي، 10 . |
refreshPeriodInSeconds |
autoscale_refresh_seconds |
كم مرة تحاول أداة التحجيم التلقائي توسيع نطاق خدمة الويب هذه. الإعداد الافتراضي، 1 . |
targetUtilization |
autoscale_target_utilization |
الاستخدام المستهدف (بالنسبة المئوية من 100) الذي يجب أن يحاول جهاز القياس التلقائي صيانته لخدمة الويب هذه. الإعداد الافتراضي، 70 . |
dataCollection |
غير متوفرة | يحتوي على عناصر التكوين لجمع البيانات. |
storageEnabled |
collect_model_data |
معرفة ما إذا كان سيتم تمكين جمع البيانات النموذجية لخدمة الويب أم لا. الإعداد الافتراضي، False . |
authEnabled |
auth_enabled |
معرفة ما إذا كان سيتم تمكين مصادقة المفتاح لخدمة الويب أم لا. لا يمكن أن يكون كل من tokenAuthEnabled وauthEnabled True . الإعداد الافتراضي، True . |
tokenAuthEnabled |
token_auth_enabled |
معرفة ما إذا كان يتم تمكين مصادقة الرمز المميز لخدمة الويب أم لا. لا يمكن أن يكون كل من tokenAuthEnabled وauthEnabled True . الإعداد الافتراضي، False . |
containerResourceRequirements |
غير متوفرة | حاوية لكيانات CPU وكيانات الذاكرة. |
cpu |
cpu_cores |
عدد نوى وحدة المعالجة المركزية المطلوب تخصيصها لخدمة الويب هذه. الإعدادات الافتراضية، 0.1 |
memoryInGB |
memory_gb |
مقدار الذاكرة (بالجيجابايت) المراد تخصيصها لخدمة الويب هذه. الإعداد الافتراضي، 0.5 |
appInsightsEnabled |
enable_app_insights |
معرفة ما إذا كان سيتم تمكين تسجيل Application Insights لخدمة الويب أم لا. الإعداد الافتراضي، False . |
scoringTimeoutMs |
scoring_timeout_ms |
مهلة لفرض تسجيل المكالمات لخدمة الويب. الإعداد الافتراضي، 60000 . |
maxConcurrentRequestsPerContainer |
replica_max_concurrent_requests |
الحد الأقصى للطلبات المتزامنة لكل عقدة لخدمة الويب هذه. الإعداد الافتراضي، 1 . |
maxQueueWaitMs |
max_request_wait_time |
الحد الأقصى للوقت الذي سيبقى فيه الطلب في قائمة الانتظار (بالملّي ثانية) قبل إرجاع الخطأ 503. الإعداد الافتراضي، 500 . |
numReplicas |
num_replicas |
عدد الحاويات المطلوب تخصيصها لخدمة الويب هذه. لا يحتوي على قيمة افتراضية. إذا لم يتم تعيين هذه المعلمة، يتم تمكين أداة القياس التلقائي افتراضياً. |
keys |
غير متوفرة | يحتوي على عناصر التكوين للمفاتيح. |
primaryKey |
primary_key |
مفتاح مصادقة أساسي لاستخدامه مع خدمة الويب هذه |
secondaryKey |
secondary_key |
مفتاح مصادقة ثانوي لاستخدامه مع خدمة الويب هذه |
gpuCores |
gpu_cores |
عدد الذاكرات الأساسية لوحدة GPU (نسخة متماثلة لكل حاوية) لتخصيصها لخدمة الويب هذه. القيمة الافتراضية هي 1. يدعم فقط قيم الأعداد الصحيحة. |
livenessProbeRequirements |
غير متوفرة | يحتوي على عناصر التكوين لمتطلبات فحص الحيوية. |
periodSeconds |
period_seconds |
كم مرة (بالثواني) لإجراء فحص الحيوية. الإعداد الافتراضي معين على 10 ثوان. أدنى قيمة هي 1. |
initialDelaySeconds |
initial_delay_seconds |
عدد الثواني بعد بدء الحاوية قبل بدء عمليات فحص الحيوية. الإعدادات الافتراضية معينة على 310 |
timeoutSeconds |
timeout_seconds |
عدد الثواني التي تنتهي بعدها مهلة فحص الحيوية. الإعداد الافتراضي هو 2 ثانية. أدنى قيمة هي 1 |
successThreshold |
success_threshold |
الحد الأدنى من النجاحات المتتالية لاعتبار مسبار الحياة ناجحاً بعد الفشل. تعود الإعدادات الافتراضية على 1. أدنى قيمة هي 1. |
failureThreshold |
failure_threshold |
عندما تبدأ وحدة Pod ويفشل فحص الحيوية، سيحاول نظام Kubernetes تجريب failureThreshold عدة محاولات بحد أدنى قبل التوقف. الإعدادات الافتراضية معينة على 3. أدنى قيمة هي 1. |
namespace |
namespace |
مساحة اسم Kubernetes التي يتم نشر خدمة الويب فيها. ما يصل إلى 63 حرفاً أبجدياً رقمياً صغيراً ("a" - "z"، "0" - "9") وأحرف واصلة ("-"). لا يمكن أن يكون الحرف الأول والأخير واصلات. |
ملف JSON التالي هو مثال لتكوين النشر للاستخدام مع CLI:
{
"computeType": "aks",
"autoScaler":
{
"autoscaleEnabled": true,
"minReplicas": 1,
"maxReplicas": 3,
"refreshPeriodInSeconds": 1,
"targetUtilization": 70
},
"dataCollection":
{
"storageEnabled": true
},
"authEnabled": true,
"containerResourceRequirements":
{
"cpu": 0.5,
"memoryInGB": 1.0
}
}
الخطوات التالية
الملاحظات
https://aka.ms/ContentUserFeedback.
قريبًا: خلال عام 2024، سنتخلص تدريجيًا من GitHub Issues بوصفها آلية إرسال ملاحظات للمحتوى ونستبدلها بنظام ملاحظات جديد. لمزيد من المعلومات، راجعإرسال الملاحظات وعرضها المتعلقة بـ