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 ملف config.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 PythonSectionhat 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

• مرجع الأمر لملحق Machine Learning CLI.

• تدريب ونشر نماذج التعلم الآلي باستخدام خطوط أنابيب Azure