تثبيت & استخدام CLI (v1)

مقالة
05/23/2023

ينطبق على:ملحق التعلم الآلي من Azure CLI الإصدار 1

هام

تتطلب أوامر Azure CLI الواردة في هذه المقالة ملحق azure-cli-ml أو v1 للتعلم 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

لا يعد CLI بديلا ل Azure Machine Learning SDK. إنها أداة تكميلية تم تحسينها للتعامل مع المهام ذات المعلمات العالية التي تناسب نفسها تماما مع الأتمتة.

المتطلبات الأساسية

لاستخدام CLI، يجب أن يكون لديك اشتراك في Azure. إذا لم يكن لديك اشتراك Azure، فأنشئ حساباً مجانياً قبل أن تبدأ. جرب الإصدار المجاني أو المدفوع الخاص بـ Azure Machine Learning اليوم.
لاستخدام أوامر CLI في هذا المستند من ⁧⁩بيئتك المحلية⁧⁩، فإنك 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 Azure Cloud Shell، فيمكنك تخطي هذا القسم. يقوم Cloud shell تلقائياً بمصادقتك باستخدام الحساب الذي تقوم بتسجيل الدخول إلى اشتراكك في Azure.

توجد عدة طرق يمكنك من خلالها المصادقة على اشتراك Azure الخاص بك من CLI. وأبسط ما في الأمر هو المصادقة بشكل تفاعلي باستخدام مستعرض. للمصادقة بشكل تفاعلي، افتح سطر أوامر أو محطة طرفية واستخدم الأمر التالي:

az login

إذا كان بإمكان CLI فتح المستعرض الافتراضي الخاص بك، فسيقوم بذلك ويقوم بتحميل صفحة تسجيل الدخول. وإلا، يتعين عليك فتح مستعرض واتباع الإرشادات الموجودة في سطر الأوامر. تتضمن الإرشادات الاستعراض إلى https://aka.ms/devicelogin وإدخال رمز التخويل.

تلميح

بعد تسجيل الدخول، سترى قائمة الاشتراكات المقترنة بحساب Azure. معلومات الاشتراك مع isDefault: true هي الاشتراك النشط حالياً لأوامر Azure CLI. يجب أن يكون هذا الاشتراك هو نفسه الذي يحتوي على مساحة عمل Azure Machine Learning. يمكنك العثور على معرّف الاشتراك من مدخل Microsoft Azure من خلال زيارة صفحة النظرة العامة لمساحة العمل الخاصة بك. يمكنك أيضاً استخدام SDK للحصول على معرف الاشتراك من كائن مساحة العمل. على سبيل المثال، ⁧Workspace.from_config().subscription_id⁩.

لتحديد اشتراك آخر، استخدم الأمر az account set -s <subscription name or ID> وحدد اسم الاشتراك أو المعرف للتبديل إليه. لمزيد من المعلومات حول تحديد الاشتراك، راجع استخدام اشتراكات Azure المتعددة .

للتعرف على طرق المصادقة الأخرى، راجع تسجيل الدخول باستخدام Azure CLI .

تثبيت الملحق

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، فقم 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

أنظمة مجموعات الحساب

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 بالهوية المُدارة

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 الهوية المُدارة 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.

ملاحظة

تدعم أنظمة مجموعات حساب التعلم الآلي من Microsoft Azure هوية واحدة فقط تم تعيينها من قبل النظام أو هويات متعددة تم تعيينها من قبل 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 البيئة

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 عنصر 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 متوفر	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 متوفر	هدف الحساب. بالنسبة إلى ACI، يجب أن تكون القيمة `ACI`.
`containerResourceRequirements`	‏‏غير متوفر	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 متوفر	هدف الحساب. بالنسبة إلى AKS، يجب أن تكون القيمة `aks`.
`autoScaler`	‏‏غير متوفر	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 متوفر	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` و`authEnabledTrue`. 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` و`authEnabledTrue`. الإعداد الافتراضي، `False`.
`containerResourceRequirements`	‏‏غير متوفر	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 متوفر	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. الإعداد الافتراضي 1. يدعم فقط قيم الأعداد الصحيحة.
`livenessProbeRequirements`	‏‏غير متوفر	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.