Sdílet prostřednictvím


Instalace a použití rozhraní příkazového řádku (v1)

PLATÍ PRO: Rozšíření Azure CLI ml v1

Důležité

Některé příkazy Azure CLI v tomto článku používají azure-cli-mlrozšíření (nebo v1) pro Azure Machine Learning. Podpora rozšíření v1 skončí 30. září 2025. Do tohoto data budete moct nainstalovat a používat rozšíření v1.

Doporučujeme přejít na mlrozšíření (nebo v2) před 30. zářím 2025. Další informace o rozšíření v2 najdete v tématu Rozšíření Azure ML CLI a Python SDK v2.

Azure Machine Learning CLI je rozšíření azure CLI, rozhraní příkazového řádku pro různé platformy pro platformu Azure. Toto rozšíření poskytuje příkazy pro práci se službou Azure Machine Learning. Umožňuje automatizovat aktivity strojového učení. Následující seznam obsahuje několik ukázkových akcí, které můžete provést s rozšířením rozhraní příkazového řádku:

  • Spuštění experimentů pro vytváření modelů strojového učení

  • Registrace modelů strojového učení pro využití zákazníků

  • Balení, nasazování a sledování životního cyklu modelů strojového učení

Rozhraní příkazového řádku není náhradou za sadu Azure Machine Learning SDK. Jedná se o doplňkový nástroj, který je optimalizovaný pro zpracování vysoce parametrizovaných úloh, které se dobře hodí pro automatizaci.

Požadavky

  • Pokud chcete použít rozhraní příkazového řádku, musíte mít předplatné Azure. Pokud ještě nemáte předplatné Azure, vytvořte si napřed bezplatný účet. Vyzkoušejte si bezplatnou nebo placenou verzi služby Azure Machine Learning ještě dnes.

  • Pokud chcete použít příkazy rozhraní příkazového řádku v tomto dokumentu z místního prostředí, potřebujete Azure CLI.

    Pokud používáte Azure Cloud Shell, rozhraní příkazového řádku se přistupuje přes prohlížeč a žije v cloudu.

Dokumentace s úplnými referenčními informacemi

Vyhledejte kompletní referenční dokumentaci pro rozšíření Azure CLI azure-cli-ml.

Připojení rozhraní příkazového řádku k předplatnému Azure

Důležité

Pokud používáte Azure Cloud Shell, můžete tuto část přeskočit. Cloud Shell vás automaticky ověří pomocí účtu, který se přihlásíte ke svému předplatnému Azure.

Existuje několik způsobů, jak se můžete ověřit ve svém předplatném Azure z rozhraní příkazového řádku. Nejzásadnější je interaktivní ověřování pomocí prohlížeče. Pokud chcete provést ověření interaktivně, otevřete příkazový řádek nebo terminál a použijte následující příkaz:

az login

Pokud rozhraní příkazového řádku může spustit výchozí prohlížeč, udělá to a načte přihlašovací stránku. Jinak musíte otevřít prohlížeč a postupovat podle pokynů na příkazovém řádku. Pokyny zahrnují procházení https://aka.ms/devicelogin a zadávání autorizačního kódu.

Tip

Po přihlášení se zobrazí seznam předplatných přidružených k vašemu účtu Azure. Informace o isDefault: true předplatném jsou aktuálně aktivované předplatné pro příkazy Azure CLI. Toto předplatné musí být stejné, které obsahuje váš pracovní prostor Azure Machine Learning. Informace o předplatném najdete na stránce přehledu vašeho pracovního prostoru na webu Azure Portal.

Pokud chcete vybrat jiné předplatné, které se má použít pro příkazy Azure CLI, spusťte az account set -s <subscription> příkaz a zadejte název nebo ID předplatného, na které se má přepnout. Další informace o výběru předplatného najdete v tématu Použití více předplatných Azure.

Další metody ověřování najdete v tématu Přihlášení pomocí Azure CLI.

Instalace rozšíření

Instalace rozšíření rozhraní příkazového řádku (v1):

az extension add -n azure-cli-ml

Aktualizace rozšíření

Pokud chcete aktualizovat rozšíření Rozhraní příkazového řádku služby Machine Learning, použijte následující příkaz:

az extension update -n azure-cli-ml

Odebrání rozšíření

K odebrání rozšíření rozhraní příkazového řádku použijte následující příkaz:

az extension remove -n azure-cli-ml

Řízení zdrojů

Následující příkazy ukazují, jak pomocí rozhraní příkazového řádku spravovat prostředky používané službou Azure Machine Learning.

  • Pokud ho ještě nemáte, vytvořte skupinu prostředků:

    az group create -n myresourcegroup -l westus2
    
  • Vytvoření pracovního prostoru Azure Machine Learning:

    az ml workspace create -w myworkspace -g myresourcegroup
    

    Další informace najdete v tématu az ml workspace create.

  • Připojte konfiguraci pracovního prostoru ke složce, která umožňuje rozpoznávání kontextu rozhraní příkazového řádku.

    az ml folder attach -w myworkspace -g myresourcegroup
    

    Tento příkaz vytvoří .azureml podadresář, který obsahuje ukázkové soubory prostředí runconfig a conda. Obsahuje také config.json soubor, který se používá ke komunikaci s pracovním prostorem Služby Azure Machine Learning.

    Další informace najdete v tématu az ml folder attach.

  • Připojte kontejner objektů blob Azure jako úložiště dat.

    az ml datastore attach-blob  -n datastorename -a accountname -c containername
    

    Další informace najdete v tématu az ml datastore attach-blob.

  • Nahrajte soubory do úložiště dat.

    az ml datastore upload  -n datastorename -p sourcepath
    

    Další informace najdete v tématu az ml datastore upload.

  • Připojte cluster AKS jako cílový výpočetní objekt.

    az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
    

    Další informace najdete v tématu az ml computetarget attach aks

Výpočetní clustery

  • Vytvořte nový spravovaný výpočetní cluster.

    az ml computetarget create amlcompute -n cpu --min-nodes 1 --max-nodes 1 -s STANDARD_D3_V2
    
  • Vytvoření nového spravovaného výpočetního clusteru se spravovanou identitou

    • Spravovaná identita přiřazená uživatelem

      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>'
      
    • Spravovaná identita přiřazená systémem

      az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '[system]'
      
  • Přidání spravované identity do existujícího clusteru:

    • Spravovaná identita přiřazená uživatelem

      az ml computetarget amlcompute identity assign --name cpu-cluster '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'
      
    • Spravovaná identita přiřazená systémem

      az ml computetarget amlcompute identity assign --name cpu-cluster '[system]'
      

Další informace najdete v tématu az ml computetarget create amlcompute.

Poznámka:

Výpočetní clustery Azure Machine Learning podporují pouze jednu identitu přiřazenou systémem nebo více identit přiřazených uživatelem, ne obě současně.

Výpočetní instance

Správa výpočetních instancí Ve všech níže uvedených příkladech je název výpočetní instance procesoru.

Spouštění experimentů

  • Spusťte spuštění experimentu. Při použití tohoto příkazu zadejte název souboru runconfig (text před *.runconfig, pokud se díváte na systém souborů) proti parametru -c.

    az ml run submit-script -c sklearn -e testexperiment train.py
    

    Tip

    Příkaz az ml folder attach vytvoří .azureml podadresář, který obsahuje dva příklady souborů runconfig.

    Pokud máte skript Pythonu, který vytvoří objekt konfigurace spuštění programově, můžete ho uložit jako soubor RunConfig.save().

    Úplné schéma runconfig najdete v tomto souboru JSON. Schéma je samodokumentování prostřednictvím description klíče každého objektu. Kromě toho existují výčty pro možné hodnoty a fragment šablony na konci.

    Další informace najdete v příkazu az ml run submit-script.

  • Zobrazení seznamu experimentů:

    az ml experiment list
    

    Další informace najdete v tématu az ml experiment list.

Spuštění HyperDrivu

K ladění parametrů můžete použít HyperDrive s Azure CLI. Nejprve vytvořte konfigurační soubor HyperDrivu v následujícím formátu. Podrobnosti o parametrech ladění hyperparametrů najdete v článku o ladění hyperparametrů v článku o modelu .

# 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.

Přidejte tento soubor spolu se spuštěným konfiguračním souborem. Pak odešlete spuštění HyperDrivu pomocí:

az ml run submit-hyperdrive -e <experiment> -c <runconfig> --hyperdrive-configuration-name <hdconfig> my_train.py

Všimněte si oddílu argumentů v konfiguraci runconfig a prostoru parametrů v konfiguraci HyperDrivu. Obsahují argumenty příkazového řádku, které se mají předat trénovacímu skriptu. Hodnota v runconfig zůstává stejná pro každou iteraci, zatímco rozsah v konfiguraci HyperDrivu je iterated over. V obou souborech nezadávejte stejný argument.

Správa datových sad

Následující příkazy ukazují, jak pracovat s datovými sadami ve službě Azure Machine Learning:

  • Registrace datové sady:

    az ml dataset register -f mydataset.json
    

    Informace o formátu souboru JSON použitého k definování datové sady použijte az ml dataset register --show-template.

    Další informace najdete v tématu az ml dataset register.

  • Zobrazení seznamu všech datových sad v pracovním prostoru:

    az ml dataset list
    

    Další informace najdete v tématu az ml dataset list.

  • Získání podrobností o datové sadě:

    az ml dataset show -n dataset-name
    

    Další informace najdete v tématu az ml dataset show.

  • Zrušení registrace datové sady:

    az ml dataset unregister -n dataset-name
    

    Další informace najdete v tématu az ml dataset unregister.

Správa prostředí

Následující příkazy ukazují, jak vytvořit, zaregistrovat a zobrazit seznam prostředí Služby Azure Machine Learning pro váš pracovní prostor:

  • Vytvořte soubory generování uživatelského rozhraní pro prostředí:

    az ml environment scaffold -n myenv -d myenvdirectory
    

    Další informace najdete v tématu az ml environment scaffold.

  • Registrace prostředí:

    az ml environment register -d myenvdirectory
    

    Další informace najdete v tématu az ml environment register.

  • Výpis registrovaných prostředí:

    az ml environment list
    

    Další informace najdete v tématu az ml environment list.

  • Stažení registrovaného prostředí:

    az ml environment download -n myenv -d downloaddirectory
    

    Další informace najdete v tématu az ml environment download.

Schéma konfigurace prostředí

Pokud jste tento příkaz použili az ml environment scaffold , vygeneruje soubor šablony azureml_environment.json , který je možné upravit a použít k vytvoření vlastních konfigurací prostředí pomocí rozhraní příkazového řádku. Objekt nejvyšší úrovně se volně mapuje na Environment třídu v sadě 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
}

Následující tabulka podrobně popisuje jednotlivá pole nejvyšší úrovně v souboru JSON, jeho typ a popis. Pokud je typ objektu propojený s třídou ze sady Python SDK, je mezi každým polem JSON a názvem veřejné proměnné ve třídě Pythonu volná shoda 1:1. V některých případech se pole může mapovat na argument konstruktoru, nikoli na proměnnou třídy. Například environmentVariables pole se mapuje na proměnnou environment_variables Environment ve třídě.

Pole JSON Typ Popis
name string Název prostředí Nezačínejte název s Microsoftem nebo AzureML.
version string Verze prostředí
environmentVariables {string: string} Mapa hodnot hash názvů a hodnot proměnných prostředí
python PythonSectionHat definuje prostředí Pythonu a interpret, který se má použít pro cílový výpočetní prostředek.
docker DockerSection Definuje nastavení pro přizpůsobení image Dockeru vytvořené podle specifikací prostředí.
spark SparkSection Oddíl nakonfiguruje nastavení Sparku. Používá se jenom v případech, kdy je architektura nastavená na PySpark.
databricks DatabricksSection Konfiguruje závislosti knihovny Databricks.
inferencingStackVersion string Určuje verzi odvozování zásobníku přidanou do image. Pokud se chcete vyhnout přidání zásobníku odvozování, ponechte toto pole null. Platná hodnota: "latest".

Správa kanálů ML

Následující příkazy ukazují, jak pracovat s kanály strojového učení:

Registrace modelu, profilace, nasazení

Následující příkazy ukazují, jak zaregistrovat natrénovaný model a pak ho nasadit jako produkční službu:

  • Registrace modelu ve službě Azure Machine Learning:

    az ml model register -n mymodel -p sklearn_regression_model.pkl
    

    Další informace najdete v tématu az ml model register.

  • VOLITELNÉ Profilování modelu za účelem získání optimálních hodnot procesoru a paměti pro nasazení

    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
    

    Další informace najdete v tématu az ml model profile.

  • Nasazení modelu do AKS

    az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
    

    Další informace o schématu konfiguračního souboru odvozování naleznete v tématu Odvozování konfiguračního schématu.

    Další informace o schématu konfiguračního souboru nasazení najdete v tématu Schéma konfigurace nasazení.

    Další informace najdete v tématu az ml model deploy.

Odvozování schématu konfigurace

Položky v inferenceconfig.json dokumentu mapují na parametry pro třídu InferenceConfig . Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON Parametr metody Popis
entryScript entry_script Cesta k místnímu souboru, který obsahuje kód ke spuštění pro image.
sourceDirectory source_directory Nepovinné. Cesta ke složkám, které obsahují všechny soubory k vytvoření image, což usnadňuje přístup k souborům v této složce nebo podsložce. Celou složku můžete nahrát z místního počítače jako závislosti pro webovou službu. Poznámka: Cesty entry_script, conda_file a extra_docker_file_steps jsou relativní k cestě source_directory.
environment environment Nepovinné. Prostředí Azure Machine Learning

Do konfiguračního souboru odvozování můžete zahrnout úplné specifikace prostředí Azure Machine Learning. Pokud toto prostředí ve vašem pracovním prostoru neexistuje, Azure Machine Learning ho vytvoří. V opačném případě Azure Machine Learning v případě potřeby aktualizuje prostředí. Příkladem je následující JSON:

{
    "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"
    }
}

Můžete také použít existující prostředí Azure Machine Learning v oddělených parametrech rozhraní příkazového řádku a odebrat klíč prostředí z konfiguračního souboru odvozování. Pro název prostředí použijte -e a --ev pro verzi prostředí. Pokud nezadáte --ev, použije se nejnovější verze. Tady je příklad konfiguračního souboru odvozování:

{
    "entryScript": "score.py",
    "sourceDirectory": null
}

Následující příkaz ukazuje, jak nasadit model pomocí předchozího konfiguračního souboru odvozování (s názvem myInferenceConfig.json).

Používá také nejnovější verzi existujícího prostředí Azure Machine Learning (s názvem AzureML-Minimal).

az ml model deploy -m mymodel:1 --ic myInferenceConfig.json -e AzureML-Minimal --dc deploymentconfig.json

Schéma konfigurace nasazení

Schéma konfigurace místního nasazení

Položky v deploymentconfig.json dokumentu se mapují na parametry pro LocalWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON Parametr metody Popis
computeType NA Cílový výpočetní objekt. Pro místní cíle musí být localhodnota .
port port Místní port, na kterém se má zveřejnit koncový bod HTTP služby.

Tento JSON je ukázková konfigurace nasazení pro použití s rozhraním příkazového řádku:

{
    "computeType": "local",
    "port": 32267
}

Uložte tento JSON jako soubor s názvem deploymentconfig.json.

Schéma konfigurace nasazení služby Azure Container Instance

Položky v deploymentconfig.json dokumentu se mapují na parametry pro AciWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON Parametr metody Popis
computeType NA Cílový výpočetní objekt. Pro ACI musí být ACIhodnota .
containerResourceRequirements NA Kontejner pro entity procesoru a paměti.
  cpu cpu_cores Počet jader procesoru, která se mají přidělit. Výchozí hodnoty 0.1
  memoryInGB memory_gb Velikost paměti (v GB) pro přidělení této webové služby. Výchozí 0.5
location location Oblast Azure pro nasazení této webové služby do. Pokud nezadáte umístění pracovního prostoru, použije se. Další podrobnosti o dostupných oblastech najdete tady: Oblasti ACI
authEnabled auth_enabled Určuje, jestli chcete povolit ověřování pro tuto webovou službu. Výchozí hodnota je False
sslEnabled ssl_enabled Zda chcete pro tuto webovou službu povolit protokol SSL. Výchozí hodnota je False.
appInsightsEnabled enable_app_insights Určuje, jestli chcete pro tuto webovou službu povolit AppInsights. Výchozí hodnota je False
sslCertificate ssl_cert_pem_file Potřebný soubor certifikátu, pokud je povolený protokol SSL
sslKey ssl_key_pem_file Potřebný soubor klíče, pokud je povolený protokol SSL
cname ssl_cname Název cname pro, pokud je povolený protokol SSL
dnsNameLabel dns_name_label Popisek názvu DNS pro bodovací koncový bod. Pokud nezadáte jedinečný popisek názvu DNS, vygeneruje se pro bodovací koncový bod.

Následující JSON je ukázková konfigurace nasazení pro použití s rozhraním příkazového řádku:

{
    "computeType": "aci",
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    },
    "authEnabled": true,
    "sslEnabled": false,
    "appInsightsEnabled": false
}

Schéma konfigurace nasazení služby Azure Kubernetes Service

Položky v deploymentconfig.json dokumentu se mapují na parametry pro AksWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON Parametr metody Popis
computeType NA Cílový výpočetní objekt. Pro AKS musí být akshodnota .
autoScaler NA Obsahuje elementy konfigurace pro automatické škálování. Podívejte se na tabulku automatického škálování.
  autoscaleEnabled autoscale_enabled Určuje, jestli chcete povolit automatické škálování pro webovou službu. Pokud numReplicas = 0, Truev opačném případě , False.
  minReplicas autoscale_min_replicas Minimální počet kontejnerů, které se mají použít při automatickém škálování této webové služby. Výchozí, 1.
  maxReplicas autoscale_max_replicas Maximální počet kontejnerů, které se mají použít při automatickém škálování této webové služby. Výchozí, 10.
  refreshPeriodInSeconds autoscale_refresh_seconds Jak často se automatické škálování pokusí tuto webovou službu škálovat. Výchozí, 1.
  targetUtilization autoscale_target_utilization Cílové využití (v procentech z 100), které by se automatické škálování mělo pokusit zachovat pro tuto webovou službu. Výchozí, 70.
dataCollection NA Obsahuje konfigurační prvky pro shromažďování dat.
  storageEnabled collect_model_data Zda povolit shromažďování dat modelu pro webovou službu Výchozí, False.
authEnabled auth_enabled Jestli chcete povolit ověřování pomocí klíče pro webovou službu, nebo ne. Oba tokenAuthEnabled a authEnabled nemůže být True. Výchozí, True.
tokenAuthEnabled token_auth_enabled Jestli chcete povolit ověřování tokenů pro webovou službu, nebo ne. Oba tokenAuthEnabled a authEnabled nemůže být True. Výchozí, False.
containerResourceRequirements NA Kontejner pro entity procesoru a paměti.
  cpu cpu_cores Počet jader procesoru, která se mají přidělit pro tuto webovou službu. Výchozí hodnoty 0.1
  memoryInGB memory_gb Velikost paměti (v GB) pro přidělení této webové služby. Výchozí 0.5
appInsightsEnabled enable_app_insights Jestli chcete povolit protokolování Application Insights pro webovou službu. Výchozí, False.
scoringTimeoutMs scoring_timeout_ms Časový limit vynucení volání bodování webové služby Výchozí, 60000.
maxConcurrentRequestsPerContainer replica_max_concurrent_requests Maximální počet souběžných požadavků na uzel pro tuto webovou službu. Výchozí, 1.
maxQueueWaitMs max_request_wait_time Maximální doba, po kterou požadavek zůstane ve frontě (v milisekundách), než se vrátí chyba 503. Výchozí, 500.
numReplicas num_replicas Počet kontejnerů, které se mají přidělit pro tuto webovou službu. Žádná výchozí hodnota. Pokud tento parametr není nastavený, automatické škálování je ve výchozím nastavení povolené.
keys NA Obsahuje elementy konfigurace pro klíče.
  primaryKey primary_key Primární ověřovací klíč, který se má použít pro tuto webovou službu
  secondaryKey secondary_key Sekundární ověřovací klíč, který se má použít pro tuto webovou službu
gpuCores gpu_cores Počet jader GPU (replika na kontejner), které se mají přidělit pro tuto webovou službu. Výchozí hodnota je 1. Podporuje pouze celé číselné hodnoty.
livenessProbeRequirements NA Obsahuje elementy konfigurace pro požadavky sondy aktivity.
  periodSeconds period_seconds Jak často (v sekundách) se má provést sonda aktivity. Výchozí hodnota je 10 sekund. Minimální hodnota je 1.
  initialDelaySeconds initial_delay_seconds Počet sekund po spuštění kontejneru před inicializováním sondy aktivity Výchozí hodnota 310
  timeoutSeconds timeout_seconds Počet sekund, po kterých vyprší časový limit sondy aktivity Výchozí hodnota je 2 sekundy. Minimální hodnota je 1.
  successThreshold success_threshold Minimální počet po sobě jdoucích úspěchů pro sondu aktivity, které se mají považovat za úspěšné po selhání. Výchozí hodnota je 1. Minimální hodnota je 1.
  failureThreshold failure_threshold Když se pod spustí a sonda aktivity selže, Kubernetes zkusí před ukončením neúspěšné doby. Výchozí hodnota je 3. Minimální hodnota je 1.
namespace namespace Obor názvů Kubernetes, do kterého je webová služba nasazená. Až 63 malých alfanumerických znaků ("a"-"z", '0'-'9') a pomlček (-') znaků. První a poslední znaky nesmí být pomlčky.

Následující JSON je ukázková konfigurace nasazení pro použití s rozhraním příkazového řádku:

{
    "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
    }
}

Další kroky