Instalace & pomocí rozhraní příkazového řádku (v1)
PLATÍ PRO:Rozšíření Azure CLI ml v1
Důležité
Příkazy Azure CLI v tomto článku vyžadujíazure-cli-ml
rozšíření , nebo v1 pro Azure Machine Learning. Podpora rozšíření v1 skončí 30. září 2025. Rozšíření v1 budete moct nainstalovat a používat do tohoto data.
Doporučujeme přejít na ml
rozšíření , nebo v2 do 30. září 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 Azure. Toto rozšíření poskytuje příkazy pro práci se službou Azure Machine Learning. Umožňuje automatizovat aktivity strojového učení. Následující seznam obsahuje několik příkladů akcí, které můžete provést s rozšířením rozhraní příkazového řádku:
Spouštění experimentů pro vytváření modelů strojového učení
Registrace modelů strojového učení pro využití zákazníkem
Balení, nasazení a sledování životního cyklu modelů strojového učení
Rozhraní příkazového řádku nenahrazuje sadu Azure Machine Learning SDK. Jedná se o doplňkový nástroj, který je optimalizovaný pro zpracování vysoce parametrizovaných úloh, které se dobře hodí k automatizaci.
Požadavky
Abyste mohli používat rozhraní příkazového řádku, musíte mít předplatné Azure. Pokud ještě nemáte předplatné Azure, vytvořte si napřed bezplatný účet. Vyzkoušejte 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, k rozhraní příkazového řádku se přistupuje přes prohlížeč a žije v cloudu.
Úplná referenční dokumentace
Projděte si úplnou referenční dokumentaci k rozšíření Azure-cli-ml azure CLI.
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. Nejzákladnější je interaktivní ověřování pomocí prohlížeče. Pokud chcete ověřit 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. V opačném případě 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 předplatném s isDefault: true
je aktuálně aktivované předplatné pro příkazy Azure CLI. Toto předplatné musí být stejné, které obsahuje váš pracovní prostor Služby Azure Machine Learning. ID předplatného najdete v Azure Portal na stránce s přehledem pro váš pracovní prostor. K získání ID předplatného z objektu pracovního prostoru můžete použít také sadu SDK. Například, Workspace.from_config().subscription_id
.
Pokud chcete vybrat jiné předplatné, použijte az account set -s <subscription name or ID>
příkaz a zadejte název nebo ID předplatného, na které chcete přejít. 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
Pokud chcete odebrat rozšíření rozhraní příkazového řádku, použijte následující příkaz:
az extension remove -n azure-cli-ml
Správa prostředků
Následující příkazy ukazují, jak pomocí rozhraní příkazového řádku spravovat prostředky používané službou Azure Machine Learning.
Pokud ji ještě nemáte, vytvořte skupinu prostředků:
az group create -n myresourcegroup -l westus2
Vytvoření pracovního prostoru Služby Azure Machine Learning:
az ml workspace create -w myworkspace -g myresourcegroup
Další informace najdete v tématu az ml workspace create.
Připojte ke složce konfiguraci pracovního prostoru, abyste umožnili kontextové rozpoznávání rozhraní příkazového řádku.
az ml folder attach -w myworkspace -g myresourcegroup
Tento příkaz vytvoří
.azureml
podadresář, který obsahuje ukázkové soubory prostředí runconfig a conda. Obsahujeconfig.json
také 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.
Připojení clusteru AKS jako cílového výpočetního objektu
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 několik identit přiřazených uživatelem, nikoli obě současně.
Instance služby Compute
Správa výpočetních instancí Ve všech následujících příkladech je název výpočetní instance cpu.
Vytvořte novou výpočetní instance.
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
Další informace najdete v tématu az ml computetarget create computeinstance.
Zastavte výpočetní instance.
az ml computetarget computeinstance stop -n cpu -v
Další informace najdete v tématu az ml computetarget computeinstance stop.
Spusťte výpočetní instance.
az ml computetarget computeinstance start -n cpu -v
Další informace najdete v tématu az ml computetarget computeinstance start.
Restartujte výpočetní instance.
az ml computetarget computeinstance restart -n cpu -v
Další informace najdete v tématu az ml computetarget computeinstance restart.
Odstranění instance computeinstance
az ml computetarget delete -n cpu -v
Další informace najdete v tématu az ml computetarget delete computeinstance.
Spouštění experimentů
Spusťte spuštění experimentu. Při použití tohoto příkazu zadejte název souboru runconfig (text před *.runconfig, pokud se díváte na systém souborů) před parametrem -c.
az ml run submit-script -c sklearn -e testexperiment train.py
Tip
Příkaz
az ml folder attach
vytvoří.azureml
podadresář, který obsahuje dva ukázkové soubory runconfig.Pokud máte skript Pythonu, který programově vytvoří objekt konfigurace spuštění, můžete ho uložit jako soubor runconfig pomocí příkazu RunConfig.save().
Úplné schéma runconfig najdete v tomto souboru JSON. Schéma je samodokumentování prostřednictvím
description
klíče každého objektu. Kromě toho jsou k dispozici výčty pro možné hodnoty a fragment šablony na konci.Další informace najdete v tématu 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 Ladění hyperparametrů pro model .
# 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 společně s konfiguračními soubory spuštění. 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 runconfig a prostoru parametrů v konfiguraci HyperDrive. Obsahují argumenty příkazového řádku, které se mají předat do trénovacího skriptu. Hodnota v runconfig zůstává pro každou iteraci stejná, zatímco rozsah v konfiguraci HyperDrive se iteruje. 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 potřebujete pomocí
az ml dataset register --show-template
příkazu .Další informace najdete v tématu az ml dataset register.
Výpis 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 Azure Machine Learning pro váš pracovní prostor:
Vytvoření souborů 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.
Seznam 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 použili az ml environment scaffold
příkaz, 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, jejich typ a popis. Pokud je typ objektu propojený s třídou ze sady Python SDK, mezi každým polem JSON a názvem veřejné proměnné ve třídě Pythonu existuje volná shoda 1:1. V některých případech se pole může mapovat na argument konstruktoru místo na proměnnou třídy. Například pole se environmentVariables
mapuje na proměnnou environment_variables
ve Environment
třídě.
Pole JSON | Typ | Description |
---|---|---|
name |
string |
Název prostředí Nezačínejte název na Microsoft nebo AzureML. |
version |
string |
Verze prostředí. |
environmentVariables |
{string: string} |
Hash mapa názvů a hodnot proměnných prostředí. |
python |
PythonSection Hat definuje prostředí Pythonu a interpret, které se má použít v cílovém výpočetním prostředku. |
|
docker |
DockerSection |
Definuje nastavení pro přizpůsobení image Dockeru sestavené podle specifikací prostředí. |
spark |
SparkSection |
Oddíl konfiguruje nastavení Sparku. Používá se jenom v případech, kdy je architektura nastavená na PySpark. |
databricks |
DatabricksSection |
Konfiguruje závislosti knihovny Databricks. |
inferencingStackVersion |
string |
Určuje verzi zásobníku pro odvozování 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:
Vytvoření kanálu strojového učení:
az ml pipeline create -n mypipeline -y mypipeline.yml
Další informace najdete v tématu az ml pipeline create.
Další informace o souboru YAML kanálu najdete v tématu Definování kanálů strojového učení v YAML.
Spuštění kanálu:
az ml run submit-pipeline -n myexperiment -y mypipeline.yml
Další informace najdete v tématu az ml run submit-pipeline.
Další informace o souboru YAML kanálu najdete v tématu Definování kanálů strojového učení v YAML.
Naplánování kanálu:
az ml pipeline create-schedule -n myschedule -e myexperiment -i mypipelineid -y myschedule.yml
Další informace najdete v tématu az ml pipeline create-schedule.
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 Profilujte model, abyste získali optimální hodnoty 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 najdete v tématu Schéma konfigurace odvozování.
Další informace o schématu konfiguračního souboru nasazení najdete v tématu Schéma konfigurace nasazení.
Další informace najdete v tématu az ml model deploy.
Schéma konfigurace odvozovat
Položky v dokumentu se inferenceconfig.json
mapují na parametry pro Třídu InferenceConfig . Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry pro metodu:
Entita JSON | Parametr metody | Description |
---|---|---|
entryScript |
entry_script |
Cesta k místnímu souboru, který obsahuje kód, který se má spustit pro image. |
sourceDirectory |
source_directory |
Nepovinný parametr. Cesta ke složkám, které obsahují všechny soubory pro vytvoření image, což usnadňuje přístup k souborům v této složce nebo podsložce. Jako závislosti pro webovou službu můžete nahrát celou složku z místního počítače. Poznámka: Cesty entry_script, conda_file a extra_docker_file_steps jsou relativními cestami k cestě source_directory. |
environment |
environment |
Nepovinný parametr. Prostředí Azure Machine Learning. |
Do konfiguračního souboru pro 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 prostředí aktualizuje. 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 odvození. Jako název prostředí použijte -e a jako verzi prostředí --ev. 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 konfiguračního souboru předchozího 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 dokumentu se deploymentconfig.json
mapují na parametry pro LocalWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:
Entita JSON | Parametr metody | Description |
---|---|---|
computeType |
NA | Cílové výpočetní prostředí. Pro místní cíle musí být local hodnota . |
port |
port |
Místní port, na kterém se má zveřejnit koncový bod HTTP služby. |
Tento JSON je příklad 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 dokumentu se deploymentconfig.json
mapují na parametry pro AciWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:
Entita JSON | Parametr metody | Description |
---|---|---|
computeType |
NA | Cílové výpočetní prostředí. V případě ACI musí být ACI hodnota . |
containerResourceRequirements |
NA | Kontejner pro entity procesoru a paměti. |
cpu |
cpu_cores |
Počet jader procesoru, která se mají přidělit. Výchozí 0.1 |
memoryInGB |
memory_gb |
Velikost paměti (v GB), která se má přidělit této webové službě. Výchozí 0.5 |
location |
location |
Oblast Azure, do které chcete tuto webovou službu nasadit. Pokud není zadáno, použije se umístění pracovního prostoru. Další podrobnosti o dostupných oblastech najdete tady: Oblasti ACI |
authEnabled |
auth_enabled |
Zda se má povolit ověřování pro tuto webovou službu. Výchozí hodnota je Nepravda. |
sslEnabled |
ssl_enabled |
Jestli se má povolit SSL pro tuto webovou službu. Výchozí hodnota je False. |
appInsightsEnabled |
enable_app_insights |
Jestli se má povolit AppInsights pro tuto webovou službu. Výchozí hodnota je Nepravda. |
sslCertificate |
ssl_cert_pem_file |
Soubor certifikátu, který je potřeba, pokud je povolený protokol SSL |
sslKey |
ssl_key_pem_file |
Soubor klíče, který je potřeba, pokud je povolený protokol SSL |
cname |
ssl_cname |
Název cname pro, jestli je povolený protokol SSL |
dnsNameLabel |
dns_name_label |
Popisek názvu DNS bodujícího koncového bodu Pokud není zadaný, pro bodovací koncový bod se vygeneruje jedinečný popisek názvu DNS. |
Následující kód JSON je příkladem konfigurace nasazení pro použití s rozhraním příkazového řádku:
{
"computeType": "aci",
"containerResourceRequirements":
{
"cpu": 0.5,
"memoryInGB": 1.0
},
"authEnabled": true,
"sslEnabled": false,
"appInsightsEnabled": false
}
Azure Kubernetes Service schéma konfigurace nasazení
Položky v dokumentu se deploymentconfig.json
mapují na parametry pro AksWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:
Entita JSON | Parametr metody | Description |
---|---|---|
computeType |
NA | Cílové výpočetní prostředí. V případě AKS musí být aks hodnota . |
autoScaler |
NA | Obsahuje prvky konfigurace pro automatické škálování. Podívejte se na tabulku automatického škálování. |
autoscaleEnabled |
autoscale_enabled |
Jestli chcete povolit automatické škálování pro webovou službu. Pokud numReplicas = 0 , True ; v opačném případě . False |
minReplicas |
autoscale_min_replicas |
Minimální počet kontejnerů, které se mají použít při automatickém škálování této webové služby. Výchozí hodnota: 1 . |
maxReplicas |
autoscale_max_replicas |
Maximální počet kontejnerů, které se mají použít při automatickém škálování této webové služby. Výchozí hodnota: 10 . |
refreshPeriodInSeconds |
autoscale_refresh_seconds |
Jak často se automatické škálování pokouší škálovat tuto webovou službu. Výchozí hodnota: 1 . |
targetUtilization |
autoscale_target_utilization |
Cílové využití (v procentech ze 100), které by se automatické škálování mělo pokusit zachovat pro tuto webovou službu. Výchozí hodnota: 70 . |
dataCollection |
NA | Obsahuje prvky konfigurace pro shromažďování dat. |
storageEnabled |
collect_model_data |
Jestli chcete povolit shromažďování dat modelu pro webovou službu. Výchozí hodnota: False . |
authEnabled |
auth_enabled |
Určuje, jestli se má povolit ověřování pomocí klíče pro webovou službu. Obojí tokenAuthEnabled i authEnabled nemůže být True . Výchozí hodnota: True . |
tokenAuthEnabled |
token_auth_enabled |
Určuje, jestli se má povolit ověřování tokenem pro webovou službu. Obojí tokenAuthEnabled i authEnabled nemůže být True . Výchozí hodnota: False . |
containerResourceRequirements |
NA | Kontejner pro entity procesoru a paměti. |
cpu |
cpu_cores |
Počet jader procesoru, která se mají přidělit této webové službě. Výchozí 0.1 |
memoryInGB |
memory_gb |
Velikost paměti (v GB), která se má přidělit této webové službě. Výchozí 0.5 |
appInsightsEnabled |
enable_app_insights |
Jestli chcete povolit protokolování Application Insights pro webovou službu. Výchozí hodnota: False . |
scoringTimeoutMs |
scoring_timeout_ms |
Časový limit, který se má vynutit při vyhodnocování volání webové služby. Výchozí hodnota: 60000 . |
maxConcurrentRequestsPerContainer |
replica_max_concurrent_requests |
Maximální počet souběžných požadavků na uzel pro tuto webovou službu. Výchozí hodnota: 1 . |
maxQueueWaitMs |
max_request_wait_time |
Maximální doba, po které požadavek zůstane ve frontě (v milisekundách), než se vrátí chyba 503. Výchozí hodnota: 500 . |
numReplicas |
num_replicas |
Počet kontejnerů, které se mají přidělit této webové službě. Žádná výchozí hodnota. Pokud tento parametr není nastavený, je automatické škálování ve výchozím nastavení povolené. |
keys |
NA | Obsahuje prvky 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 (na repliku kontejneru), která se mají přidělit pro tuto webovou službu. Výchozí hodnota je 1. Podporuje pouze celé číselné hodnoty. |
livenessProbeRequirements |
NA | Obsahuje prvky konfigurace pro požadavky sondy živosti. |
periodSeconds |
period_seconds |
Jak často (v sekundách) se má sonda aktivity provádět. Výchozí hodnota je 10 sekund. Minimální hodnota je 1. |
initialDelaySeconds |
initial_delay_seconds |
Počet sekund po spuštění kontejneru před zahájením sondy živosti Výchozí hodnota je 310. |
timeoutSeconds |
timeout_seconds |
Počet sekund, po jejichž uplynutí vyprší časový limit sondy aktivity. Výchozí hodnota je 2 sekundy. Minimální hodnota je 1. |
successThreshold |
success_threshold |
Minimální počet po sobě jdoucích úspěchů, aby se sonda živosti po neúspěchu považovala za úspěšnou. Výchozí hodnota je 1. Minimální hodnota je 1. |
failureThreshold |
failure_threshold |
Když se pod spustí a sonda živosti selže, Kubernetes se pokusí o selháníThreshold times, než to vzdát. Výchozí hodnota je 3. Minimální hodnota je 1. |
namespace |
namespace |
Obor názvů Kubernetes, do kterého je webová služba nasazená. Až 63 alfanumerických znaků ("a"-"z", "0"-"9") a pomlček ("-") znaků. První a poslední znaky nesmí být pomlčky. |
Následující kód JSON je příkladem 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
}
}