az ml model
Hinweis
Diese Referenz ist Teil der Azure-cli-ml-Erweiterung für die Azure CLI (Version 2.0.28 oder höher). Die Erweiterung wird automatisch installiert, wenn Sie einen Az ml-Modellbefehl zum ersten Mal ausführen. Weitere Informationen zu Erweiterungen
Verwalten von Machine Learning-Modellen.
Befehle
| Name | Beschreibung | Typ | Status |
|---|---|---|---|
| az ml model delete |
Löschen Sie ein Modell aus dem Arbeitsbereich. |
Erweiterung | Allgemein verfügbar |
| az ml model deploy |
Bereitstellen von Modell(en) aus dem Arbeitsbereich. |
Erweiterung | Allgemein verfügbar |
| az ml model download |
Laden Sie ein Modell aus dem Arbeitsbereich herunter. |
Erweiterung | Allgemein verfügbar |
| az ml model list |
Listenmodelle im Arbeitsbereich auf. |
Erweiterung | Allgemein verfügbar |
| az ml model package |
Packen Sie ein Modell im Arbeitsbereich. |
Erweiterung | Allgemein verfügbar |
| az ml model profile |
Profilmodell(n) im Arbeitsbereich. |
Erweiterung | Allgemein verfügbar |
| az ml model register |
Registrieren Sie ein Modell für den Arbeitsbereich. |
Erweiterung | Allgemein verfügbar |
| az ml model show |
Zeigen Sie ein Modell im Arbeitsbereich an. |
Erweiterung | Allgemein verfügbar |
| az ml model update |
Aktualisieren eines Modells im Arbeitsbereich. |
Erweiterung | Allgemein verfügbar |
az ml model delete
Löschen Sie ein Modell aus dem Arbeitsbereich.
az ml model delete --model-id
[--path]
[--resource-group]
[--subscription-id]
[--workspace-name]
[-v]Erforderliche Parameter
ID des zu löschenden Modells.
Optionale Parameter
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Gibt die Abonnement-ID an.
Name des Arbeitsbereichs
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model deploy
Bereitstellen von Modell(en) aus dem Arbeitsbereich.
az ml model deploy --name
[--ae]
[--ai]
[--ar]
[--as]
[--at]
[--autoscale-max-replicas]
[--autoscale-min-replicas]
[--base-image]
[--base-image-registry]
[--cc]
[--ccl]
[--cf]
[--collect-model-data]
[--compute-target]
[--compute-type]
[--cuda-version]
[--dc]
[--description]
[--dn]
[--ds]
[--ed]
[--eg]
[--entry-script]
[--environment-name]
[--environment-version]
[--failure-threshold]
[--gb]
[--gbl]
[--gc]
[--ic]
[--id]
[--key-name]
[--key-version]
[--kp]
[--ks]
[--lo]
[--max-request-wait-time]
[--model]
[--model-metadata-file]
[--namespace]
[--no-wait]
[--nr]
[--overwrite]
[--path]
[--period-seconds]
[--pi]
[--po]
[--property]
[--replica-max-concurrent-requests]
[--resource-group]
[--rt]
[--sc]
[--scoring-timeout-ms]
[--sd]
[--se]
[--sk]
[--sp]
[--st]
[--subnet-name]
[--subscription-id]
[--tag]
[--timeout-seconds]
[--token-auth-enabled]
[--tp]
[--vault-base-url]
[--version-name]
[--vnet-name]
[--workspace-name]
[-v]Erforderliche Parameter
Der Name des bereitgestellten Diensts.
Optionale Parameter
Gibt an, ob die Schlüsselauthentifizierung für diesen Webdienst aktiviert werden soll. Der Standardwert lautet „False“.
Gibt an, ob für diesen Webdienst AppInsights aktiviert werden soll. Der Standardwert lautet „False“.
Gibt an, wie oft die Autoskalierung versuchen soll, diesen Webdienst zu skalieren. Der Standardwert lautet 1.
Gibt an, ob die automatische Skalierung für diesen Webdienst aktiviert werden soll. Der Standardwert ist „True“, wenn num_replicas „None“ ist.
Die Zielauslastung (in Prozent bis 100), die die Autoskalierung für den Webdienst nach Möglichkeit aufrechterhalten soll. Der Standardwert ist 70.
Die maximale Anzahl von Containern, die bei der automatischen Skalierung dieses Webdiensts verwendet werden sollen. Der Standardwert ist 10.
Die Mindestanzahl von Containern, die bei der automatischen Skalierung dieses Webdiensts verwendet werden sollen. Der Standardwert lautet 1.
Ein benutzerdefiniertes Image, das als Basisimage verwendet werden soll. Wenn kein Basisimage angegeben wird, wird das Basisimage basierend auf dem angegebenen Runtimeparameter verwendet.
Imageregistrierung, die das Basisimage enthält.
Die Anzahl von CPU-Kernen, die für diesen Webdienst zugeordnet werden sollen. Dabei kann es sich um eine Dezimalzahl handeln. Der Standardwert ist 0,1.
Maximale Anzahl der CPU-Kerne, die dieser Webdienst verwenden darf. Dabei kann es sich um eine Dezimalzahl handeln.
Pfad zur lokalen Datei, die eine für das Image zu verwendende Conda-Umgebungsdefinition enthält.
Gibt an, ob die Modelldatensammlung für diesen Webdienst aktiviert werden soll. Der Standardwert lautet „False“.
Name des Computeziels. Gilt nur für die Bereitstellung in AKS.
Berechnen des bereitzustellenden Diensttyps.
CUDA-Version, die für Images installiert wird, die GPU-Unterstützung benötigen. Das GPU-Image muss in Microsoft Azure-Diensten wie Azure Container Instances, Azure Machine Learning Compute, Azure Virtual Machines und Azure Kubernetes Service verwendet werden. Unterstützt werden die Versionen 9.0, 9.1 und 10.0. Wenn „enable_gpu“ festgelegt ist, wird standardmäßig „9.1“ verwendet.
Pfad zu einer JSON- oder YAML-Datei, die Bereitstellungsmetadaten enthält.
Beschreibung des bereitgestellten Diensts.
Der DNS-Name für diesen Webdienst.
Pfad zur lokalen Datei mit zusätzlichen Docker-Schritten, die bei der Einrichtung des Images ausgeführt werden.
Verzeichnis für Azure Machine Learning Environment für die Bereitstellung. Es ist derselbe Verzeichnispfad wie im Befehl "az ml environment scaffold" angegeben.
Gibt an, ob die GPU-Unterstützung im Image aktiviert werden soll. Das GPU-Image muss in Microsoft Azure-Diensten wie Azure Container Instances, Azure Machine Learning Compute, Azure Virtual Machines und Azure Kubernetes Service verwendet werden. Der Standardwert lautet „False“.
Pfad zur lokalen Datei, die den Code enthält, der für den Dienst ausgeführt werden soll (relativer Pfad von source_directory, wenn einer angegeben wird).
Name der Azure Machine Learning-Umgebung für die Bereitstellung.
Version einer vorhandenen Azure Machine Learning-Umgebung für die Bereitstellung.
Wenn ein Pod gestartet wird und der Liveness-Sonde fehlschlägt, versucht Kubernetes vor dem Aufgeben --Failure-Schwellenwerte. Der Standardwert ist 3. Der Mindestwert ist 1.
Menge an Arbeitsspeicher (in GB), die für diesen Webdienst zugeordnet werden soll. Dabei kann es sich um eine Dezimalzahl handeln.
Die maximale Arbeitsspeichermenge (in GB), die von diesem Webdienst verwendet werden darf. Dabei kann es sich um eine Dezimalzahl handeln.
Die Anzahl der GPU-Kerne, die für diesen Webdienst zugewiesen werden sollen. Der Standard- ist 1.
Pfad zu einer JSON- oder YAML-Datei, die eine Ableitungskonfiguration enthält.
Die Anzahl der Sekunden, die nach dem Start des Containers vergehen, bevor Livetests initiiert werden. Der Standardwert ist 310.
Schlüsselname für Verschlüsselungseigenschaften in vom Kunden verwalteten Schlüsseln (CMK) für ACI.
Schlüsselversion für Verschlüsselungseigenschaften in vom Kunden verwalteten Schlüsseln (CMK) für ACI.
Ein primärer Authentifizierungsschlüssel, der für diesen Webdienst verwendet werden soll.
Ein sekundärer Authentifizierungsschlüssel, der für diesen Webdienst verwendet werden soll
Die Azure-Region, in der dieser Webdienst bereitgestellt werden soll. Wenn keine Region angegeben ist, wird der Standort des Arbeitsbereichs verwendet. Weitere Details zu den verfügbaren Regionen finden Sie hier: https://azure.microsoft.com/en-us/global-infrastructure/services/?regions=all& products=containerinstanzen.
Die maximale Zeitspanne, die eine Anforderung in der Warteschlange verbleibt (in Millisekunden), bevor der Fehler 503 zurückgegeben wird. Standardwerte auf 500.
Die ID des zu bereitstellenden Modells. Mehrere Modelle können mit zusätzlichen -m-Argumenten angegeben werden. Modelle müssen zuerst registriert werden.
Pfad zu einer JSON-Datei, die Modellregistrierungsmetadaten enthält. Mehrere Modelle können mit mehreren -f-Parametern bereitgestellt werden.
Kubernetes-Namespace, in dem der Dienst bereitgestellt werden soll: bis zu 63 alphanumerische Zeichen ('-'z', '0'-'9') und Bindestriche ('-'). Als erstes und letztes Zeichen dürfen keine Bindestriche verwendet werden. Gilt nur für die Bereitstellung in AKS.
Kennzeichnen, um nicht auf asynchrone Aufrufe zu warten.
Die Anzahl von Containern, die für diesen Webdienst zugeordnet werden sollen. Für diese gibt es keinen Standardwert. Wenn dieser Parameter nicht festgelegt wird, wird die Autoskalierung automatisch aktiviert.
Überschreiben Sie den vorhandenen Dienst, wenn der Name in Konflikt steht.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Gibt an, wie häufig (in Sekunden) ein Livetest durchgeführt werden soll. Der Standardwert ist 10 Sekunden. Der Mindestwert ist 1.
Pfad zu einer JSON-Datei, die Profilerstellungsergebnisse enthält.
Der lokale Port, auf dem der HTTP-Endpunkt des Diensts verfügbar gemacht werden soll.
Key/Value-Eigenschaft, die hinzugefügt werden soll (e.g. key=Wert). Mehrere Eigenschaften können mit mehreren --Property-Optionen angegeben werden.
Die Anzahl der maximalen gleichzeitigen Anforderungen pro Knoten, die für diesen Webdienst zulässig sind. Der Standardwert lautet 1.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Welche Laufzeit für das Image verwendet werden soll. Aktuelle unterstützte Laufzeiten sind "spark-py" und "python"spark-py|python|python-slim.
Der CNAME, wenn SSL aktiviert ist.
Eine Zeitüberschreitung, die für Bewertungsaufrufe an diesen Webdienst erzwungen wird. Der Standardwert ist 60000.
Pfad zu Ordnern, die alle Dateien zum Erstellen des Images enthalten.
Gibt an, ob für diesen Webdienst SSL aktiviert werden soll. Der Standardwert lautet „False“.
Die benötigte KEY-Datei, wenn SSL aktiviert ist.
Die benötigte CERT-Datei, wenn SSL aktiviert ist.
Die Anzahl der Erfolge, die mindestens aufeinander folgen müssen, damit ein Livetest nach einem Fehler wieder als erfolgreich betrachtet wird. Der Standardwert lautet 1. Der Mindestwert ist 1.
Der Name des Subnetzes innerhalb des VNet.
Gibt die Abonnement-ID an.
Hinzuzufügende Schlüssel-/Wert-Tag (e.g. key=Wert). Mehrere Tags können mit Mehreren -Tag-Optionen angegeben werden.
Die Anzahl von Sekunden, nach denen das Zeitlimit für den Livetest überschritten ist. Der Standardwert ist 2 Sekunden. Der Mindestwert ist 1.
Gibt an, ob die Tokenauthentifizierung für diesen Webdienst aktiviert werden soll. Wird ignoriert, wenn sie nicht in AKS bereitgestellt wird. Der Standardwert lautet „False“.
Die Menge des Datenverkehrs, den die Version in einem Endpunkt empfängt. Dabei kann es sich um eine Dezimalzahl handeln. Der Standardwert ist 0.
Vault-Basis-URL für Verschlüsselungseigenschaften in vom Kunden verwalteten Schlüsseln (CMK) für ACI.
Der Versionsname in einem Endpunkt. Standardmäßig wird der Endpunktname für die erste Version verwendet.
Der Name des virtuellen Netzwerks.
Name des Arbeitsbereichs
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model download
Laden Sie ein Modell aus dem Arbeitsbereich herunter.
az ml model download --model-id
--target-dir
[--overwrite]
[--path]
[--resource-group]
[--subscription-id]
[--workspace-name]
[-v]Erforderliche Parameter
ID des Modells.
Zielverzeichnis, in das die Modelldatei heruntergeladen werden soll.
Optionale Parameter
Überschreiben, wenn die gleiche Namensdatei im Zielverzeichnis vorhanden ist.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Gibt die Abonnement-ID an.
Der Name des Arbeitsbereichs, der das anzuzeigende Modell enthält.
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model list
Listenmodelle im Arbeitsbereich auf.
az ml model list [--dataset-id]
[--latest]
[--model-name]
[--path]
[--property]
[--resource-group]
[--run-id]
[--subscription-id]
[--tag]
[--workspace-name]
[-v]Optionale Parameter
Wenn angegeben, werden nur Modelle mit der angegebenen Dataset-ID angezeigt.
Wenn angegeben, werden nur Modelle mit der neuesten Version zurückgegeben.
Ein optionaler Modellname zum Filtern der Liste nach.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Key/Value-Eigenschaft, die hinzugefügt werden soll (e.g. key=Wert). Mehrere Eigenschaften können mit mehreren --Property-Optionen angegeben werden.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Wenn angegeben, werden nur Modelle mit der angegebenen Run-ID angezeigt.
Gibt die Abonnement-ID an.
Hinzuzufügende Schlüssel-/Wert-Tag (e.g. key=Wert). Mehrere Tags können mit Mehreren -Tag-Optionen angegeben werden.
Der Name des Arbeitsbereichs, der Modelle enthält, die listet werden sollen.
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model package
Packen Sie ein Modell im Arbeitsbereich.
az ml model package [--cf]
[--ed]
[--entry-script]
[--environment-name]
[--environment-version]
[--ic]
[--il]
[--image-name]
[--model]
[--model-metadata-file]
[--no-wait]
[--output-path]
[--path]
[--resource-group]
[--rt]
[--sd]
[--subscription-id]
[--workspace-name]
[-v]Optionale Parameter
Pfad zur lokalen Datei, die eine Conda-Umgebungsdefinition enthält, die für das Paket verwendet werden soll.
Verzeichnis für Azure Machine Learning Environment für die Verpackung. Es ist derselbe Verzeichnispfad wie im Befehl "az ml environment scaffold" angegeben.
Pfad zur lokalen Datei, die den Code enthält, der für den Dienst ausgeführt werden soll (relativer Pfad von source_directory, wenn einer angegeben wird).
Name der Azure Machine Learning-Umgebung für die Verpackung.
Version einer vorhandenen Azure Machine Learning-Umgebung zum Packen.
Pfad zu einer JSON- oder YAML-Datei, die eine Ableitungskonfiguration enthält.
Beschriftung, um das integrierte Paketimage zu geben.
Name, der dem integrierten Paketimage zugewiesen werden soll.
Die ID des Modells, das verpackt werden soll. Mehrere Modelle können mit zusätzlichen -m-Argumenten angegeben werden. Modelle müssen zuerst registriert werden.
Pfad zu einer JSON-Datei, die Modellregistrierungsmetadaten enthält. Mehrere Modelle können mit mehreren -f-Parametern bereitgestellt werden.
Kennzeichnen, um nicht auf asynchrone Aufrufe zu warten.
Ausgabepfad für Docker-Kontext. Wenn ein Ausgabepfad übergeben wird, anstatt ein Image im Arbeitsbereich ACR zu erstellen, wird eine Dockerfile-Datei und der erforderliche Buildkontext in diesen Pfad geschrieben.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Welche Laufzeit für das Paket verwendet werden soll. Aktuelle unterstützte Laufzeiten sind "spark-py" und "python"spark-py|python|python-slim.
Pfad zu Ordnern, die alle Dateien zum Erstellen des Images enthalten.
Gibt die Abonnement-ID an.
Name des Arbeitsbereichs
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model profile
Profilmodell(n) im Arbeitsbereich.
az ml model profile --name
[--base-image]
[--base-image-registry]
[--cc]
[--cf]
[--description]
[--ed]
[--entry-script]
[--environment-name]
[--environment-version]
[--gb]
[--ic]
[--idi]
[--model]
[--model-metadata-file]
[--output-metadata-file]
[--resource-group]
[--sd]
[--subscription-id]
[--workspace-name]
[-v]Erforderliche Parameter
Der Name des Modellprofils.
Optionale Parameter
Ein benutzerdefiniertes Image, das als Basisimage verwendet werden soll. Wenn kein Basisimage angegeben wird, wird das Basisimage basierend auf dem angegebenen Runtimeparameter verwendet.
Imageregistrierung, die das Basisimage enthält.
Doppelter Wert für die maximale CPU-Auslastung, die beim Profilieren verwendet werden soll.
Pfad zur lokalen Datei, die eine für das Image zu verwendende Conda-Umgebungsdefinition enthält.
Beschreibung des Modellprofils.
Verzeichnis für Azure Machine Learning Environment für die Bereitstellung. Es ist derselbe Verzeichnispfad wie im Befehl "az ml environment scaffold" angegeben.
Pfad zur lokalen Datei, die den Code enthält, der für den Dienst ausgeführt werden soll (relativer Pfad von source_directory, wenn einer angegeben wird).
Name der Azure Machine Learning-Umgebung für die Bereitstellung.
Version einer vorhandenen Azure Machine Learning-Umgebung für die Bereitstellung.
Doppelter Wert für maximalen Arbeitsspeicher, der beim Profilieren verwendet werden soll.
Pfad zu einer JSON- oder YAML-Datei, die eine Ableitungskonfiguration enthält.
ID des tabellarischen Datasets, das als Eingabe für das Profil verwendet werden soll.
Die ID des zu bereitstellenden Modells. Mehrere Modelle können mit zusätzlichen -m-Argumenten angegeben werden. Modelle müssen zuerst registriert werden.
Pfad zu einer JSON-Datei, die Modellregistrierungsmetadaten enthält. Mehrere Modelle können mit mehreren -f-Parametern bereitgestellt werden.
Pfad zu einer JSON-Datei, in der Profilergebnismetadaten geschrieben werden. Wird als Eingabe für die Modellbereitstellung verwendet.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Pfad zu Ordnern, die alle Dateien zum Erstellen des Images enthalten.
Gibt die Abonnement-ID an.
Name des Arbeitsbereichs
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model register
Registrieren Sie ein Modell für den Arbeitsbereich.
az ml model register --name
[--asset-path]
[--cc]
[--description]
[--experiment-name]
[--gb]
[--gc]
[--model-framework]
[--model-framework-version]
[--model-path]
[--output-metadata-file]
[--path]
[--property]
[--resource-group]
[--run-id]
[--run-metadata-file]
[--sample-input-dataset-id]
[--sample-output-dataset-id]
[--subscription-id]
[--tag]
[--workspace-name]
[-v]Erforderliche Parameter
Name des zu registrierenden Modells.
Optionale Parameter
Der Cloudpfad, in dem die Experiement ausgeführt wird, speichert die Modelldatei.
Die Standardanzahl der CPU-Kerne, die für dieses Modell zugewiesen werden sollen. Dabei kann es sich um eine Dezimalzahl handeln.
Beschreibung des Modells.
Der Name des Experiments.
Die Standardspeichermenge (in GB), die für dieses Modell zugewiesen werden soll. Dabei kann es sich um eine Dezimalzahl handeln.
Die Standardanzahl der GPUs, die für dieses Modell zugewiesen werden sollen.
Framework des zu registrierenden Modells. Derzeit unterstützte Frameworks: TensorFlow, ScikitLearn, Onnx, Custom, Multi.
Frameworkversion des zu registrierenden Modells (z. B. 1.0.0, 2.4.1).
Vollständiger Pfad der zu registrierenden Modelldatei.
Pfad zu einer JSON-Datei, in der Modellregistrierungsmetadaten geschrieben werden. Wird als Eingabe für die Modellbereitstellung verwendet.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Key/Value-Eigenschaft, die hinzugefügt werden soll (e.g. key=Wert). Mehrere Eigenschaften können mit mehreren --Property-Optionen angegeben werden.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Die ID für die Experimentausführung, von der das Modell registriert ist.
Pfad zu einer JSON-Datei, die Experiement-Ausführungsmetadaten enthält.
Die ID für das Beispieleingabe-Dataset.
Die ID für das Beispielausgabe-Dataset.
Gibt die Abonnement-ID an.
Hinzuzufügende Schlüssel-/Wert-Tag (e.g. key=Wert). Mehrere Tags können mit Mehreren -Tag-Optionen angegeben werden.
Name des Arbeitsbereichs, bei dem dieses Modell registriert werden soll.
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model show
Zeigen Sie ein Modell im Arbeitsbereich an.
az ml model show [--model-id]
[--model-name]
[--path]
[--resource-group]
[--run-id]
[--subscription-id]
[--version]
[--workspace-name]
[-v]Optionale Parameter
Id des anzuzeigenden Modells.
Name des anzuzeigenden Modells.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Wenn angegeben, werden nur Modelle mit der angegebenen Run-ID angezeigt.
Gibt die Abonnement-ID an.
Wenn angegeben, werden nur Modelle mit dem angegebenen Namen und der angegebenen Version angezeigt.
Der Name des Arbeitsbereichs, der das anzuzeigende Modell enthält.
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
az ml model update
Aktualisieren eines Modells im Arbeitsbereich.
az ml model update --model-id
[--add-property]
[--add-tag]
[--cc]
[--description]
[--gb]
[--gc]
[--path]
[--remove-tag]
[--resource-group]
[--sample-input-dataset-id]
[--sample-output-dataset-id]
[--subscription-id]
[--workspace-name]
[-v]Erforderliche Parameter
ID des Modells.
Optionale Parameter
Key/Value-Eigenschaft, die hinzugefügt werden soll (e.g. key=Wert). Mehrere Eigenschaften können mit optionen für mehrere --add-property angegeben werden.
Hinzuzufügende Schlüssel-/Wert-Tag (e.g. key=Wert). Mehrere Tags können mit optionen für mehrere --add-tag angegeben werden.
Die Standardanzahl der CPU-Kerne, die für dieses Modell zugewiesen werden sollen. Dabei kann es sich um eine Dezimalzahl handeln.
Beschreibung zum Aktualisieren des Modells mit. Ersetzt die aktuelle Beschreibung.
Die Standardspeichermenge (in GB), die für dieses Modell zugewiesen werden soll. Dabei kann es sich um eine Dezimalzahl handeln.
Die Standardanzahl der GPUs, die für dieses Modell zugewiesen werden sollen.
Pfad zu einem Projektordner. Standard: aktuelles Verzeichnis.
Schlüssel des zu entfernenden Tags. Mehrere Tags können mit optionen für mehrere --remove-tag angegeben werden.
Ressourcengruppe, die dem bereitgestellten Arbeitsbereich entspricht.
Die ID für das Beispieleingabe-Dataset.
Die ID für das Beispielausgabe-Dataset.
Gibt die Abonnement-ID an.
Name des Arbeitsbereichs
Verbosity-Flag.
Globale Parameter
Ausführlichkeit der Protokollierung erhöhen, um alle Debugprotokolle anzuzeigen.
Zeigen Sie diese Hilfemeldung an, und schließen Sie sie.
Nur Fehler anzeigen und Warnungen unterdrücken.
Ausgabeformat.
JMESPath-Abfragezeichenfolge. Weitere Informationen und Beispiele finden Sie unter http://jmespath.org/.
Der Name oder die ID des Abonnements. Sie können das standardmäßig verwendete Abonnement mittels az account set -s NAME_OR_ID konfigurieren.
Ausführlichkeit der Protokollierung erhöhen. „--debug“ für vollständige Debugprotokolle verwenden.
Feedback
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unter https://aka.ms/ContentUserFeedback.
Feedback senden und anzeigen für