az ml model
Hinweis
Diese Referenz ist Teil der ml-Erweiterung für die Azure CLI (Version 2.15.0 oder höher). Die Erweiterung wird automatisch installiert, wenn Sie einen Az ml-Modellbefehl zum ersten Mal ausführen. Weitere Informationen zu Erweiterungen
Verwalten von Azure ML-Modellen.
Azure ML-Modelle bestehen aus den Binärdateien, die ein Machine Learning-Modell und alle entsprechenden Metadaten darstellen. Diese Modelle können in Endpunktbereitstellungen für Echtzeit- und Batch-Rückschlüsse verwendet werden.
Befehle
| Name | Beschreibung | Typ | Status |
|---|---|---|---|
| az ml model archive |
Archiv a model. |
Erweiterung | Allgemein verfügbar |
| az ml model create |
Erstellen Sie ein Modell. |
Erweiterung | Allgemein verfügbar |
| az ml model download |
Laden Sie alle modellbezogenen Dateien herunter. |
Erweiterung | Allgemein verfügbar |
| az ml model list |
Listenmodelle in einem Arbeitsbereich/einer Registrierung auf. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch |
Erweiterung | Allgemein verfügbar |
| az ml model package |
Packen Sie ein Modell in eine Umgebung. |
Erweiterung | Vorschau |
| az ml model restore |
Wiederherstellen eines archivierten Modells. |
Erweiterung | Allgemein verfügbar |
| az ml model share |
Freigeben eines bestimmten Modells von Arbeitsbereich zu Registrierung. |
Erweiterung | Allgemein verfügbar |
| az ml model show |
Zeigen Sie Details zu einem Modell in einem Arbeitsbereich/einer Registrierung an. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch |
Erweiterung | Allgemein verfügbar |
| az ml model update |
Aktualisieren eines Modells in einem Arbeitsbereich/einer Registrierung. |
Erweiterung | Allgemein verfügbar |
az ml model archive
Archiv a model.
Wenn Sie ein Modell archivieren, wird es standardmäßig in Listenabfragen (az ml model list) ausgeblendet. Sie können weiterhin auf ein archiviertes Modell in Ihren Workflows verweisen und dieses verwenden. Sie können entweder einen Modellcontainer oder eine bestimmte Modellversion archiven. Durch das Archivieren eines Modellcontainers werden alle Versionen des Modells unter diesem Angegebenen Namen archiviert. Sie können ein archiviertes Modell mithilfe von az ml model restore. Wenn der gesamte Modellcontainer archiviert wird, können Sie einzelne Versionen des Modells nicht wiederherstellen . Sie müssen den Modellcontainer wiederherstellen.
az ml model archive --name
[--label]
[--registry-name]
[--resource-group]
[--version]
[--workspace-name]Beispiele
Archivieren eines Modellcontainers (archiviert alle Versionen dieses Modells)
az ml model archive --name my-model --resource-group my-resource-group --workspace-name my-workspaceArchiv a specific model version
az ml model archive --name my-model --version 1 --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Modells.
Optionale Parameter
Beschriftung des Modells.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Version des Modells.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 create
Erstellen Sie ein Modell.
Modelle können aus einer lokalen Datei, einem lokalen Verzeichnis, einem Datenspeicher oder einer Auftragsausgabe erstellt werden. Das erstellte Modell wird im Arbeitsbereich/in der Registrierung unter dem angegebenen Namen und der angegebenen Version nachverfolgt. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch --workspace-name my-workspace die --registry-name <registry-name> Option.
az ml model create [--datastore]
[--description]
[--file]
[--name]
[--no-wait]
[--path]
[--registry-name]
[--resource-group]
[--set]
[--stage]
[--tags]
[--type]
[--version]
[--workspace-name]Beispiele
Erstellen eines Modells aus einer YAML-Spezifikationsdatei
az ml model create --file model.yml --resource-group my-resource-group --workspace-name my-workspaceErstellen eines Modells aus einem lokalen Ordner mithilfe von Befehlsoptionen
az ml model create --name my-model --version 1 --path ./my-model --resource-group my-resource-group --workspace-name my-workspaceErstellen eines Modells mit mlflow-Ausführungs-URI-Format 'runs:/<run-id><path-to-model-relative-to-the-root-of-the-artifact-location>/' und Befehlsoptionen
az ml model create --name my-model --version 1 --path runs:/c42d2507-4953-4a7c-a4c1-2b5bfe0ac64e/model/ --type mlflow_model --resource-group my-resource-group --workspace-name my-workspaceErstellen Sie ein Modell aus einer benannten Auftragsausgabe mithilfe des Azureml-Auftrags-URI-Formats "azureml://jobs/<job-name>/outputs/<named-output>/paths/<path-to-model-relative-to-the-named-output-location>" und Befehlsoptionen. Die standardmäßige benannte Ausgabe ist Artefakte.
az ml model create --name my-model --version 1 --path azureml://jobs/c42d2507-4953-4a7c-a4c1-2b5bfe0ac64e/outputs/artifacts/paths/model/ --resource-group my-resource-group --workspace-name my-workspaceErstellen eines Modells aus einem Datenspeicher "azureml://datastores/<datastore-name>/pfade/<path-to-model-relative-to-the-root-of-the-datastore-location>" mithilfe von Befehlsoptionen
az ml model create --name my-model --version 1 --path azureml://datastores/myblobstore/paths/models/cifar10/cifar.pt --resource-group my-resource-group --workspace-name my-workspaceOptionale Parameter
Der Datenspeicher, in den das lokale Artefakt hochgeladen werden soll.
Beschreibung des Modells.
Lokaler Pfad zur YAML-Datei, die die Azure ML-Modellspezifikation enthält. Die YAML-Referenzdokumente für das Modell finden Sie unter: https://aka.ms/ml-cli-v2-model-yaml-reference.
Name des Modells.
Nicht auf den Abschluss lang andauernder Vorgänge warten
Pfad zur Modelldatei(n). Dies kann entweder ein lokaler oder ein Remotestandort sein. Falls angegeben, muss auch "-name/-n" und "-version/-v" angegeben werden.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Aktualisieren Sie ein Objekt, indem Sie einen festzulegenden Eigenschaftspfad und -wert angeben. Beispiel: --set property1.property2=.
Phase des Modells.
Leerzeichentrennte Schlüssel-Wert-Paare für die Tags des Objekts.
Typ des Modells, zulässige Werte sind custom_model, mlflow_model und triton_model. Der Standardtyp ist custom_model.
Version des Modells.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 alle modellbezogenen Dateien herunter.
Die Dateien werden in einen Ordner heruntergeladen, der nach dem Namen des Modells benannt ist. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch --workspace-name my-workspace die --registry-name <registry-name> Option.
az ml model download --name
--version
[--download-path]
[--registry-name]
[--resource-group]
[--workspace-name]Beispiele
Herunterladen eines Modells mit dem angegebenen Namen und der angegebenen Version
az ml model download --name my-model --version 1 --resource-group my-resource-group --workspace-name my-workspaceHerunterladen eines Modells mit dem angegebenen Namen und der angegebenen Version in einen angegebenen lokalen Pfad
az ml model download --name my-model --version 1 --download-path local_path --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Modells.
Version des Modells.
Optionale Parameter
Der Pfad zum Herunterladen der Modelldateien ist standardmäßig im aktuellen Arbeitsverzeichnis enthalten.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 in einem Arbeitsbereich/einer Registrierung auf. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch --workspace-name my-workspace die --registry-name <registry-name> Option.
az ml model list [--archived-only]
[--include-archived]
[--max-results]
[--name]
[--registry-name]
[--resource-group]
[--stage]
[--workspace-name]Beispiele
Auflisten aller Modelle in einem Arbeitsbereich
az ml model list --resource-group my-resource-group --workspace-name my-workspaceAuflisten aller Modellversionen für den angegebenen Namen in einem Arbeitsbereich
az ml model list --name my-model --resource-group my-resource-group --workspace-name my-workspaceAuflisten aller Modelle in einem Arbeitsbereich mithilfe des Arguments --query zum Ausführen einer JMESPath-Abfrage für die Ergebnisse von Befehlen.
az ml model list --query "[].{Name:name}" --output table --resource-group my-resource-group --workspace-name my-workspaceOptionale Parameter
Nur archivierte Modelle auflisten.
Auflisten archivierter Modelle und aktiver Modelle.
Maximale Anzahl der zurückzugebenden Ergebnisse.
Name des Modells. Wenn angegeben, werden alle Modellversionen unter diesem Namen zurückgegeben.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Phase des Modells.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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
Dieser Befehl befindet sich in der Vorschau und in der Entwicklung. Referenz- und Supportebenen: https://aka.ms/CLI_refstatus
Packen Sie ein Modell in eine Umgebung.
Wenn ein Modell gepackt wird, wird eine Umgebung mit allen Abhängigkeiten erstellt.
az ml model package --file
--name
--version
[--registry-name]
[--resource-group]
[--workspace-name]Beispiele
Packen eines Modells mit dem angegebenen Namen und der angegebenen Version
az ml model package --name my-model --version my-version --resource-group my-resource-group --workspace-name my-workspace --file my-package.ymlErforderliche Parameter
Lokaler Pfad zur YAML-Datei, die die Modellpaketdefinition enthält.
Name des Modells.
Version des Modells.
Optionale Parameter
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 restore
Wiederherstellen eines archivierten Modells.
Wenn ein archiviertes Modell wiederhergestellt wird, wird es nicht mehr in Listenabfragen (az ml model list) ausgeblendet. Wenn ein vollständiger Modellcontainer archiviert wird, können Sie diesen archivierten Container wiederherstellen. Dadurch werden alle Versionen des Modells unter diesem Angegebenen Namen wiederhergestellt. Sie können nur eine bestimmte Modellversion wiederherstellen, wenn der gesamte Modellcontainer archiviert ist . Sie müssen den gesamten Container wiederherstellen. Wenn nur eine einzelne Modellversion archiviert wurde, können Sie diese bestimmte Version wiederherstellen.
az ml model restore --name
[--label]
[--registry-name]
[--resource-group]
[--version]
[--workspace-name]Beispiele
Wiederherstellen eines archivierten Modellcontainers (stellt alle Versionen dieses Modells wieder her)
az ml model restore --name my-model --resource-group my-resource-group --workspace-name my-workspaceWiederherstellen einer bestimmten archivierten Modellversion
az ml model restore --name my-model --version 1 --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Modells.
Optionale Parameter
Beschriftung des Modells.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Version des Modells.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 share
Freigeben eines bestimmten Modells von Arbeitsbereich zu Registrierung.
Kopieren Sie ein vorhandenes Modell aus einem Arbeitsbereich in eine Registrierung für die Wiederverwendung von Arbeitsbereichen.
az ml model share --name
--registry-name
--share-with-name
--share-with-version
--version
[--resource-group]
[--workspace-name]Beispiele
Freigeben einer vorhandenen Umgebung von Arbeitsbereich zu Registrierung
az ml model share --name my-model --version my-version --resource-group my-resource-group --workspace-name my-workspace --share-with-name new-name-in-registry --share-with-version new-version-in-registry --registry-name my-registryErforderliche Parameter
Name des Modells.
Zielregistrierung.
Der Name des Modells, mit dem erstellt werden soll.
Version des Modells, mit dem erstellt werden soll.
Version des Modells.
Optionale Parameter
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 Details zu einem Modell in einem Arbeitsbereich/einer Registrierung an. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch --workspace-name my-workspace die --registry-name <registry-name> Option.
az ml model show --name
[--label]
[--registry-name]
[--resource-group]
[--version]
[--workspace-name]Beispiele
Anzeigen von Details für ein Modell mit dem angegebenen Namen und der angegebenen Version
az ml model show --name my-model --version 1 --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Modells.
Optionale Parameter
Beschriftung des Modells.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Version des Modells.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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 in einem Arbeitsbereich/einer Registrierung.
Die Eigenschaften "description" und "tags" können aktualisiert werden. Wenn Sie eine Registrierung verwenden, ersetzen Sie diese durch --workspace-name my-workspace die --registry-name <registry-name> Option.
az ml model update --name
--resource-group
[--add]
[--force-string]
[--label]
[--registry-name]
[--remove]
[--set]
[--stage]
[--version]
[--workspace-name]Beispiele
Aktualisieren der Aromen eines Modells
az ml model update --name my-model --version 1 --set flavors.python_function.python_version=3.8 --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Modells.
Name der Ressourcengruppe Sie können die Standardgruppe mit az configure --defaults group=<name> konfigurieren.
Optionale Parameter
Fügen Sie einer Liste von Objekten ein Objekt hinzu, indem Sie ein Pfad- und Schlüsselwertpaar angeben. Beispiel: --add property.listProperty <key=value, string or JSON string>.
Wenn Sie "set" oder "add" verwenden, behalten Sie Zeichenfolgenliterale bei, anstatt zu versuchen, in JSON zu konvertieren.
Beschriftung des Modells.
Wenn angegeben, zielt der Befehl auf die Registrierung anstelle eines Arbeitsbereichs ab. Daher sind Ressourcengruppen und Arbeitsbereiche nicht erforderlich.
Entfernen sie eine Eigenschaft oder ein Element aus einer Liste. Beispiel: --remove property.list <indexToRemove> ODER --remove propertyToRemove.
Aktualisieren Sie ein Objekt, indem Sie einen festzulegenden Eigenschaftspfad und -wert angeben. Beispiel: --set property1.property2=<value>.
Phase des Modells.
Version des Modells.
Name des Azure ML-Arbeitsbereichs. Sie können den Standardarbeitsbereich mithilfe von az configure --defaults workspace=<name>.
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