az ml online-deployment
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 Onlinebereitstellungsbefehl zum ersten Mal ausführen. Weitere Informationen zu Erweiterungen
Verwalten von Azure ML-Onlinebereitstellungen.
Azure ML-Bereitstellungen bieten eine einfache Schnittstelle zum Erstellen und Verwalten von Modellbereitstellungen.
Befehle
| Name | Beschreibung | Typ | Status |
|---|---|---|---|
| az ml online-deployment create |
Erstellen Sie eine Bereitstellung. Wenn die Bereitstellung bereits vorhanden ist, schlägt sie fehl. Wenn Sie die vorhandene Bereitstellung aktualisieren möchten, verwenden Sie az ml Onlinebereitstellungsupdate. |
Erweiterung | Allgemein verfügbar |
| az ml online-deployment delete |
Löscht eine Bereitstellung. |
Erweiterung | Allgemein verfügbar |
| az ml online-deployment get-logs |
Rufen Sie die Containerprotokolle für eine Onlinebereitstellung ab. |
Erweiterung | Allgemein verfügbar |
| az ml online-deployment list |
Auflisten von Bereitstellungen. |
Erweiterung | Allgemein verfügbar |
| az ml online-deployment show |
Anzeigen einer Bereitstellung. |
Erweiterung | Allgemein verfügbar |
| az ml online-deployment update |
Aktualisieren sie eine Bereitstellung. |
Erweiterung | Allgemein verfügbar |
az ml online-deployment create
Erstellen Sie eine Bereitstellung. Wenn die Bereitstellung bereits vorhanden ist, schlägt sie fehl. Wenn Sie die vorhandene Bereitstellung aktualisieren möchten, verwenden Sie az ml Onlinebereitstellungsupdate.
Die empfohlene Compute-SKU ist Standard_DS3_v2 für endpunkte allgemeine Zwecke. Weitere Informationen zu SKUs finden Sie hier: https://learn.microsoft.com/en-us/azure/machine-learning/reference-managed-online-endpoints-vm-sku-list.
az ml online-deployment create --file
--resource-group
--workspace-name
[--all-traffic]
[--endpoint-name]
[--local {false, true}]
[--local-enable-gpu {false, true}]
[--name]
[--no-wait]
[--package-model]
[--set]
[--skip-script-validation]
[--vscode-debug {false, true}]
[--web]Beispiele
Erstellen einer Bereitstellung aus einer YAML-Spezifikationsdatei
az ml online-deployment create --file deployment.yaml --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Lokaler Pfad zur YAML-Datei, die die Azure ML-Onlinebereitstellungsspezifikation enthält. Die YAML-Referenzdokumente für die Onlinebereitstellung finden Sie unter: https://aka.ms/ml-cli-v2-deployment-managed-online-yaml-reference, https://aka.ms/ml-cli-v2-deployment-kubernetes-online-yaml-reference.
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>.
Optionale Parameter
Legt Endpunktdatenverkehr auf 100 % auf diese Bereitstellung nach erfolgreicher Erstellung fest, funktioniert nicht mit --no-wait.
Name des Onlineendpunkts.
Erstellen Sie die Bereitstellung lokal mithilfe von Docker. Pro Endpunkt ist nur eine Bereitstellung zulässig. Hinweis: Wenn der angegebene Endpunkt nicht vorhanden ist, wird er erstellt.
Aktivieren Sie GPU für die lokale Bereitstellung.
Name der Bereitstellung
Nicht auf den Abschluss lang andauernder Vorgänge warten
[DIES BEFINDET SICH IN DER VORSCHAU] Erstellen Sie eine verpackte Umgebung aus dem Bereitstellungs-Yaml, und verwenden Sie die verpackte Umgebung für die Bereitstellung.
Aktualisieren Sie ein Objekt, indem Sie einen festzulegenden Eigenschaftspfad und -wert angeben. Beispiel: --set property1.property2=.
Ermöglicht es Benutzern, die Überprüfung von Bereitstellungsbewertungsskripts zu umgehen.
Erstellen Sie einen lokalen Endpunkt, und fügen Sie den VSCode-Debugger an. Funktioniert nur mit --local flag.
Zeigen Sie die Details der Bereitstellung in Azure ML Studio in einem Webbrowser an.
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 online-deployment delete
Löscht eine Bereitstellung.
az ml online-deployment delete --endpoint-name
--name
--resource-group
--workspace-name
[--local {false, true}]
[--no-wait]
[--yes]Beispiele
Löschen einer Bereitstellung mit Bestätigung
az ml online-deployment delete --name my-deployment --endpoint-name my-endpoint --yes --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Onlineendpunkts.
Name der Bereitstellung
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>.
Optionale Parameter
Löschen Sie die lokale Bereitstellung aus der Docker-Umgebung.
Nicht auf den Abschluss lang andauernder Vorgänge warten
Nicht zur Bestätigung auffordern
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 online-deployment get-logs
Rufen Sie die Containerprotokolle für eine Onlinebereitstellung ab.
az ml online-deployment get-logs --endpoint-name
--name
--resource-group
--workspace-name
[--container]
[--lines]
[--local {false, true}]Beispiele
Abrufen der Containerprotokolle für eine Onlinebereitstellung
az ml online-deployment get-logs --name my-deployment --endpoint-name my-endpoint --lines 100 --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Onlineendpunkts.
Name der Bereitstellung
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>.
Optionale Parameter
Der Containertyp, aus dem Protokolle abgerufen werden sollen. Zulässige Werte: Inference-Server, Storage-Initializer.
Die maximale Anzahl von Linien bis zum Schwanz.
Abrufen von Protokollen aus der lokalen Bereitstellung in der Docker-Umgebung.
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 online-deployment list
Auflisten von Bereitstellungen.
az ml online-deployment list --endpoint-name
--resource-group
--workspace-name
[--local {false, true}]Beispiele
Auflisten der Bereitstellung in einem Endpunkt
az ml online-deployment list --endpoint-name my-endpoint --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Endpunkts.
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>.
Optionale Parameter
Auflisten der lokalen Bereitstellung unter diesem lokalen Endpunkt.
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 online-deployment show
Anzeigen einer Bereitstellung.
az ml online-deployment show --endpoint-name
--name
--resource-group
--workspace-name
[--local {false, true}]
[--web]Beispiele
Anzeigen einer Bereitstellung
az ml online-deployment show --name my-deployment --endpoint-name my-endpoint --resource-group my-resource-group --workspace-name my-workspaceErforderliche Parameter
Name des Onlineendpunkts.
Name der Bereitstellung
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>.
Optionale Parameter
Lokale Bereitstellung aus Docker-Umgebung anzeigen.
Zeigen Sie die Details der Bereitstellung in Azure ML Studio in einem Webbrowser an.
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 online-deployment update
Aktualisieren sie eine Bereitstellung.
az ml online-deployment update --resource-group
--workspace-name
[--add]
[--endpoint-name]
[--file]
[--force-string]
[--local {false, true}]
[--local-enable-gpu {false, true}]
[--name]
[--no-wait]
[--remove]
[--set]
[--skip-script-validation]
[--vscode-debug {false, true}]
[--web]Beispiele
Aktualisieren einer Bereitstellung aus einer YAML-Spezifikationsdatei
az ml online-deployment update --file deployment.yaml --resource-group my-resource-group --workspace-name my-workspaceErforderliche 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>.
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>.
Name des Onlineendpunkts.
Lokaler Pfad zur YAML-Datei, die die Azure ML-Onlinebereitstellungsspezifikation enthält. Die YAML-Referenzdokumente für die Onlinebereitstellung finden Sie unter: https://aka.ms/ml-cli-v2-deployment-managed-online-yaml-reference, https://aka.ms/ml-cli-v2-deployment-kubernetes-online-yaml-reference.
Wenn Sie "set" oder "add" verwenden, behalten Sie Zeichenfolgenliterale bei, anstatt zu versuchen, in JSON zu konvertieren.
Aktualisieren sie die lokale Bereitstellung in der Docker-Umgebung.
Aktivieren Sie GPU für die lokale Bereitstellung.
Name der Bereitstellung
Nicht auf den Abschluss lang andauernder Vorgänge warten
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>.
Ermöglicht es Benutzern, die Überprüfung von Bereitstellungsbewertungsskripts zu umgehen.
Aktualisieren Des lokalen Endpunkts und erneutes Anfügen des VSCode-Debuggers. Funktioniert nur mit --local flag.
Zeigen Sie die Details der Bereitstellung in Azure ML Studio in einem Webbrowser an.
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