Azure Machine Learning-bővítmény üzembe helyezése AKS vagy Arc Kubernetes-fürtön
Ahhoz, hogy az AKS- vagy Arc Kubernetes-fürt betanítási feladatokat vagy következtetési számítási feladatokat futtasson, először telepítenie kell az Azure Machine Learning-bővítményt egy AKS- vagy Arc Kubernetes-fürtön. Az Azure Machine Learning-bővítmény az AKS és a fürtbővítmény vagy az Arc Kubernetes fürtbővítményére épül, életciklusa pedig egyszerűen kezelhető az Azure CLI k8s-bővítményével.
Ebben a cikkben a következőt ismerheti meg:
- Előfeltételek
- Korlátozások
- Azure Machine Learning-bővítmény konfigurációs beállításainak áttekintése
- Azure Machine Learning-bővítmény üzembe helyezési forgatókönyvei
- Azure Machine Learning-bővítmény üzembehelyezési hitelesítése
- Azure Machine Learning-bővítmény összetevőinek áttekintése
- Azure Machine Learning-bővítmény kezelése
Előfeltételek
- Egy Azure-ban futó AKS-fürt. Ha korábban nem használt fürtbővítményeket, regisztrálnia kell a KubernetesConfiguration szolgáltatót.
- Vagy egy Arc Kubernetes-fürt működik. Kövesse a meglévő Kubernetes-fürt Azure Archoz való csatlakoztatására vonatkozó utasításokat.
- Ha a fürt Egy Azure RedHat OpenShift (ARO) szolgáltatásfürt vagy OpenShift Container Platform (OCP) fürt, a Kubernetes-fürt konfigurálására vonatkozó referenciacikkben ismertetett egyéb előfeltételeknek is meg kell felelnie.
- Éles környezetben a Kubernetes-fürtnek legalább 4 vCPU maggal és 14 GB memóriával kell rendelkeznie. Az erőforrás részleteiről és a fürtméretre vonatkozó javaslatokról további információt az Ajánlott erőforrás-tervezés című témakörben talál.
- A kimenő proxykiszolgáló vagy tűzfal mögött futó fürtnek további hálózati konfigurációkra van szüksége.
- Telepítse vagy frissítse az Azure CLI-t a 2.24.0-s vagy újabb verzióra.
- Telepítse vagy frissítse az Azure CLI-bővítményt
k8s-extension
az 1.2.3-s vagy újabb verzióra.
Korlátozások
- Az Azure Machine Learning nem támogatja a szolgáltatásnév AKS-sel való használatát. Az AKS-fürtnek ehelyett felügyelt identitást kell használnia . A rendszer által hozzárendelt felügyelt identitás és a felhasználó által hozzárendelt felügyelt identitás is támogatott. További információ: Felügyelt identitás használata az Azure Kubernetes Service-ben.
- Amikor az AKS-fürt által használt szolgáltatásnevet a rendszer a felügyelt identitás használatára konvertálja, a bővítmény telepítése előtt az összes csomópontkészletet törölni kell és újra létre kell hozni ahelyett, hogy közvetlenül frissítené őket.
- Az Azure Machine Learning nem támogatja a helyi fiókok letiltását az AKS-hez. Az AKS-fürt üzembe helyezésekor a helyi fiókok alapértelmezés szerint engedélyezve vannak.
- Ha az AKS-fürt rendelkezik engedélyezett IP-címtartománysal az API-kiszolgáló eléréséhez, engedélyezze az Azure Machine Learning vezérlősík IP-tartományait az AKS-fürthöz. Az Azure Machine Learning-vezérlősík üzembe van helyezve a párosított régiókban. Az API-kiszolgálóhoz való hozzáférés hiányában a gépi tanulási podok nem helyezhetők üzembe. Használja az IP-címtartományokat mindkét párosított régióban az IP-címtartományok AKS-fürtben történő engedélyezésekor.
- Az Azure Machine Learning nem támogatja az AKS-fürtök előfizetések közötti csatolását. Ha egy másik előfizetésben lévő AKS-fürtöt használ, először csatlakoztatnia kell azt az Azure-Archoz , és ugyanabban az előfizetésben kell megadnia, mint az Azure Machine Learning-munkaterületét.
- Az Azure Machine Learning nem garantálja az AKS előzetes verziójú funkcióinak támogatását. A Microsoft Entra-pod identitása például nem támogatott.
- Ha követte az Azure Machine Learning AKS v1-dokumentum lépéseit az AKS következtetési fürtként való létrehozásához vagy csatolásához, a következő hivatkozással törölheti az örökölt azureml-fe kapcsolódó erőforrásokat, mielőtt továbblép a következő lépésre.
Azure Machine Learning-bővítmény konfigurációs beállításainak áttekintése
Az Azure Machine Learning CLI-paranccsal k8s-extension create
üzembe helyezheti az Azure Machine Learning-bővítményt. A parancssori k8s-extension create
felület lehetővé teszi a konfigurációs beállítások key=value
egy készletének megadását a formátum vagy a paraméter használatával --config
--config-protected
. Az alábbi lista tartalmazza az Azure Machine Learning bővítmény üzembe helyezése során megadható konfigurációs beállításokat.
Konfigurációs beállítás kulcsának neve | Leírás | Oktatás | Következtetés | Betanítás és következtetés |
---|---|---|---|---|
enableTraining |
True vagy False az alapértelmezett False . Az Azure Machine Learning-bővítmény üzembe helyezéséhez gépi tanulási modell betanításával és kötegelt pontozási támogatással kell beállítani True . |
✓ | n/a | ✓ |
enableInference |
True vagy False az alapértelmezett False . Az Azure Machine Learning-bővítmény üzembe helyezéséhez gépi tanulási következtetési támogatással kell beállítani True . |
n/a | ✓ | ✓ |
allowInsecureConnections |
True vagy False az alapértelmezett False . Konfigurálható arra, hogy True következtetési HTTP-végpontokat használjon fejlesztési vagy tesztelési célokra. |
n/a | Lehetséges | Lehetséges |
inferenceRouterServiceType |
loadBalancer clusterIP vagy nodePort . Kötelező , ha enableInference=True . |
n/a | ✓ | ✓ |
internalLoadBalancerProvider |
Ez a konfiguráció jelenleg csak az Azure Kubernetes Service(AKS) fürtre vonatkozik. Úgy van beállítva, azure hogy engedélyezze a következtetési útválasztót a belső terheléselosztóval. |
n/a | Lehetséges | Lehetséges |
sslSecret |
A Kubernetes-titkos kód neve a azureml névtérben. Ez a konfiguráció a (PEM-kódolású TLS/SSL-tanúsítvány) és key.pem a (PEM-kódolású TLS/SSL-kulcs) tárolására cert.pem szolgál, amelyek a HTTPS-végpontok következtetési támogatásához szükségesek, ha allowInsecureConnections be van állítvaFalse . Az sslSecret konfigurálása című témakörben talál egy minta YAML-definíciótsslSecret . Használja ezt a konfigurációt vagy a sslCertPemFile védett konfigurációs sslKeyPemFile beállítások kombinációját. |
n/a | Lehetséges | Lehetséges |
sslCname |
A HTTPS-végpont következtetése TLS/SSL CNAME protokollt használ. Kötelező , ha allowInsecureConnections=False |
n/a | Lehetséges | Lehetséges |
inferenceRouterHA |
True vagy False az alapértelmezett True . Az Azure Machine Learning-bővítmény alapértelmezés szerint három következtetési útválasztó-replikát helyez üzembe a magas rendelkezésre állás érdekében, amelyhez legalább három munkavégző csomópont szükséges egy fürtben. False Ha a fürt háromnál kevesebb feldolgozó csomóponttal rendelkezik, ebben az esetben csak egy következtetési útválasztó-szolgáltatás van üzembe helyezve. |
n/a | Lehetséges | Lehetséges |
nodeSelector |
Alapértelmezés szerint az üzembe helyezett Kubernetes-erőforrások és a gépi tanulási számítási feladatok véletlenszerűen vannak üzembe helyezve a fürt egy vagy több csomópontján, a DaemonSet-erőforrások pedig minden csomóponton üzembe lesznek helyezve. Ha korlátozni szeretné a bővítmény üzembe helyezését és a betanítási/következtetési számítási feladatokat adott, címkével key1=value1 ellátott csomópontokra, és key2=value2 ennek megfelelően használja nodeSelector.key1=value1 nodeSelector.key2=value2 azt. |
Lehetséges | Lehetséges | Lehetséges |
installNvidiaDevicePlugin |
True vagy False az alapértelmezett False . Az NVIDIA-eszköz beépülő modulra az NVIDIA GPU-hardverek ml-számítási feladataihoz van szükség. Alapértelmezés szerint az Azure Machine Learning-bővítmény üzembe helyezése nem telepíti az NVIDIA eszköz beépülő modult, függetlenül attól, hogy a Kubernetes-fürt GPU-hardvert használ-e. A felhasználó megadhatja ezt a beállítást a True telepítéshez, de mindenképpen teljesítenie kell az előfeltételeket. |
Lehetséges | Lehetséges | Lehetséges |
installPromOp |
True vagy False az alapértelmezett True . Az Azure Machine Learning-bővítménynek prometheus operátorra van szüksége a prometheus kezeléséhez. Állítsa be a False meglévő prometheus operátor újrafelhasználására. A meglévő prometheus operátor újbóli használatával kapcsolatos további információkért lásd a prometheus operátor újbóli használatát |
Lehetséges | Lehetséges | Lehetséges |
installVolcano |
True vagy False az alapértelmezett True . Az Azure Machine Learning-bővítménynek vulkánütemezőre van szüksége a feladat ütemezéséhez. Állítsa be a False meglévő vulkánütemező újrafelhasználására. A meglévő vulkánütemező újrafelhasználásával kapcsolatos további információkért lásd a vulkánütemező újrafelhasználását ismertető témakört . |
Választható | n/a | Választható |
installDcgmExporter |
True vagy False az alapértelmezett False . A Dcgm-exportőr elérhetővé teheti az Azure Machine Learning számítási feladataihoz tartozó GPU-metrikákat, amelyek az Azure Portalon monitorozhatók. A dcgm-exporter telepítésére True van beállítvainstallDcgmExporter . Ha azonban saját dcgm-exportőrt szeretne használni, tekintse meg a DCGM-exportőrt |
Lehetséges | Lehetséges | Lehetséges |
Konfigurációval védett beállításkulcs neve | Leírás | Oktatás | Következtetés | Betanítás és következtetés |
---|---|---|---|---|
sslCertPemFile , sslKeyPemFile |
A TLS/SSL-tanúsítvány és kulcsfájl (PEM-kódolású) elérési útja, amely az Azure Machine Learning-bővítmény üzembe helyezéséhez szükséges a következtetési HTTPS-végpont támogatásával, ha allowInsecureConnections false (hamis) értékre van állítva. Megjegyzés: A védett jelszóval rendelkező PEM-fájl nem támogatott |
n/a | Lehetséges | Lehetséges |
Amint a konfigurációs beállítások táblázatából látható, a különböző konfigurációs beállítások kombinációi lehetővé teszik az Azure Machine Learning-bővítmény üzembe helyezését különböző ML számítási feladatokhoz:
- Betanítási feladathoz és kötegelt következtetési számítási feladathoz adja meg a
enableTraining=True
- Csak következtetési számítási feladatokhoz adja meg a
enableInference=True
- Az ml-számítási feladatok minden típusához adja meg a
enableTraining=True
enableInference=True
Ha valós idejű következtetési számítási feladathoz szeretné üzembe helyezni az Azure Machine Learning-bővítményt, és meg szeretné adni enableInference=True
, ügyeljen a valós idejű következtetési számítási feladathoz kapcsolódó alábbi konfigurációs beállításokra:
azureml-fe
a valós idejű következtetés támogatásához útválasztó-szolgáltatás szükséges, és meg kell adniainferenceRouterServiceType
a konfigurációs beállítást a következőhözazureml-fe
: .azureml-fe
az alábbiinferenceRouterServiceType
lehetőségek egyikével telepíthető:- Gépelje be:
LoadBalancer
.azureml-fe
Külsőleg teszi elérhetővé egy felhőszolgáltató terheléselosztójával. Ennek az értéknek a megadásához győződjön meg arról, hogy a fürt támogatja a terheléselosztó kiépítését. Vegye figyelembe, hogy a legtöbb helyszíni Kubernetes-fürt nem támogatja a külső terheléselosztót. - Gépelje be:
NodePort
. Az egyes csomópontokazureml-fe
IP-címén statikus porton teszi elérhetővé. A fürtön kívülről is kapcsolatbaazureml-fe
léphet a kéréssel<NodeIP>:<NodePort>
. A használatávalNodePort
saját terheléselosztási megoldást és TLS/SSL-végpontot is beállíthat.azureml-fe
- Gépelje be:
ClusterIP
.azureml-fe
Egy fürt belső IP-címén teszi elérhetővé, ésazureml-fe
csak a fürtből érhető el. Aazureml-fe
fürtön kívül érkező következtetési kérelmek kiszolgálásához saját terheléselosztási megoldást és TLS/SSL-végpontot kell beállítania a fürthözazureml-fe
.
- Gépelje be:
- Az útválasztási szolgáltatás magas rendelkezésre állásának
azureml-fe
biztosítása érdekében az Azure Machine Learning-bővítmény üzembe helyezése alapértelmezés szerint három replikátazureml-fe
hoz létre a három csomóponttal vagy annál több csomóponttal rendelkező fürtökhöz. Ha a fürt 3-nál kevesebb csomópontból áll, állítsa be a következőtinferenceRouterHA=False
: - Érdemes megfontolni a HTTPS használatát is a modellvégpontokhoz való hozzáférés korlátozásához és az ügyfelek által beküldött adatok védelméhez. Ehhez meg kell adnia
sslSecret
a konfigurációs beállítást vagy asslKeyPemFile
sslCertPemFile
konfigurációval védett beállítások kombinációját. - Alapértelmezés szerint az Azure Machine Learning-bővítmény üzembe helyezése a HTTPS-támogatás konfigurációs beállításait várja. Fejlesztési vagy tesztelési célokra a HTTP-támogatás kényelmesen elérhető a konfigurációs beállításon
allowInsecureConnections=True
keresztül.
Azure Machine Learning-bővítmény üzembe helyezése – CLI-példák és Azure Portal
Az Azure Machine Learning-bővítmény parancssori felülettel való üzembe helyezéséhez használja az k8s-extension create
a kötelező paraméterek értékeit átadó parancsot.
Négy tipikus bővítménytelepítési forgatókönyvet sorolunk fel referenciaként. Az éles használat bővítményének üzembe helyezéséhez gondosan olvassa el a konfigurációs beállítások teljes listáját.
Az AKS-fürt használata az Azure-ban a koncepció gyors ellenőrzéséhez az ml-számítási feladatok összes típusának futtatásához, azaz betanítási feladatok futtatásához vagy modellek online/kötegelt végpontként való üzembe helyezéséhez
Az Azure Machine Learning-bővítmény AKS-fürtön való üzembe helyezéséhez adja meg
managedClusters
a--cluster-type
paraméter értékét. Futtassa a következő Azure CLI-parancsot az Azure Machine Learning-bővítmény üzembe helyezéséhez:az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=LoadBalancer allowInsecureConnections=True InferenceRouterHA=False --cluster-type managedClusters --cluster-name <your-AKS-cluster-name> --resource-group <your-RG-name> --scope cluster
Az Azure-on kívüli Arc Kubernetes-fürt használata a rövid megvalósíthatósági vizsgálathoz, csak betanítási feladatok futtatásához
Az Azure Machine Learning-bővítmény Arc Kubernetes-fürtön való üzembe helyezéséhez meg kell adnia
connectedClusters
a--cluster-type
paraméter értékét. Futtassa a következő Azure CLI-parancsot az Azure Machine Learning-bővítmény üzembe helyezéséhez:az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <your-RG-name> --scope cluster
Engedélyezze az AKS-fürtöt az Azure-ban éles betanításhoz és következtetési számítási feladathoz Az Azure Machine Learning-bővítmény AKS-en való üzembe helyezéséhez ügyeljen arra, hogy adja meg
managedClusters
a--cluster-type
paraméter értékét. Feltéve, hogy a fürt háromnál több csomóponttal rendelkezik, és a számítási feladatokhoz azure-beli nyilvános terheléselosztót és HTTPS-t használ. Futtassa a következő Azure CLI-parancsot az Azure Machine Learning-bővítmény üzembe helyezéséhez:az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=LoadBalancer sslCname=<ssl cname> --config-protected sslCertPemFile=<file-path-to-cert-PEM> sslKeyPemFile=<file-path-to-cert-KEY> --cluster-type managedClusters --cluster-name <your-AKS-cluster-name> --resource-group <your-RG-name> --scope cluster
Arc Kubernetes-fürt engedélyezése bárhol éles betanításhoz és következtetési számítási feladathoz NVIDIA GPU-k használatával
Az Azure Machine Learning-bővítmény Arc Kubernetes-fürtön való üzembe helyezéséhez adja meg
connectedClusters
a--cluster-type
paraméter értékét. Feltételezve, hogy a fürt három csomópontnál több csomóponttal rendelkezik, a NodePort szolgáltatástípust és a HTTPS-t használja a számítási feladatok következtetési támogatásához, futtassa az Azure Machine Learning-bővítmény üzembe helyezéséhez az Alábbi Azure CLI-parancsot:az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=NodePort sslCname=<ssl cname> installNvidiaDevicePlugin=True installDcgmExporter=True --config-protected sslCertPemFile=<file-path-to-cert-PEM> sslKeyPemFile=<file-path-to-cert-KEY> --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <your-RG-name> --scope cluster
Azure Machine Learning-bővítmény üzembehelyezési hitelesítése
Futtassa a következő CLI-parancsot az Azure Machine Learning bővítmény részleteinek ellenőrzéséhez:
az k8s-extension show --name <extension-name> --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <resource-group>
A válaszban keresse meg a "name" és a "provisioningState" kifejezést: "Sikeres". Vegye figyelembe, hogy a "provisioningState" felirat jelenhet meg: "Függőben" az első néhány percben.
Ha a provisioningState sikeres állapotot mutat, futtassa a következő parancsot a számítógépen a fürtre mutatott kubeconfig fájllal annak ellenőrzéséhez, hogy az "azureml" névtérben lévő összes pod "Fut" állapotban van-e:
kubectl get pods -n azureml
Azure Machine Learning-bővítmény összetevőjének áttekintése
Az Azure Machine Learning-bővítmény üzembe helyezése után kubectl get deployments -n azureml
megtekintheti a fürtben létrehozott erőforrások listáját. Ez általában a következő erőforrások egy részhalmazából áll a megadott konfigurációs beállítások szerint.
Erőforrás neve | Erőforrás típusa | Oktatás | Következtetés | Betanítás és következtetés | Leírás | Kommunikáció a felhővel |
---|---|---|---|---|---|---|
relayserver | Kubernetes üzembe helyezése | ✓ | ✓ | ✓ | A Relay-kiszolgáló csak az Arc Kubernetes-fürthöz jön létre, az AKS-fürtben nem . A Relay-kiszolgáló az Azure Relayrel együttműködve kommunikál a felhőszolgáltatásokkal. | A feladatlétrehozás és a modell üzembe helyezésének kérése a felhőszolgáltatástól; szinkronizálja a feladat állapotát a felhőszolgáltatással. |
átjáró | Kubernetes üzembe helyezése | ✓ | ✓ | ✓ | Az átjáróval kommunikálhat, és adatokat küldhet oda-vissza. | Csomópontok és fürterőforrás-információk küldése a felhőszolgáltatásoknak. |
aml-operátor | Kubernetes üzembe helyezése | ✓ | n/a | ✓ | A betanítási feladatok életciklusának kezelése. | Jogkivonatok cseréje a felhőalapú jogkivonat-szolgáltatással az Azure Container Registry hitelesítéséhez és engedélyezéséhez. |
metrics-controller-manager | Kubernetes üzembe helyezése | ✓ | ✓ | ✓ | A Prometheus konfigurációjának kezelése | n/a |
{EXTENSION-NAME}-kube-state-metrics | Kubernetes üzembe helyezése | ✓ | ✓ | ✓ | Exportálja a fürthöz kapcsolódó metrikákat a Prometheusba. | n/a |
{EXTENSION-NAME}-prometheus-operátor | Kubernetes üzembe helyezése | Lehetséges | Lehetséges | Lehetséges | A Kubernetes natív üzembe helyezésének és felügyeletének biztosítása a Prometheus és a kapcsolódó monitorozási összetevők számára. | n/a |
amlarc-identity-controller | Kubernetes üzembe helyezése | n/a | ✓ | ✓ | Azure Blob/Azure Container Registry-jogkivonat kérése és megújítása felügyelt identitáson keresztül. | Jogkivonatok cseréje a felhőalapú jogkivonat-szolgáltatással az Azure Container Registry és a következtetés/modell üzembe helyezése által használt Azure Blob hitelesítéséhez és engedélyezéséhez. |
amlarc-identity-proxy | Kubernetes üzembe helyezése | n/a | ✓ | ✓ | Azure Blob/Azure Container Registry-jogkivonat kérése és megújítása felügyelt identitáson keresztül. | Jogkivonatok cseréje a felhőalapú jogkivonat-szolgáltatással az Azure Container Registry és a következtetés/modell üzembe helyezése által használt Azure Blob hitelesítéséhez és engedélyezéséhez. |
azureml-fe-v2 | Kubernetes üzembe helyezése | n/a | ✓ | ✓ | Az előtérbeli összetevő, amely a bejövő következtetési kérelmeket az üzembe helyezett szolgáltatásokhoz irányítja. | Szolgáltatásnaplók küldése az Azure Blobba. |
következtetés-operátor-controller-manager | Kubernetes üzembe helyezése | n/a | ✓ | ✓ | A következtetési végpontok életciklusának kezelése. | n/a |
vulkán-belépés | Kubernetes üzembe helyezése | Választható | n/a | Választható | Vulkán belépési webhook. | n/a |
vulkánvezérlők | Kubernetes üzembe helyezése | Választható | n/a | Választható | Az Azure Machine Learning betanítási feladat podjainak életciklusának kezelése. | n/a |
volcano-scheduler | Kubernetes üzembe helyezése | Választható | n/a | Választható | Fürtön belüli feladatütemezés végrehajtására szolgál. | n/a |
fluent-bit | Kubernetes démonkészlet | ✓ | ✓ | ✓ | Gyűjtse össze az összetevők rendszernaplóját. | Töltse fel az összetevők rendszernaplóját a felhőbe. |
{EXTENSION-NAME}-dcgm-exporter | Kubernetes démonkészlet | Lehetséges | Lehetséges | Lehetséges | A dcgm-exporter gpu-metrikákat tesz elérhetővé a Prometheushoz. | n/a |
nvidia-device-plugin-daemonset | Kubernetes démonkészlet | Lehetséges | Lehetséges | Lehetséges | Az nvidia-device-plugin-daemonset gpu-kat tesz elérhetővé a fürt minden csomópontján | n/a |
prometheus-prom-prometheus | Kubernetes statefulset | ✓ | ✓ | ✓ | Feladatmetrikák összegyűjtése és küldése a felhőbe. | Feladatmetrikák, például processzor-/gpu-/memóriakihasználtság küldése a felhőbe. |
Fontos
- Az Azure Relay-erőforrás ugyanabban az erőforráscsoportban található, mint az Arc-fürterőforrás. A Kubernetes-fürttel való kommunikációra szolgál, és a módosításuk megszakítja a csatolt számítási célokat.
- Alapértelmezés szerint a kubernetes üzembehelyezési erőforrásai véletlenszerűen vannak üzembe helyezve a fürt 1 vagy több csomópontján, és a démonkészlet-erőforrások minden csomóponton üzembe lesznek helyezve. Ha a bővítmény üzembe helyezését adott csomópontokra szeretné korlátozni, használja
nodeSelector
a konfigurációs beállítások táblázatában leírt konfigurációs beállítást.
Feljegyzés
- {EXTENSION-NAME}: a CLI-paranccsal megadott
az k8s-extension create --name
bővítménynév.
Azure Machine Learning-bővítmény kezelése
Azure Machine Learning-bővítmény frissítése, listázása, megjelenítése és törlése.
- Azure Arc-kapcsolat nélküli AKS-fürtök esetén tekintse meg a fürtbővítmények üzembe helyezését és kezelését.
- Az Azure Arc-kompatibilis Kubernetes esetében tekintse meg az Azure Arc-kompatibilis Kubernetes-fürtbővítmények üzembe helyezését és kezelését.
Következő lépések
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: