Az új üzembe helyezések biztonságos bevezetése valós idejű következtetés céljából
ÉRVÉNYES:Azure CLI ml-bővítmény v2 (aktuális)
Python SDK azure-ai-ml v2 (aktuális)
Ebből a cikkből megtudhatja, hogyan helyezhet üzembe egy gépi tanulási modell új verzióját éles környezetben anélkül, hogy az fennakadást okoz. Egy kék-zöld üzembehelyezési stratégiát (más néven biztonságos bevezetési stratégiát) fog használni a webszolgáltatás új verziójának éles környezetben való bevezetéséhez. Ez a stratégia lehetővé teszi, hogy a webszolgáltatás új verzióját a felhasználók vagy kérések egy kis részhalmazára gördíthesse, mielőtt teljesen üzembe tenné.
Ez a cikk feltételezi, hogy online végpontokat, vagyis online (valós idejű) következtetéshez használt végpontokat használ. Kétféle online végpontot különböztetünk meg: felügyelt online végpontokat és Kubernetes online végpontokat. A végpontokról és a felügyelt online végpontok és a Kubernetes online végpontok közötti különbségekről további információt az Azure Machine Learning-végpontok bemutatása című témakörben talál.
A cikk fő példája felügyelt online végpontokat használ az üzembe helyezéshez. Ha inkább a Kubernetes-végpontokat szeretné használni, tekintse meg a dokumentum azon megjegyzéseit, amelyek a felügyelt online végponttal kapcsolatos vitafórumba vannak ágyazva.
Ebben a cikkben a következőt fogja elsajátítani:
- Online végpont definiálása "kék" nevű üzembe helyezéssel a modell 1. verziójának kiszolgálásához
- A kék üzembe helyezés skálázása, hogy több kérést kezeljen
- Telepítse a modell 2. verzióját (az úgynevezett "zöld" üzemelő példányt) a végpontra, de az üzembe helyezést élő forgalom nélkül küldje el
- A zöld üzembe helyezés tesztelése elszigetelten
- Az élő forgalom százalékos arányának tükrözése a zöld környezetbe annak ellenőrzéséhez
- Az élő forgalom kis százalékának elküldése a zöld üzembe helyezésre
- Az összes élő forgalom elküldése a zöld üzembe helyezésre
- A most még nem használt 1- ös verziós kék üzembe helyezés törlése
Előfeltételek
A cikkben ismertetett lépések végrehajtása előtt győződjön meg arról, hogy rendelkezik a következő előfeltételekkel:
Az Azure CLI és az
ml
Azure CLI bővítménye. További információ: A parancssori felület (v2) telepítése, beállítása és használata.Fontos
A jelen cikkben szereplő CLI-példák feltételezik, hogy a Bash (vagy kompatibilis) rendszerhéjat használja. Például linuxos rendszerből vagy Linuxos Windows-alrendszer.
Egy Azure Machine Learning-munkaterület. Ha nincs ilyenje, a telepítés, a beállítás és a parancssori felület (v2) lépéseit követve hozzon létre egyet.
Az Azure-beli szerepköralapú hozzáférés-vezérlések (Azure RBAC) az Azure gépi tanulás műveleteihez való hozzáférést biztosítják. A cikkben ismertetett lépések végrehajtásához a felhasználói fiókhoz hozzá kell rendelni az Azure Machine Learning-munkaterület tulajdonosi vagy közreműködői szerepkörét, vagy egy egyéni szerepkört, amely lehetővé teszi
Microsoft.MachineLearningServices/workspaces/onlineEndpoints/*
. További információ: Azure Machine Learning-munkaterülethez való hozzáférés kezelése.(Nem kötelező) A helyi telepítéshez telepítenie kell a Docker Engine-t a helyi számítógépre. Erősen ajánljuk ezt a lehetőséget, így egyszerűbb hibakeresést végezni.
A rendszer előkészítése
Környezeti változók beállítása
Ha még nem állította be az Azure CLI alapértelmezett beállításait, mentse az alapértelmezett beállításokat. Az előfizetés, a munkaterület és az erőforráscsoport értékeinek többszöri átadásának elkerülése érdekében futtassa ezt a kódot:
az account set --subscription <subscription id>
az configure --defaults workspace=<Azure Machine Learning workspace name> group=<resource group>
A példák adattárának klónozása
A cikk követéséhez először klónozza a példák adattárát (azureml-examples). Ezután nyissa meg az adattár könyvtárát cli/
:
git clone --depth 1 https://github.com/Azure/azureml-examples
cd azureml-examples
cd cli
Tipp.
Csak a legújabb véglegesítés klónozására használható --depth 1
az adattárban. Ez csökkenti a művelet befejezésének idejét.
Az oktatóanyagban szereplő parancsok a deploy-safe-rollout-online-endpoints.sh
könyvtár fájljában cli
találhatók, a YAML konfigurációs fájljai pedig az endpoints/online/managed/sample/
alkönyvtárban találhatók.
Feljegyzés
Az online Kubernetes-végpontok YAML-konfigurációs fájljai az endpoints/online/kubernetes/
alkönyvtárban találhatók.
A végpont és az üzembe helyezés meghatározása
Az online végpontok online (valós idejű) következtetéshez használatosak. Az online végpontok olyan központi telepítéseket tartalmaznak, amelyek készen állnak arra, hogy adatokat fogadjanak az ügyfelektől, és valós időben küldjenek vissza válaszokat.
Végpont definiálása
Az alábbi táblázat felsorolja a végpontok definiálásakor megadható kulcsattribútumokat.
Attribútum | Ismertetés |
---|---|
Név | Szükséges. A végpont neve. Egyedinek kell lennie az Azure-régióban. Az elnevezési szabályokkal kapcsolatos további információkért tekintse meg a végpontkorlátokat. |
Hitelesítési módszer | A végpont hitelesítési módszere. Válasszon a kulcsalapú hitelesítés key és az Azure Machine Learning tokenalapú hitelesítés aml_token közül. A kulcsok nem járnak le, de a jogkivonatok lejárnak. A hitelesítéssel kapcsolatos további információkért lásd : Hitelesítés online végponton. |
Leírás | A végpont leírása. |
Címkék | A végpont címkéinek szótára. |
Adatforgalom | A forgalom központi telepítések közötti átirányításának szabályai. A forgalmat kulcs-érték párok szótáraként jelöli, ahol a kulcs az üzembe helyezés nevét, az érték pedig az üzembe helyezés felé történő forgalom százalékos arányát jelöli. A forgalmat csak akkor állíthatja be, ha a végponton lévő központi telepítéseket létrehozták. Az online végpont forgalmát az üzembe helyezések létrehozása után is frissítheti. A tükrözött forgalom használatáról további információt az élő forgalom kis százalékának lefoglalása az új üzembe helyezéshez című témakörben talál. |
Tükrözött forgalom | Az üzemelő példányra tükrözendő élő forgalom százalékos aránya. A tükrözött forgalom használatával kapcsolatos további információkért lásd : Az üzembe helyezés tesztelése tükrözött forgalommal. |
A végpont létrehozásakor megadható attribútumok teljes listájának megtekintéséhez tekintse meg a PARANCSSOR (v2) online végpont YAML-sémáját vagy az SDK (v2) ManagedOnlineEndpoint osztályt.
Üzembe helyezés definiálása
Az üzembe helyezés a tényleges következtetést okozó modell üzemeltetéséhez szükséges erőforrások készlete. Az alábbi táblázat az üzembe helyezés definiálásakor megadható főbb attribútumokat ismerteti.
Attribútum | Ismertetés |
---|---|
Név | Szükséges. Az üzembe helyezés neve. |
Végpont neve | Szükséges. Az üzembe helyezés létrehozásához szükséges végpont neve. |
Modell | Az üzembe helyezéshez használni kívánt modell. Ez az érték lehet a munkaterület egy meglévő verziójú modelljére való hivatkozás, vagy egy beágyazott modell specifikációja. A példában van egy scikit-learn modellünk, amely regressziót végez. |
Kód elérési útja | A helyi fejlesztési környezet könyvtárának elérési útja, amely tartalmazza a modell pontozásához szükséges Összes Python-forráskódot. Beágyazott könyvtárakat és csomagokat is használhat. |
Pontozási szkript | Python-kód, amely egy adott bemeneti kérésen hajtja végre a modellt. Ez az érték lehet a forráskód könyvtárában található pontozófájl relatív elérési útja. A pontozó szkript fogadja az üzembe helyezett webszolgáltatásnak küldött adatokat, és átadja azokat a modellnek. A szkript ezután végrehajtja a modellt, és visszaadja válaszát az ügyfélnek. A pontozási szkript a modellre jellemző, és ismernie kell azokat az adatokat, amelyeket a modell bemenetként vár el, és kimenetként ad vissza. Ebben a példában egy score.py fájl található. Ennek a Python-kódnak egy függvénysel init() és egy függvénnyel kell rendelkeznie run() . A init() függvény a modell létrehozása vagy frissítése után lesz meghívva (használhatja például a modell gyorsítótárazására a memóriában). A run() függvényt a rendszer a végpont minden meghívásánál meghívja, hogy elvégezhesse a tényleges pontozást és előrejelzést. |
Környezet | Szükséges. A modellt és a kódot üzemeltető környezet. Ez az érték hivatkozhat a munkaterület meglévő verziójú környezetére, vagy egy beágyazott környezeti specifikációra. A környezet lehet Egy Docker-rendszerkép Conda-függőségekkel, Egy Dockerfile vagy egy regisztrált környezet. |
Példány típusa | Szükséges. Az üzembe helyezéshez használandó virtuálisgép-méret. A támogatott méretek listáját a Felügyelt online végpontok termékváltozata című témakörben találja. |
Példányok száma | Szükséges. Az üzembe helyezéshez használandó példányok száma. Alapozza az értéket a várt számítási feladatra. A magas rendelkezésre állás érdekében javasoljuk, hogy állítsa be az értéket legalább 3 . A frissítések végrehajtásához további 20%-ot foglalunk le. További információkért tekintse meg az online végpontok korlátait. |
Az üzembe helyezés létrehozásakor megadható attribútumok teljes listájának megtekintéséhez tekintse meg a CLI (v2) felügyelt online üzembe helyezési YAML-sémáját vagy az SDK (v2) ManagedOnlineDeployment osztályát.
Online végpont létrehozása
Először állítsa be a végpont nevét, majd konfigurálja. Ebben a cikkben a végpontok/online/felügyelt/minta/endpoint.yml fájl használatával konfigurálja a végpontot. Az alábbi kódrészlet a fájl tartalmát jeleníti meg:
$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineEndpoint.schema.json
name: my-endpoint
auth_mode: key
A végpont YAML-formátumára vonatkozó hivatkozást az alábbi táblázat ismerteti. Az attribútumok megadásának módjáról az online végpont YAML-hivatkozásában olvashat. A felügyelt online végpontokhoz kapcsolódó korlátokról az online végpontokra vonatkozó korlátokat ismertető cikkben olvashat.
Kulcs | Leírás |
---|---|
$schema |
(Nem kötelező) A YAML-séma. A YAML-fájlban elérhető összes lehetőség megtekintéséhez a sémát az előző kódrészletben tekintheti meg egy böngészőben. |
name |
A végpont neve. |
auth_mode |
Kulcsalapú hitelesítéshez használható key . Azure Machine Learning-jogkivonat-alapú hitelesítéshez használható aml_token . A legújabb jogkivonat lekéréséhez használja a az ml online-endpoint get-credentials parancsot. |
Online végpont létrehozása:
A végpont nevének beállítása:
Unix esetén futtassa ezt a parancsot (cserélje le
YOUR_ENDPOINT_NAME
egyedi névre):export ENDPOINT_NAME="<YOUR_ENDPOINT_NAME>"
Fontos
A végpontneveknek egyedinek kell lenniük egy Azure-régióban. Az Azure-régióban
westus2
például csak egy végpont lehet a névvelmy-endpoint
.Hozza létre a végpontot a felhőben:
Futtassa a következő kódot a végpont konfigurálásához a
endpoint.yml
fájl használatával:az ml online-endpoint create --name $ENDPOINT_NAME -f endpoints/online/managed/sample/endpoint.yml
A "kék" üzembe helyezés létrehozása
Ebben a cikkben a végpontok/online/felügyelt/minta/blue-deployment.yml fájl használatával konfigurálja az üzembe helyezés legfontosabb szempontjait. Az alábbi kódrészlet a fájl tartalmát jeleníti meg:
$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
endpoint_name: my-endpoint
model:
path: ../../model-1/model/
code_configuration:
code: ../../model-1/onlinescoring/
scoring_script: score.py
environment:
conda_file: ../../model-1/environment/conda.yaml
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1
A végponthoz elnevezett blue
központi telepítés létrehozásához futtassa a következő parancsot a blue-deployment.yml
fájl konfigurálásához
az ml online-deployment create --name blue --endpoint-name $ENDPOINT_NAME -f endpoints/online/managed/sample/blue-deployment.yml --all-traffic
Fontos
A --all-traffic
jelölő a az ml online-deployment create
végpont forgalmának 100%-át lefoglalja az újonnan létrehozott kék üzembe helyezéshez.
A fájlban blue-deployment.yaml
meg kell adnia a path
beágyazott fájlt (ahonnan fájlokat tölthet fel). A parancssori felület automatikusan feltölti a fájlokat, és regisztrálja a modellt és a környezetet. Az éles környezetben ajánlott eljárásként regisztrálnia kell a modellt és a környezetet, és külön kell megadnia a regisztrált nevet és verziót a YAML-ben. Használja az űrlapot model: azureml:my-model:1
vagy environment: azureml:my-env:1
a .
A regisztrációhoz kinyerheti a YAML-definíciókat model
és environment
külön YAML-fájlokba, és használhatja a parancsokat az ml model create
és az ml environment create
a . Ha többet szeretne megtudni ezekről a parancsokról, futtassa és az ml environment create -h
.az ml model create -h
A modell eszközként való regisztrálásával kapcsolatos további információkért tekintse meg a modell eszközként való regisztrálását a Machine Learningben a parancssori felület használatával. További információ a környezetek létrehozásáról: Azure Machine Learning-környezetek kezelése a CLI &SDK-val (v2).
Meglévő üzembe helyezés megerősítése
A meglévő üzembe helyezés megerősítésének egyik módja, ha meghívja a végpontot, hogy egy adott bemeneti kéréshez pontszámot adjon a modellnek. Amikor a parancssori felületen vagy a Python SDK-on keresztül hívja meg a végpontot, megadhatja a bejövő forgalmat fogadó üzembe helyezés nevét.
Feljegyzés
A parancssori felülettel vagy a Python SDK-val ellentétben az Azure Machine Learning Studio megköveteli, hogy egy üzembe helyezést adjon meg egy végpont meghívásakor.
Végpont meghívása üzembehelyezési névvel
Ha a végpontot a forgalmat fogadó üzembe helyezés nevével hívja meg, az Azure Machine Learning közvetlenül a megadott üzembe helyezéshez irányítja a végpont forgalmát, és visszaadja a kimenetét. Használhatja a --deployment-name
CLI v2deployment_name
vagy az SDK v2 beállítását az üzembe helyezés megadásához.
Végpont meghívása üzembe helyezés megadása nélkül
Ha a végpontot a forgalmat fogadó központi telepítés megadása nélkül hívja meg, az Azure Machine Learning a végpont bejövő forgalmát a végponton lévő üzembe helyezés(ek)hez irányítja a forgalomvezérlési beállítások alapján.
A forgalomszabályozási beállítások a bejövő forgalom meghatározott százalékos arányát rendelik hozzá a végpont minden egyes üzemelő példányához. Ha például a forgalmi szabályok azt adják meg, hogy a végpont egy adott üzemelő példánya az idő 40%-ában fogadja a bejövő forgalmat, az Azure Machine Learning a végpont forgalmának 40%-át átirányítja az adott üzembe helyezésre.
A meglévő végpont és üzembe helyezés állapotát a következő futtatásával tekintheti meg:
az ml online-endpoint show --name $ENDPOINT_NAME
az ml online-deployment show --name blue --endpoint $ENDPOINT_NAME
Látnia kell a végpontot, amelyet $ENDPOINT_NAME
egy úgynevezett üzembe helyezés határoz blue
meg.
A végpont tesztelése mintaadatokkal
A végpont a parancs használatával invoke
hívható meg. Egy json-fájllal küldünk egy mintakérést.
az ml online-endpoint invoke --name $ENDPOINT_NAME --request-file endpoints/online/model-1/sample-request.json
Meglévő üzembe helyezés skálázása a nagyobb forgalom kezeléséhez
Az üzembe helyezésben leírt üzembe helyezésben és egy gépi tanulási modell online végponttal való pontozásában a instance_count
telepítési yaml-fájl értékét 1
kell beállítania. A következő paranccsal skálázhatja fel a skálázást update
:
az ml online-deployment update --name blue --endpoint-name $ENDPOINT_NAME --set instance_count=2
Feljegyzés
Figyelje meg, hogy a fenti parancsban az üzembehelyezési konfiguráció felülbírálásához használjuk --set
. Másik lehetőségként frissítheti a yaml-fájlt, és bemenetként továbbíthatja azt a update
parancsnak a --file
bemenet használatával.
Új modell üzembe helyezése, de még nem küldhető forgalom
Hozzon létre egy új, a következő nevű üzembe helyezést green
:
az ml online-deployment create --name green --endpoint-name $ENDPOINT_NAME -f endpoints/online/managed/sample/green-deployment.yml
Mivel nem osztottunk ki explicit módon forgalmat green
, nincs hozzá hozzárendelt forgalom. Ezt a parancs használatával ellenőrizheti:
az ml online-endpoint show -n $ENDPOINT_NAME --query traffic
Az új üzembe helyezés tesztelése
Bár green
a forgalom 0%-a van lefoglalva, közvetlenül a név megadásával --deployment
hívhatja meg:
az ml online-endpoint invoke --name $ENDPOINT_NAME --deployment-name green --request-file endpoints/online/model-2/sample-request.json
Ha REST-ügyfél használatával szeretné közvetlenül meghívni az üzembe helyezést anélkül, hogy áthaladna a forgalmi szabályokon, állítsa be a következő HTTP-fejlécet: azureml-model-deployment: <deployment-name>
. Az alábbi kódrészlet curl
közvetlenül meghívja az üzembe helyezést. A kódrészletnek Unix/WSL-környezetekben kell működnie:
# get the scoring uri
SCORING_URI=$(az ml online-endpoint show -n $ENDPOINT_NAME -o tsv --query scoring_uri)
# use curl to invoke the endpoint
curl --request POST "$SCORING_URI" --header "Authorization: Bearer $ENDPOINT_KEY" --header 'Content-Type: application/json' --header "azureml-model-deployment: green" --data @endpoints/online/model-2/sample-request.json
Az üzemelő példány tesztelése tükrözött forgalommal
Az üzembe helyezés tesztelése green
után tükrözheti (vagy másolhatja) az élő forgalom egy százalékát. A forgalomtükrözés (más néven árnyékolás) nem módosítja az ügyfeleknek visszaadott eredményeket – a kérések továbbra is 100%-ban áramlanak az blue
üzembe helyezésre. A rendszer a forgalom tükrözött százalékát másolja és küldi el az green
üzembe helyezéshez, hogy metrikákat és naplózásokat gyűjtsön anélkül, hogy az hatással lenne az ügyfelekre. A tükrözés akkor hasznos, ha az ügyfelek befolyásolása nélkül szeretne ellenőrizni egy új üzembe helyezést. A tükrözéssel például ellenőrizheti, hogy a késés elfogadható korlátokon belül van-e, vagy ellenőrizheti, hogy nincsenek-e HTTP-hibák. Az új üzembe helyezés forgalomtükrözéssel/árnyékolással történő tesztelését árnyéktesztelésnek is nevezik. A tükrözött forgalmat fogadó üzemelő példányt (ebben az esetben az green
üzembe helyezést) árnyéktelepítésnek is nevezhetjük.
A tükrözés a következő korlátozásokkal rendelkezik:
- A tükrözés a PARANCSSOR (v2) (2.4.0-s vagy újabb verzió) és a Python SDK (v2) (1.0.0-s vagy újabb verzió) esetében támogatott. Ha a parancssori felület/SDK egy régebbi verzióját használja egy végpont frissítéséhez, a tükrözött forgalom beállítása elveszik.
- A tükrözés jelenleg nem támogatott a Kubernetes online végpontjai esetében.
- A forgalom csak egy végponton belüli üzembe helyezésre tükrözhető.
- A tükrözhető forgalom maximális aránya 50%. Ez a korlát csökkenti a végpont sávszélesség-kvótájára gyakorolt hatást (alapértelmezett 5 MBPS) – a végpont sávszélessége szabályozva lesz, ha túllépi a lefoglalt kvótát. A sávszélesség-szabályozás monitorozásáról további információt a felügyelt online végpontok monitorozása című témakörben talál.
Figyelje meg a következő viselkedéseket is:
- Az üzembe helyezés konfigurálható úgy, hogy csak élő vagy tükrözött forgalmat fogadjon, nem mindkettőt.
- Végpont meghívásakor megadhatja bármelyik központi telepítés nevét – akár árnyéktelepítést is –, hogy visszaadja az előrejelzést.
- Amikor meghív egy, a bejövő forgalmat fogadó üzembe helyezés nevével rendelkező végpontot, az Azure Machine Learning nem fogja tükrözni a forgalmat az árnyéktelepítéshez. Az Azure Machine Learning az árnyéktelepítés felé érkező forgalmat tükrözi a végpontra küldött forgalomból, ha nem ad meg üzembe helyezést.
Most állítsuk be a zöld üzembe helyezést úgy, hogy a tükrözött forgalom 10%-át kapja meg. Az ügyfelek továbbra is csak a kék üzembe helyezéstől kapnak előrejelzéseket.
Az alábbi parancs az üzembe helyezés felé green
menő forgalom 10%-át tükrözi:
az ml online-endpoint update --name $ENDPOINT_NAME --mirror-traffic "green=10"
A tükrözött forgalmat úgy tesztelheti, hogy többször invoktálja a végpontot anélkül, hogy üzembe helyezést kellene megadnia a bejövő forgalom fogadásához:
for i in {1..20} ; do
az ml online-endpoint invoke --name $ENDPOINT_NAME --request-file endpoints/online/model-1/sample-request.json
done
Az üzembe helyezés naplóinak megtekintésével ellenőrizheti, hogy a forgalom adott százaléka az üzembe helyezésre green
lett-e küldve:
az ml online-deployment get-logs --name blue --endpoint $ENDPOINT_NAME
A tesztelés után nullára állíthatja a tükrözési forgalmat a tükrözés letiltásához:
az ml online-endpoint update --name $ENDPOINT_NAME --mirror-traffic "green=0"
Az élő forgalom kis százalékának lefoglalása az új üzembe helyezéshez
Miután tesztelte az üzembe helyezést green
, foglaljon le egy kis hányadot a forgalomból:
az ml online-endpoint update --name $ENDPOINT_NAME --traffic "blue=90 green=10"
Tipp.
A teljes forgalom százalékos értékének 0%-ra (a forgalom letiltásához) vagy 100%-ra (a forgalom engedélyezéséhez) kell lennie.
Most az green
üzemelő példány az összes élő forgalom 10%-át kapja meg. Az ügyfelek előrejelzést kapnak mind az üzemelő példányoktól, mind az blue
green
üzemelő példányoktól.
Az összes forgalom elküldése az új üzembe helyezésre
Miután teljes mértékben elégedett az green
üzembe helyezéssel, váltson rá az összes forgalomra.
az ml online-endpoint update --name $ENDPOINT_NAME --traffic "blue=0 green=100"
A régi üzembe helyezés eltávolítása
Az alábbi lépésekkel törölhet egy egyéni üzembe helyezést egy felügyelt online végpontról. Az egyéni üzembe helyezés törlése hatással van a felügyelt online végpont többi központi telepítésére:
az ml online-deployment delete --name blue --endpoint $ENDPOINT_NAME --yes --no-wait
A végpont és az üzembe helyezés törlése
Ha nem használja a végpontot és az üzembe helyezést, törölje őket. A végpont törlésével az összes mögöttes üzembe helyezést is törli.
az ml online-endpoint delete --name $ENDPOINT_NAME --yes --no-wait
Kapcsolódó tartalom
- Online végpontminták felfedezése
- Modellek üzembe helyezése REST használatával
- Hálózati elkülönítés használata felügyelt online végpontokkal
- Azure-erőforrások elérése online végponttal és felügyelt identitással
- Felügyelt online végpontok monitorozása
- Az erőforráskvóták kezelése és növelése az Azure Machine Learninggel
- Felügyelt online Azure Machine Learning-végpont költségeinek megtekintése
- Felügyelt online végpontok termékváltozatának listája
- Online végpontok üzembe helyezésének és pontozásának hibaelhárítása
- Online végpont YAML-referencia
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: