Machine Learning-folyamatfeladatok ütemezése

ÉRVÉNYES:Azure CLI ml-bővítmény v2 (aktuális)Python SDK azure-ai-ml v2 (aktuális)

Ebből a cikkből megtudhatja, hogyan ütemezhet gépi tanulási folyamatokat az Azure-ban való futtatásra. Ütemezhet olyan rutinfeladatokat, mint a modellek újratanítása vagy a kötegelt előrejelzések rendszeres frissítése az eltelt idő alapján.

Ez a cikk bemutatja, hogyan hozhat létre, kérdezhet le, frissíthet és inaktiválhat ütemezéseket az Azure Machine Learning CLI, a Pythonhoz készült Azure Machine Learning SDK v2 vagy az Azure Machine Learning Studio felhasználói felületének használatával.

Tipp.

Ha külső vezénylővel szeretné ütemezni a feladatokat, például az Azure Data Factoryt vagy a Microsoft Fabricet, fontolja meg a folyamatfeladatok kötegelt végponton történő üzembe helyezését. További információ: Meglévő folyamatfeladatok üzembe helyezése kötegelt végpontokon, és Azure Machine Learning-modellek futtatása a Fabricből kötegelt végpontok használatával (előzetes verzió)

Előfeltételek

• Azure-előfizetés. Ha még nincs előfizetése, hozzon létre egy ingyenes fiókot, mielőtt hozzákezd.
• Egy Azure Machine Learning-munkaterület. Munkaterület létrehozásához lásd: Munkaterület-erőforrások létrehozása.
• Az Azure Machine Learning-folyamatok ismerete. További információ: Mik azok a gépi tanulási folyamatok.

Azure CLI

• A telepített Azure CLI és ml bővítmény a telepítés, a beállítás és a parancssori felület (v2) utasításait követve telepíthető.
• Az Azure Machine Learning YAML-folyamatok létrehozásának ismerete. További információ: Gépi tanulási folyamatok létrehozása és futtatása összetevők használatával az Azure Machine Learning CLI-vel.

Python

• A Pythonhoz készült Azure Machine Learning SDK v2 telepítve van.
• A Python-folyamatok Azure Machine Learninghez való létrehozásának ismerete. További információ: Gépi tanulási folyamatok létrehozása és futtatása összetevők használatával az Azure Machine Learning SDK-val.

Studio felhasználói felület

• Folyamatok létrehozásának ismerete az Azure Machine Learning Studióban. További információ: Gépi tanulási folyamatok létrehozása és futtatása összetevők használatával az Azure Machine Learning Studióval.

Korlátozások

• Az Azure Machine Learning v2-ütemezései nem támogatják az eseményalapú eseményindítókat.
• A parancssori felület és az SDK v2-ütemezései támogatják a több eseményindító időbélyegét tartalmazó összetett ismétlődési minták megadását. A studio felhasználói felülete megjeleníti az összetett mintákat, de nem támogatja a szerkesztésüket.
• A studio felhasználói felülete csak a v2-ütemezéseket támogatja, és nem tudja listázni vagy elérni a közzétett folyamatokon vagy folyamatvégpontokon alapuló v1-ütemezéseket. Létrehozhat ütemezést egy közzé nem adott folyamathoz.
• Ha az ismétlődés minden hónap 31. vagy 30. napjaként van beállítva, az ütemezés nem aktiválja a kevesebb napot tartalmazó hónapokban lévő feladatokat.
• DAYS és MONTHS az értékek nem támogatottak a cron schedule kifejezésekben. Az ezekhez a paraméterekhez átadott értékek figyelmen kívül lesznek hagyva, és úgy lesznek kezelve, mint .*

Ütemezés létrehozása

Ha olyan folyamatfeladattal rendelkezik, amely megfelel a teljesítménynek és a kimeneteknek, beállíthat egy ütemezést, amely rendszeresen automatikusan aktiválja a feladatot. Ehhez létre kell hoznia egy ütemezést, amely egy eseményindítóhoz társítja a feladatot. Az eseményindító lehet minta recurrence vagy kifejezés cron , amely meghatározza a feladat futtatásának időközét és gyakoriságát.

Mindkét esetben először meg kell határoznia egy folyamatfeladatot, akár beágyazott, akár egy meglévő folyamatfeladat megadásával. A folyamatokat a YAML-ben definiálhatja és futtathatja a parancssori felületről, a Pythonban beágyazott folyamatokat készíthet, vagy folyamatokat írhat az Azure Machine Learning Studióban. A folyamatfeladatokat helyileg vagy a munkaterületen lévő meglévő feladatokból is létrehozhatja.

V2-es vagy v1-es folyamatfeladatokhoz v2-ütemezéseket hozhat létre a studio felhasználói felületén, az SDK v2-ben vagy a CLI v2-ben. A folyamatfeladatok ütemezésének beállításához nem kell először közzétennie a meglévő folyamatokat.

Azure CLI

A cikkben szereplő kód példák az Ütemezés használata az Azure Machine Learning CLI 2.0-ban című cikkből származnak.

Python

A cikkben szereplő kódpéldák az Azure Machine Learning-jegyzetfüzet ütemezésének részletei. Futtassa a jegyzetfüzetet az ütemezések létrehozásához és kezeléséhez a leírtak szerint.

Studio felhasználói felület

Ha ütemezést szeretne létrehozni egy Azure Machine Learning-folyamatfeladathoz a studio felhasználói felületén, nyissa meg a folyamatfeladat részletes oldalát.

Időalapú ütemezés definiálása ismétlődési mintával

Azure CLI

Az alábbi YAML-kód egy folyamatfeladat ismétlődő ütemezését határozza meg. A szükséges type paraméter azt adja meg, hogy a típus a trigger következő recurrence.

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_job_schedule
display_name: Simple recurrence job schedule
description: a simple hourly recurrence job schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

create_job: ./simple-pipeline-job.yml
# create_job: azureml:simple-pipeline-job

A következő ütemezési paramétereket kell megadnia vagy megadhatja:

Python

Az alábbi kód jobb RecurrenceTrigger kódolási élményt biztosít.

schedule_name = "simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()
recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=10, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=recurrence_trigger, create_job=pipeline_job
)

A következő ütemezési paramétereket kell megadnia vagy megadhatja:

Studio felhasználói felület

Az Ütemezés létrehozása varázsló megnyitásához válassza az Új ütemezés ütemezése>lehetőséget a lap tetején.

Azure CLI / Python SDK

Paraméterek

• frequency(kötelező) az az időegység, amely alapján az ütemezési tűz kigyullad. minutesLehet , hours, days, weeksvagy months.
• interval(kötelező) az ütemezés ismétlődése közötti időegységek száma.
• schedule (nem kötelező) meghatározza az ismétlődési mintát, amely tartalmazhat hours, minutesés weekdays. Ha nincs megadva, a feladatok az , frequencyés intervala . logikája szerint aktiválódikstart_time.
  • Ha frequency igenday, a minta megadható és minutesmegadhatóhours.
  • Ha frequency van week vagy month, a minta megadhatja hours, minutesés weekdays.
    • hours 0 és 23 közötti egész szám vagy lista.
    • minutes 0 és 59 közötti egész szám vagy lista.
    • weekdaysegy sztring vagy lista.monday sunday
• start_time (nem kötelező) a kezdési dátum és időpont az időzónával. Ha nincs megadva, az alapértelmezett érték megegyezik a létrehozás ütemezésével. Ha a kezdési időpont a múltban van, az első feladat a következő számított futási időpontban fut.
• end_time (nem kötelező) az időzónával rendelkező befejezési dátum és idő. Ha nincs megadva, az ütemezés addig aktív marad, amíg manuálisan le nem tiltja.
• time_zone (nem kötelező) az ismétlődési ütemezés időzónáját adja meg. Ha nincs megadva, az alapértelmezett időpont az egyezményes világidő (UTC). Az időzónák értékeivel kapcsolatos további információkért tekintse meg az időzónák értékeinek függelékét.

Studio felhasználói felület

Az ismétlődésalapú ütemezés meghatározásához az Alapszintű beállítások képernyőn adja meg a következő tulajdonságokat. Csak a Név tulajdonsághoz kell megadnia egy értéket. Ha nem ad meg értékeket a többi tulajdonsághoz, az alapértelmezett ütemezés egy ismétlődési minta, amely az ütemezés létrehozásakor kezdődik, és minden hétfőn és pénteken 16:00-kor (UTC) fut.

• Név: A munkaterületen belüli ütemezés egyedi azonosítója.
• Leírás: Ütemezés leírása.
• Eseményindító: Az ütemezés ismétlődési mintája, beleértve a következő tulajdonságokat:
  • Időzóna: Az eseményindító időponthoz használandó időzóna, alapértelmezés szerint UTC.
  • Válassza az Ismétlődés lehetőséget, és adja meg a percek, órák, napok, hetek vagy hónapok ismétlődő mintáját.
  • Kezdés: Az ütemezés aktívvá válásának dátuma, alapértelmezés szerint a létrehozás dátuma.
  • Befejezés: Az ütemezés inaktívvá válásának dátuma. Alapértelmezés szerint az érték nincs, és az ütemezés addig aktív marad, amíg manuálisan le nem tiltja.
  • Címkék: Címkék az ütemezésben.

Azure CLI

Az ütemezési YAML létrehozása után az alábbi paranccsal hozza létre az ütemezést a parancssori felületről:

# This action creates related resources for a schedule. It takes dozens of seconds to complete.
az ml schedule create --file simple-pipeline-job.yml --no-wait

Python

A következő Python-kód hozza létre a megadott ütemezést:

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio felhasználói felület

Miután konfigurálta az alapbeállításokat, válassza a Véleményezés + Létrehozás lehetőséget, tekintse át a beállításokat, majd válassza a Véleményezés + Létrehozás lehetőséget az ütemezés létrehozásához.

Időalapú ütemezés definiálása cron kifejezéssel

A cron-kifejezések rugalmas és testreszabott ismétlődési mintát adhatnak meg az ütemezéshez. A standard crontab-kifejezés a szóközzel tagolt mezőkből MINUTES HOURS DAYS MONTHS DAYS-OF-WEEKáll. A helyettesítő karakterek * egy mező összes értékét jelentik.

Azure Machine Language schedule cron kifejezésben:

• MINUTES 0 és 59 közötti egész szám vagy lista.
• HOURS 0 és 23 közötti egész szám vagy lista.
• DAYSaz értékek nem támogatottak, és mindig úgy vannak kezelve, mint .* Az * érték egy DAYS hónap minden napját jelenti, amely hónaptól és évtől függően változik.
• MONTHSaz értékek nem támogatottak, és mindig úgy vannak kezelve, mint .*
• DAYS-OF-WEEK egy egész szám vagy lista 0 és 6 között, ahol 0 = vasárnap. A napok neve is elfogadott.

A kifejezés 15 16 * * 1 például minden hétfőn 16:15(UTC) értéket jelent. A Crontab-kifejezésekről további információt a GitHub Crontab Expression wikijében talál.

Azure CLI

Az alábbi YAML-kód egy folyamatfeladat ismétlődő ütemezését határozza meg. A szükséges type paraméter azt adja meg, hogy a típus a trigger következő cron.

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_job_schedule
display_name: Simple cron job schedule
description: a simple hourly cron job schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

# create_job: azureml:simple-pipeline-job
create_job: ./simple-pipeline-job.yml

A következő ütemezési paramétereket kell megadnia vagy megadhatja:

Python

Az alábbi kód jobb CronTrigger kódolási élményt biztosít.

schedule_name = "simple_sdk_create_schedule_cron"

schedule_start_time = datetime.utcnow()
cron_trigger = CronTrigger(
    expression="15 10 * * *",
    start_time=schedule_start_time,  # start time
    time_zone="Eastern Standard Time",  # time zone of expression
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=cron_trigger, create_job=pipeline_job
)

A következő ütemezési paramétereket kell megadnia vagy megadhatja:

Studio felhasználói felület

Cron-alapú ütemezés definiálásához válassza a Cron-kifejezést ismétlődés helyett az Alapszintű beállítások képernyőn az ütemezéshez.

Azure CLI / Python SDK

Paraméterek

• expressionA (kötelező) egy standard crontab kifejezés, amely ismétlődő ütemezést fejez ki.
• start_time (nem kötelező) az ütemezés kezdési dátuma és időpontja az időzónával. Például azt jelenti, start_time: "2022-05-10T10:15:00-04:00" hogy az ütemezés 2022. május 10-én 10:15:00 órától kezdődik UTC-4 időzónában. Ha nincs megadva, az alapértelmezett érték megegyezik a létrehozás ütemezésével. Ha a kezdési időpont a múltban van, az első feladat a következő számított futási időpontban fut.
• end_time (nem kötelező) az időzónával rendelkező befejezési dátum és idő. Ha nincs megadva, az ütemezés addig aktív marad, amíg manuálisan le nem tiltja.
• time_zone (nem kötelező) az ismétlődési ütemezés időzónáját adja meg. Ha nincs megadva, az alapértelmezett érték az UTC.

Studio felhasználói felület

Csak a Név tulajdonsághoz kell megadnia egy értéket. Ha nem ad meg cron kifejezést, az alapértelmezett cron kifejezés létrehoz egy ütemezést, amely naponta 16:00 (UTC) időpontban fut.

• Név: A munkaterületen belüli ütemezés egyedi azonosítója.
• Leírás: Az ütemezés leírása.
• Eseményindító: Az ütemezés ismétlődési mintája, beleértve a következő tulajdonságokat:
  • Időzóna: Az eseményindító időponthoz használandó időzóna, alapértelmezés szerint az egyezményes világidő (UTC).
  • Válassza a Cron-kifejezést , és adjon meg egy standard crontab kifejezést, amely ismétlődő ütemezést fejez ki.
  • Kezdés: Az ütemezés aktívvá válásának dátuma, alapértelmezés szerint a létrehozás dátuma.
  • Befejezés: Az ütemezés inaktívvá válásának dátuma. Alapértelmezés szerint az érték nincs, és az ütemezés addig aktív marad, amíg manuálisan nem tiltja le.
  • Címkék: Címkék az ütemezésben.

Azure CLI

Az ütemezési YAML létrehozása után az alábbi paranccsal hozza létre az ütemezést a parancssori felületről:

# This action creates related resources for a schedule. It takes dozens of seconds to complete.
az ml schedule create --file simple-pipeline-job.yml --no-wait

Python

A következő Python-kód hozza létre a megadott ütemezést:

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio felhasználói felület

Miután konfigurálta az alapbeállításokat, válassza a Véleményezés + Létrehozás lehetőséget, tekintse át a beállításokat, majd válassza a Véleményezés + Létrehozás lehetőséget az ütemezés létrehozásához.

Feladatbeállítások módosítása ütemezések meghatározásakor

Előfordulhat, hogy azt szeretné, hogy az ütemezések által aktivált feladatok különböző konfigurációkkal rendelkezzenek a tesztfeladatoktól. Ha egy ütemezést egy meglévő feladat használatával határoz meg, módosíthatja a feladat beállításait. Ezzel a módszerrel több ütemezést is meghatározhat, amelyek ugyanazt a feladatot használják különböző bemenetekkel.

Azure CLI

Ütemezés definiálásakor módosíthatja a settingsfolyamatot inputs, vagy outputs használhatja azt a folyamatfeladat futtatásakor. Az aktivált feladat is módosítható experiment_name .

Az alábbi ütemezésdefiníció módosítja egy meglévő feladat beállításait.

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: cron_with_settings_job_schedule
display_name: Simple cron job schedule
description: a simple hourly cron job schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

create_job: 
  type: pipeline
  job: ./simple-pipeline-job.yml
  # job: azureml:simple-pipeline-job
  # runtime settings
  settings:
    #default_compute: azureml:cpu-cluster
    continue_on_step_failure: true
  inputs:
    hello_string_top_level_input: ${{name}} 
  tags: 
    schedule: cron_with_settings_schedule

Python

Ütemezés definiálásakor módosíthatja a settingsfolyamatot inputs, vagy outputs használhatja azt a folyamatfeladat futtatásakor. Az aktivált feladat is módosítható experiment_name .

Az alábbi ütemezésdefiníció feladatonként módosítja egy folyamat beállításait.

# set run time settings
pipeline_job = pipeline_with_components_from_yaml(
    training_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    test_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    training_max_epochs=20,
    training_learning_rate=1.8,
    learning_rate_schedule="time-based",
)

# set pipeline level compute
pipeline_job.settings.default_compute = "cpu-cluster"

Studio felhasználói felület

A studio felhasználói felületén az Ütemezés létrehozása varázsló Speciális beállításaival módosíthatja inputsoutputsa folyamatfeladatok futásidejét és futásidejétsettings. A stúdió felhasználói felületén nem módosítható experiment_name .

1. A Feladatbemenetek > kimenetekben módosíthatja az ütemezés által aktivált jövőbeli feladatok bemeneteit és kimeneteit. A bemenetek és kimeneti útvonalak makrókifejezéseket is használhatnak.

   

2. A Feladat futtatókörnyezet beállításaiban módosíthatja az ütemezés által aktivált feladatok számítási és egyéb futásidejű beállításait.

   

3. Válassza a Véleményezés + Létrehozás lehetőséget a konfigurált ütemezési beállítások áttekintéséhez, majd az ütemezés létrehozásához válassza a Véleményezés + Létrehozás újra lehetőséget.

   

Támogatott kifejezések használata ütemezésekben

Ütemezés meghatározásakor a következő makrókifejezésekkel definiálhat dinamikus paraméterértékeket, amelyek a feladat futásideje során feloldódnak a tényleges értékekre.

Expression	Leírás	Támogatott tulajdonságok
${{name}}	A feladat neve	outputs a folyamatfeladat elérési útja
${{creation_context.trigger_time}}	A feladat triggerideje	A folyamatfeladat sztringtípusa inputs

Ütemezés kezelése

A munkaterületen listázhatja, megtekintheti a részleteket, frissítheti, letilthatja, engedélyezheti és törölheti az ütemezéseket.

Listaütemezések

Azure CLI

az ml schedule list

Python

schedules = ml_client.schedules.list()
[s.name for s in schedules]

Studio felhasználói felület

A stúdió Feladatok területén válassza a Minden ütemezés lapot a munkaterületen található SDK, parancssori felület vagy studio felhasználói felület által létrehozott összes v2-es feladatütemezés listájának megtekintéséhez.

Ütemezés részleteinek megtekintése

Azure CLI

az ml schedule show -n simple_cron_job_schedule

Python

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

Studio felhasználói felület

Válasszon ki egy ütemezésnevet az ütemezés részleteinek megjelenítéséhez, amely a következő lapokat tartalmazza:

• Az áttekintés alapvető információkat nyújt az ütemezésről.

  

• A feladatdefiníció az ütemezés által aktivált feladatot határozza meg.

  

• A feladatelőzmények az ütemezés által aktivált összes feladat listáját biztosítják.

  

Ütemezés frissítése

Azure CLI

az ml schedule update -n simple_cron_job_schedule  --set description="new description" --no-wait

Feljegyzés

Ha nem csak címkéket és leírásokat szeretne frissíteni, használja a következőt az ml schedule create --file update_schedule.yml: .

Python

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Studio felhasználói felület

Az Ütemezés részletei lapon a Frissítési beállítások lehetőséget választva frissítheti az ütemezési beállításokat, beleértve a feladat bemenetét/kimenetét és a futásidejű beállításokat.

Új verziófolyamat frissítése meglévő ütemezésre

Miután beállított egy ütemezést, amely rendszeres újratanítást vagy kötegelt következtetést végez az éles környezetben, folytathatja a modell finomhangolását vagy optimalizálását. Ha optimalizált teljesítménnyel rendelkező új verziófolyamat-feladattal rendelkezik, frissítheti az új verziófolyamatot úgy, hogy egy meglévő ütemezés szerint fusson.

1. Az új verziós folyamat feladatának részletes lapján válassza a Frissítés ütemezése>meglévő ütemezésre lehetőséget.

   

2. Válasszon ki egy meglévő ütemezést a feladatdefiníció frissítéséhez.

   

   Fontos

   Győződjön meg arról, hogy a frissíteni kívánt ütemezést választja ki.

3. Ha szeretné, a Tovább gombra kattintva módosíthatja az ütemezés által aktivált jövőbeli feladatok feladatbemeneteit/kimeneteit és futtatókörnyezeti beállításait.

4. Válassza a Véleményezés + Frissítés lehetőséget az ütemezési beállítások áttekintéséhez, majd a frissítés befejezéséhez kattintson ismét a Véleményezés + Frissítés gombra.

A frissítés befejeződése után az új feladatdefiníciót az ütemezés részletei lapon tekintheti meg. Az ütemezés most aktiválja az új feladatot.

Ütemezés letiltása

Azure CLI

az ml schedule disable -n simple_cron_job_schedule --no-wait

Python

A következő kód ad Falsevissza:

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

Studio felhasználói felület

Az ütemezéseket letilthatja a Minden ütemezés lapon, vagy letilthatja az aktuális ütemezést az ütemezés részletei lapon.

Ütemezés engedélyezése

Azure CLI

az ml schedule enable -n simple_cron_job_schedule --no-wait

Python

A következő kód ad Truevissza:

job_schedule = ml_client.schedules.begin_enable(name=schedule_name).result()
job_schedule.is_enabled

Studio felhasználói felület

Az ütemezéseket a Minden ütemezés lapon engedélyezheti, vagy engedélyezheti az aktuális ütemezést az ütemezés részletei lapon.

Ütemezés törlése

Fontos

Először le kell tiltania az ütemezést a törléshez. A törlés végleges és helyreállíthatatlan.

Azure CLI

az ml schedule delete -n simple_cron_job_schedule

Python

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

Studio felhasználói felület

Az ütemezéseket törölheti a Minden ütemezés lapról, vagy törölheti az aktuális ütemezést az ütemezés részletei lapról.

Lekérdezés által aktivált feladatok ütemezésből

Az adott ütemezés által aktivált feladatok mindegyike megjelenítendő névvel <schedule_name>-YYYYMMDDThhmmssZrendelkezik. Ha például egy elnevezett named-schedule ütemezés 12 óránként fut 2021. január 1-jén 6 órakor kezdődően, a létrehozott feladatok megjelenítendő nevei a következők:

• named-schedule-20210101T060000Z
• named-schedule-20210101T180000Z
• named-schedule-20210102T060000Z
• named-schedule-20210102T180000Z stb.

Azure CLI JMESPath-lekérdezést is alkalmazhat az ütemezési név által aktivált feladatok lekérdezésére.

# query triggered jobs from schedule, please replace the simple_cron_job_schedule to your schedule name
az ml job list --query "[?contains(display_name,'simple_cron_schedule')]"

Tipp.

A stúdió ütemezési részleteinek lapján található Feladatok előzményei lapon egyszerűen megtalálhatja az ütemezés által aktivált összes feladatot.

---

Szerepköralapú hozzáférés-vezérlés (RBAC) támogatása

Mivel az ütemezéseket éles környezetben használják, fontos csökkenteni a hibás működés lehetőségét és hatását. A munkaterület rendszergazdái korlátozhatják a munkaterületek létrehozásának és felügyeletének ütemezéséhez való hozzáférést.

A rendszergazdák az Azure Portalon az ütemezésekhez kapcsolódó alábbi műveleti szabályokat konfigurálhatják. További információ: Az Azure Machine Learning-munkaterületekhez való hozzáférés kezelése.

Művelet	Leírás	Szabály
Olvasás	Ütemezések lekérése és listázása	Microsoft.MachineLearningServices/workspaces/schedules/read
Írás	Ütemezések létrehozása, frissítése, letiltása és engedélyezése	Microsoft.MachineLearningServices/workspaces/schedules/write
Törlés	Ütemezések törlése	Microsoft.MachineLearningServices/workspaces/schedules/delete

Költségekkel kapcsolatos szempontok

Az ütemezések számlázása az ütemezések száma alapján van kiszámlázva. Minden ütemezés létrehoz egy logikai alkalmazást, amelyet az Azure Machine Learning üzemeltet a felhasználó (HOBO) nevében.

A logikai alkalmazás visszatér a felhasználó Azure-előfizetéséhez. A HOBO-erőforrások költségeinek számlázása az eredeti erőforrás-szolgáltató által kibocsátott mérőművelet alapján történik. A díjak a gazdagép erőforrása alatt jelennek meg, amely az Azure Machine Learning-munkaterület.

Kapcsolódó tartalom

• CLI (v2) feladatütemezési YAML-séma
• CLI (v2) alapvető YAML-szintaxis
• Mik azok a gépi tanulási folyamatok?
• Mi az Az Azure Machine Learning-összetevő?