Telepítés > a parancssori felület (v1) használatával

A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény 1-es verzió

Fontos

A cikkben szereplő Azure CLI-parancsok némelyike az azure-cli-mlAzure Machine Learning bővítményét vagy v1-et használja. A v1-bővítmény támogatása 2025. szeptember 30-án megszűnik. Addig a dátumig telepítheti és használhatja a v1-bővítményt.

Javasoljuk, hogy 2025. szeptember 30-a előtt váltsa át a ml(vagy v2) bővítményt. További információ a v2-bővítményről: Azure Machine Learning CLI-bővítmény és Python SDK v2.

Az Azure Machine Learning CLI az Azure CLI bővítménye, amely az Azure platform platformfüggetlen parancssori felülete. Ez a bővítmény parancsokat biztosít az Azure Machine Learning használatához. Lehetővé teszi a gépi tanulási tevékenységek automatizálását. Az alábbi lista néhány példaműveletet tartalmaz, amelyeket a parancssori felület bővítményével végezhet el:

• Kísérletek futtatása gépi tanulási modellek létrehozásához

• Gépi tanulási modellek regisztrálása az ügyfélhasználathoz

• Gépi tanulási modellek csomagolása, üzembe helyezése és életciklusának nyomon követése

A parancssori felület nem helyettesíti az Azure Machine Learning SDK-t. Ez egy kiegészítő eszköz, amely úgy van optimalizálva, hogy magas paraméterekkel rendelkező feladatokat kezeljen, amelyek jól illeszkednek az automatizáláshoz.

Előfeltételek

• A parancssori felület használatához Azure-előfizetéssel kell rendelkeznie. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki ma az Azure Machine Learning ingyenes vagy fizetős verzióját.

• A dokumentumban található CLI-parancsok helyi környezetből való használatához az Azure CLI-re van szükség.

  Ha az Azure Cloud Shellt használja, a parancssori felület a böngészőn keresztül érhető el, és a felhőben él.

Teljes referencia-dokumentáció

Keresse meg az Azure CLI azure-cli-ml bővítményének teljes referencia-dokumentációját.

A parancssori felület csatlakoztatása az Azure-előfizetéshez

Fontos

Ha az Azure Cloud Shellt használja, kihagyhatja ezt a szakaszt. A cloud shell automatikusan hitelesíti Önt az Azure-előfizetésbe bejelentkezett fiókkal.

Az Azure-előfizetését többféleképpen is hitelesítheti a parancssori felületről. A legalapvetőbb az interaktív hitelesítés böngészővel. Az interaktív hitelesítéshez nyisson meg egy parancssort vagy terminált, és használja a következő parancsot:

Azure CLI

az login

Ha a CLI megnyithatja az alapértelmezett böngészőt, akkor megnyitja, és betölti a bejelentkezési oldalt. Ellenkező esetben meg kell nyitnia egy böngészőt, és követnie kell a parancssor utasításait. Az utasítások egy engedélyezési kód böngészésével https://aka.ms/devicelogin és beírásával járnak.

Tipp

A bejelentkezés után megjelenik az Azure-fiókhoz társított előfizetések listája. Az előfizetés adatai isDefault: true az Azure CLI-parancsok jelenleg aktivált előfizetése. Ennek az előfizetésnek ugyanazzal az előfizetéssel kell rendelkeznie, amely az Azure Machine Learning-munkaterületet tartalmazza. Az előfizetéssel kapcsolatos információkat a munkaterület áttekintési oldalán találja az Azure Portalon.

Az Azure CLI-parancsokhoz használandó másik előfizetés kiválasztásához futtassa a az account set -s <subscription> parancsot, és adja meg az előfizetés nevét vagy azonosítóját, amelyre váltani szeretne. További információ az előfizetés kiválasztásáról: Több Azure-előfizetés használata.

A hitelesítés egyéb módjaiért lásd: Bejelentkezés az Azure CLI-vel.

A bővítmény telepítése

A CLI (v1) bővítmény telepítése:

Azure CLI

az extension add -n azure-cli-ml

A bővítmény frissítése

A Machine Learning CLI bővítmény frissítéséhez használja a következő parancsot:

Azure CLI

az extension update -n azure-cli-ml

A bővítmény eltávolítása

A PARANCSSOR-bővítmény eltávolításához használja a következő parancsot:

Azure CLI

az extension remove -n azure-cli-ml

Erőforrás-kezelés

Az alábbi parancsok bemutatják, hogyan használható a parancssori felület az Azure Machine Learning által használt erőforrások kezelésére.

• Ha még nincs ilyen, hozzon létre egy erőforráscsoportot:

  Azure CLI

  az group create -n myresourcegroup -l westus2
  

• Azure Machine Learning-munkaterület létrehozása:

  Azure CLI

  az ml workspace create -w myworkspace -g myresourcegroup
  

  További információ: az ml-munkaterület létrehozása.

• Csatoljon egy munkaterület-konfigurációt egy mappához a parancssori felület környezetfüggőségének lehetővé tétele érdekében.

  Azure CLI

  az ml folder attach -w myworkspace -g myresourcegroup
  

  Ez a parancs létrehoz egy .azureml alkönyvtárat, amely példa runconfig és conda környezeti fájlokat tartalmaz. Emellett tartalmaz egy config.json fájlt is, amely az Azure Machine Learning-munkaterülettel való kommunikációra szolgál.

  További információ: az ml folder attach.

• Azure Blob-tároló csatolása adattárként.

  Azure CLI

  az ml datastore attach-blob  -n datastorename -a accountname -c containername
  

  További információ: az ml datastore attach-blob.

• Fájlok feltöltése egy adattárba.

  Azure CLI

  az ml datastore upload  -n datastorename -p sourcepath
  

  További információ: az ml datastore upload.

• Csatoljon egy AKS-fürtöt számítási célként.

  Azure CLI

  az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
  

  További információ: az ml computetarget attach aks

Számítási fürtök

• Hozzon létre egy új felügyelt számítási fürtöt.

  Azure CLI

  az ml computetarget create amlcompute -n cpu --min-nodes 1 --max-nodes 1 -s STANDARD_D3_V2
  

• Új felügyelt számítási fürt létrehozása felügyelt identitással

  • Felhasználó által hozzárendelt felügyelt identitás

    Azure CLI

    az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'
    

  • Rendszer által hozzárendelt felügyelt identitás

    Azure CLI

    az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '[system]'
    

• Felügyelt identitás hozzáadása meglévő fürthöz:

  • Felhasználó által hozzárendelt felügyelt identitás

    Azure CLI

    az ml computetarget amlcompute identity assign --name cpu-cluster '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'
    

  • Rendszer által hozzárendelt felügyelt identitás

    Azure CLI

    az ml computetarget amlcompute identity assign --name cpu-cluster '[system]'
    

További információ: az ml computetarget create amlcompute.

Megjegyzés

Az Azure Machine Learning számítási fürtöi csak egy rendszer által hozzárendelt identitást vagy több felhasználó által hozzárendelt identitást támogatnak, nem egyidejűleg.

Számítási példány

Számítási példányok kezelése. Az alábbi példákban a számítási példány neve processzor

• Hozzon létre egy új számítási intézményt.

  Azure CLI

  az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
  

  További információ: az ml computetarget create computeinstance.

• Számítási rendszer leállítása.

  Azure CLI

  az ml computetarget computeinstance stop -n cpu -v
  

  További információ: az ml computetarget computeinstance stop.

• Indítsa el a computeinstance-t.

  Azure CLI

  az ml computetarget computeinstance start -n cpu -v
  

  További információ: az ml computetarget computeinstance start.

• Indítsa újra a computeinstance-t.

  Azure CLI

  az ml computetarget computeinstance restart -n cpu -v
  

  További információ: az ml computetarget computeinstance restart.

• Computeinstance törlése.

  Azure CLI

  az ml computetarget delete -n cpu -v
  

  További információ: az ml computetarget delete computeinstance.

Kísérletek futtatása

• Indítsa el a kísérlet futtatását. A parancs használatakor adja meg a runconfig fájl nevét (a *.runconfig előtti szöveget, ha a fájlrendszert vizsgáljuk) a -c paraméterrel.

  Azure CLI

  az ml run submit-script -c sklearn -e testexperiment train.py
  

  Tipp

  A az ml folder attach parancs létrehoz egy .azureml alkönyvtárat, amely két példa runconfig fájlt tartalmaz.

  Ha olyan Python-szkripttel rendelkezik, amely programozott módon hoz létre egy futtatási konfigurációs objektumot, a RunConfig.save() használatával runconfig fájlként mentheti.

  A teljes runconfig séma ebben a JSON-fájlban található. A séma az egyes objektumok kulcsán keresztüli önaláírást is biztosítja description . Emellett a lehetséges értékek számbavétele is lehetséges, és a végén egy sablonrészlet is található.

  További információ: az ml run submit-script.

• Kísérletek listájának megtekintése:

  Azure CLI

  az ml experiment list
  

  További információ: az ml kísérletlista.

HyperDrive-futtatás

A HyperDrive és az Azure CLI használatával paraméter-finomhangolási futtatásokat hajthat végre. Először hozzon létre egy HyperDrive-konfigurációs fájlt az alábbi formátumban. A hiperparaméter-finomhangolási paraméterekkel kapcsolatos részletekért tekintse meg a modell cikk hiperparamétereinek finomhangolását ismertető cikket.

yml

# hdconfig.yml
sampling: 
    type: random # Supported options: Random, Grid, Bayesian
    parameter_space: # specify a name|expression|values tuple for each parameter.
    - name: --penalty # The name of a script parameter to generate values for.
      expression: choice # supported options: choice, randint, uniform, quniform, loguniform, qloguniform, normal, qnormal, lognormal, qlognormal
      values: [0.5, 1, 1.5] # The list of values, the number of values is dependent on the expression specified.
policy: 
    type: BanditPolicy # Supported options: BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy, NoTerminationPolicy
    evaluation_interval: 1 # Policy properties are policy specific. See the above link for policy specific parameter details.
    slack_factor: 0.2
primary_metric_name: Accuracy # The metric used when evaluating the policy
primary_metric_goal: Maximize # Maximize|Minimize
max_total_runs: 8 # The maximum number of runs to generate
max_concurrent_runs: 2 # The number of runs that can run concurrently.
max_duration_minutes: 100 # The maximum length of time to run the experiment before cancelling.

Adja hozzá ezt a fájlt a futtatási konfigurációs fájlok mellett. Ezután küldjön be egy HyperDrive-futtatási lehetőséget a következővel:

Azure CLI

az ml run submit-hyperdrive -e <experiment> -c <runconfig> --hyperdrive-configuration-name <hdconfig> my_train.py

Figyelje meg a HyperDrive-konfiguráció runconfig és paraméterterületének argumentumokat bemutató szakaszát. Ezek tartalmazzák a betanítási szkriptnek továbbítandó parancssori argumentumokat. A runconfig értéke minden iterációban ugyanaz marad, míg a HyperDrive-konfiguráció tartománya át van állítva. Ne adja meg ugyanazt az argumentumot mindkét fájlban.

Adatkészletek kezelése

Az alábbi parancsok bemutatják, hogyan használhatók adathalmazok az Azure Machine Learningben:

• Adathalmaz regisztrálása:

  Azure CLI

  az ml dataset register -f mydataset.json
  

  Az adatkészlet meghatározásához használt JSON-fájl formátumával kapcsolatos információkért használja a következőt az ml dataset register --show-template: .

  További információ: az ml dataset register.

• A munkaterület összes adathalmazának listázása:

  Azure CLI

  az ml dataset list
  

  További információ: az ml dataset list.

• Adathalmaz részleteinek lekérése:

  Azure CLI

  az ml dataset show -n dataset-name
  

  További információ: az ml dataset show.

• Adathalmaz regisztrációja törlése:

  Azure CLI

  az ml dataset unregister -n dataset-name
  

  További információ: az ml dataset unregister.

Környezetkezelés

Az alábbi parancsok bemutatják, hogyan hozhat létre, regisztrálhat és listázhat Azure Machine Learning-környezeteket a munkaterületen:

• Hozzon létre állványzatfájlokat egy környezethez:

  Azure CLI

  az ml environment scaffold -n myenv -d myenvdirectory
  

  További információ: az ml environment scaffold.

• Környezet regisztrálása:

  Azure CLI

  az ml environment register -d myenvdirectory
  

  További információ: az ml environment register.

• Regisztrált környezetek listázása:

  Azure CLI

  az ml environment list
  

  További információ: az ml environment list.

• Regisztrált környezet letöltése:

  Azure CLI

  az ml environment download -n myenv -d downloaddirectory
  

  További információ: az ml environment download.

Környezeti konfigurációs séma

Ha a az ml environment scaffold parancsot használta, létrehoz egy sablonfájlt azureml_environment.json , amely módosítható, és használható egyéni környezetkonfigurációk létrehozásához a parancssori felülettel. A legfelső szintű objektum lazán leképzi az Environment osztályt a Python SDK-ban.

JSON

{
    "name": "testenv",
    "version": null,
    "environmentVariables": {
        "EXAMPLE_ENV_VAR": "EXAMPLE_VALUE"
    },
    "python": {
        "userManagedDependencies": false,
        "interpreterPath": "python",
        "condaDependenciesFile": null,
        "baseCondaEnvironment": null
    },
    "docker": {
        "enabled": false,
        "baseImage": "mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210615.v1",
        "baseDockerfile": null,
        "sharedVolumes": true,
        "shmSize": "2g",
        "arguments": [],
        "baseImageRegistry": {
            "address": null,
            "username": null,
            "password": null
        }
    },
    "spark": {
        "repositories": [],
        "packages": [],
        "precachePackages": true
    },
    "databricks": {
        "mavenLibraries": [],
        "pypiLibraries": [],
        "rcranLibraries": [],
        "jarLibraries": [],
        "eggLibraries": []
    },
    "inferencingStackVersion": null
}

Az alábbi táblázat a JSON-fájl minden felső szintű mezőjét, típusát és leírását ismerteti. Ha egy objektumtípus egy Python SDK-ból származó osztályhoz van csatolva, a JSON-mezők és a Python-osztály nyilvános változójának neve között 1:1-es laza egyezés van. Bizonyos esetekben a mező konstruktor argumentumra képezhető le, nem pedig osztályváltozóra. A mező például az environmentVariablesenvironment_variables osztály változójának Environment megfelel.

JSON-mező	Típus	Leírás
name	string	A környezet neve. Ne kezdje a nevet a Microsofttal vagy az AzureML-sel.
version	string	A környezet verziója.
environmentVariables	{string: string}	A környezeti változók nevének és értékeinek kivonattérképe.
python	PythonSectionA hat a cél számítási erőforráson használni kívánt Python-környezetet és értelmezőt határozza meg.
docker	DockerSection	A környezet specifikációinak megfelelően létrehozott Docker-rendszerkép testreszabására szolgáló beállításokat határoz meg.
spark	SparkSection	A szakasz a Spark beállításait konfigurálja. Csak akkor használatos, ha a keretrendszer PySparkra van állítva.
databricks	DatabricksSection	Konfigurálja a Databricks-kódtár függőségeit.
inferencingStackVersion	string	A képhez hozzáadott következtetési veremverziót adja meg. Ha el szeretné kerülni a következtetési verem hozzáadását, hagyja meg ezt a mezőt null. Érvényes érték: "legújabb".

ML-folyamatkezelés

Az alábbi parancsok bemutatják a gépi tanulási folyamatok használatát:

• Gépi tanulási folyamat létrehozása:

  Azure CLI

  az ml pipeline create -n mypipeline -y mypipeline.yml
  

  További információ: az ml pipeline create.

  A folyamat YAML-fájljára vonatkozó további információkért lásd : Gépi tanulási folyamatok definiálása a YAML-ben.

• Folyamat futtatása:

  Azure CLI

  az ml run submit-pipeline -n myexperiment -y mypipeline.yml
  

  További információ: az ml run submit-pipeline.

  A folyamat YAML-fájljára vonatkozó további információkért lásd : Gépi tanulási folyamatok definiálása a YAML-ben.

• Folyamat ütemezése:

  Azure CLI

  az ml pipeline create-schedule -n myschedule -e myexperiment -i mypipelineid -y myschedule.yml
  

  További információ: az ml pipeline create-schedule.

Modellregisztráció, profilkészítés, üzembe helyezés

Az alábbi parancsok bemutatják, hogyan regisztrálhat egy betanított modellt, majd hogyan helyezheti üzembe éles szolgáltatásként:

• Modell regisztrálása az Azure Machine Learningben:

  Azure CLI

  az ml model register -n mymodel -p sklearn_regression_model.pkl
  

  További információ: az ml model register.

• OPCIONÁLIS Profil a modellhez az optimális processzor- és memóriaértékek eléréséhez az üzembe helyezéshez.

  Azure CLI

  az ml model profile -n myprofile -m mymodel:1 --ic inferenceconfig.json -d "{\"data\": [[1,2,3,4,5,6,7,8,9,10],[10,9,8,7,6,5,4,3,2,1]]}" -t myprofileresult.json
  

  További információkért lásd az ml-modell profilját.

• A modell üzembe helyezése az AKS-ben

  Azure CLI

  az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
  

  A következtetés konfigurációs fájlsémával kapcsolatos további információkért lásd az Következtetés konfigurációs sémáját.

  Az üzembehelyezési konfigurációs fájlsémával kapcsolatos további információkért tekintse meg az üzembehelyezési konfigurációs sémát.

  További információ: az ml-modell üzembe helyezése.

Következtetéskonfigurációs séma

A dokumentum bejegyzései megfeleltetik inferenceconfig.json az InferenceConfig osztály paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
entryScript	entry_script	A rendszerképhez futtatandó kódot tartalmazó helyi fájl elérési útja.
sourceDirectory	source_directory	Opcionális. A rendszerkép létrehozásához az összes fájlt tartalmazó mappák elérési útja, amely megkönnyíti a mappán vagy almappán belüli fájlok elérését. A webszolgáltatás függőségeiként feltölthet egy teljes mappát a helyi gépről. Megjegyzés: a entry_script, conda_file és extra_docker_file_steps elérési utak a source_directory elérési út relatív elérési útjai.
environment	environment	Opcionális. Azure Machine Learning-környezet.

Az Azure Machine Learning-környezetek teljes specifikációit belefoglalhatja a következtetés konfigurációs fájljába. Ha ez a környezet nem létezik a munkaterületen, az Azure Machine Learning létrehozza. Ellenkező esetben az Azure Machine Learning szükség esetén frissíti a környezetet. A következő JSON egy példa:

JSON

{
    "entryScript": "score.py",
    "environment": {
        "docker": {
            "arguments": [],
            "baseDockerfile": null,
            "baseImage": "mcr.microsoft.com/azureml/intelmpi2018.3-ubuntu18.04",
            "enabled": false,
            "sharedVolumes": true,
            "shmSize": null
        },
        "environmentVariables": {
            "EXAMPLE_ENV_VAR": "EXAMPLE_VALUE"
        },
        "name": "my-deploy-env",
        "python": {
            "baseCondaEnvironment": null,
            "condaDependencies": {
                "channels": [
                    "conda-forge"
                ],
                "dependencies": [
                    "python=3.7",
                    {
                        "pip": [
                            "azureml-defaults",
                            "azureml-telemetry",
                            "scikit-learn==0.22.1",
                            "inference-schema[numpy-support]"
                        ]
                    }
                ],
                "name": "project_environment"
            },
            "condaDependenciesFile": null,
            "interpreterPath": "python",
            "userManagedDependencies": false
        },
        "version": "1"
    }
}

A meglévő Azure Machine Learning-környezetet külön CLI-paraméterekben is használhatja, és eltávolíthatja a "környezet" kulcsot a következtetés konfigurációs fájljából. Használja az -e kifejezést a környezet nevére, a --ev pedig a környezeti verzióra. Ha nem adja meg az --ev értéket, a rendszer a legújabb verziót használja. Íme egy példa egy következtetési konfigurációs fájlra:

JSON

{
    "entryScript": "score.py",
    "sourceDirectory": null
}

Az alábbi parancs bemutatja, hogyan helyezhet üzembe egy modellt az előző következtetési konfigurációs fájl használatával (myInferenceConfig.json néven).

Emellett egy meglévő Azure Machine Learning-környezet (AzureML-Minimal) legújabb verzióját is használja.

Azure CLI

az ml model deploy -m mymodel:1 --ic myInferenceConfig.json -e AzureML-Minimal --dc deploymentconfig.json

Üzembehelyezési konfigurációs séma

Helyi üzembehelyezési konfigurációs séma

A dokumentum bejegyzései megfeleltetik a deploymentconfig.json LocalWebservice.deploy_configuration paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
computeType	NA	A számítási cél. Helyi célok esetén az értéknek a következőnek kell lennie local: .
port	port	Az a helyi port, amelyen elérhetővé szeretné tenni a szolgáltatás HTTP-végpontját.

Ez a JSON egy példa üzembe helyezési konfiguráció a parancssori felülettel való használatra:

JSON

{
    "computeType": "local",
    "port": 32267
}

Mentse ezt a JSON-t nevű fájlként deploymentconfig.json.

Az Azure Container Instance üzembehelyezési konfigurációs sémája

A dokumentum bejegyzései megfeleltetik deploymentconfig.json a AciWebservice.deploy_configuration paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
computeType	NA	A számítási cél. Az ACI esetében az értéknek a következőnek kell lennie ACI: .
containerResourceRequirements	NA	Tároló a PROCESSZOR- és memóriaentitásokhoz.
cpu	cpu_cores	A lefoglalni kívánt processzormagok száma. Alapértelmezett 0.1
memoryInGB	memory_gb	A webszolgáltatáshoz lefoglalandó memória mennyisége (GB-ban). Alapértelmezett 0.5
location	location	A webszolgáltatás üzembe helyezéséhez szükséges Azure-régió. Ha nincs megadva, a munkaterület helye lesz használva. További részletek az elérhető régiókról itt találhatók: ACI-régiók
authEnabled	auth_enabled	Engedélyezze-e a hitelesítést ehhez a webszolgáltatáshoz. Alapértelmezett érték hamis
sslEnabled	ssl_enabled	Engedélyezze-e az SSL-t ehhez a webszolgáltatáshoz. Alapértelmezés szerint Hamis.
appInsightsEnabled	enable_app_insights	Az AppInsights engedélyezése ehhez a webszolgáltatáshoz. Alapértelmezett érték hamis
sslCertificate	ssl_cert_pem_file	Az SSL engedélyezése esetén szükséges tanúsítványfájl
sslKey	ssl_key_pem_file	Az SSL engedélyezése esetén szükséges kulcsfájl
cname	ssl_cname	Ha az SSL engedélyezve van, a cname értéke
dnsNameLabel	dns_name_label	A pontozási végpont dns-névfelirata. Ha nincs megadva egyedi DNS-névcímke a pontozási végponthoz.

A következő JSON egy példa üzembe helyezési konfiguráció a parancssori felülettel való használatra:

JSON

{
    "computeType": "aci",
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    },
    "authEnabled": true,
    "sslEnabled": false,
    "appInsightsEnabled": false
}

Az Azure Kubernetes Service üzembehelyezési konfigurációs sémája

A dokumentum bejegyzései megfeleltetik a deploymentconfig.json AksWebservice.deploy_configuration paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
computeType	NA	A számítási cél. Az AKS esetében az értéknek a következőnek kell lennie aks: .
autoScaler	NA	Az automatikus skálázás konfigurációs elemeit tartalmazza. Tekintse meg az automatikus méretezési táblázatot.
autoscaleEnabled	autoscale_enabled	A webszolgáltatás automatikus skálázásának engedélyezése. Ha numReplicas = 0, True; egyébként, False.
minReplicas	autoscale_min_replicas	A webszolgáltatás automatikus skálázása során használandó tárolók minimális száma. Alapértelmezett, 1.
maxReplicas	autoscale_max_replicas	A webszolgáltatás automatikus skálázása során használandó tárolók maximális száma. Alapértelmezett, 10.
refreshPeriodInSeconds	autoscale_refresh_seconds	Milyen gyakran próbálja az automatikus skálázó skálázni ezt a webszolgáltatást. Alapértelmezett, 1.
targetUtilization	autoscale_target_utilization	Az automatikus skálázó által a webszolgáltatás számára fenntartott célkihasználtság (a 100-ból százalékban). Alapértelmezett, 70.
dataCollection	NA	Az adatgyűjtés konfigurációs elemeit tartalmazza.
storageEnabled	collect_model_data	Engedélyezi-e a modelladatok gyűjtését a webszolgáltatás számára. Alapértelmezett, False.
authEnabled	auth_enabled	A webszolgáltatás kulcshitelesítésének engedélyezése. Mindkettő tokenAuthEnabled , és authEnabled nem lehet True. Alapértelmezett, True.
tokenAuthEnabled	token_auth_enabled	Engedélyezi-e a jogkivonat-hitelesítést a webszolgáltatáshoz. Mindkettő tokenAuthEnabled , és authEnabled nem lehet True. Alapértelmezett, False.
containerResourceRequirements	NA	Tároló a PROCESSZOR- és memóriaentitásokhoz.
cpu	cpu_cores	A webszolgáltatáshoz lefoglalandó processzormagok száma. Alapértelmezett 0.1
memoryInGB	memory_gb	A webszolgáltatáshoz lefoglalandó memória mennyisége (GB-ban). Alapértelmezett 0.5
appInsightsEnabled	enable_app_insights	Engedélyezze-e az Application Insights naplózását a webszolgáltatáshoz. Alapértelmezett, False.
scoringTimeoutMs	scoring_timeout_ms	Időtúllépés a webszolgáltatásba irányuló pontozási hívások kényszerítéséhez. Alapértelmezett, 60000.
maxConcurrentRequestsPerContainer	replica_max_concurrent_requests	A webszolgáltatás csomópontonkénti egyidejű kéréseinek maximális száma. Alapértelmezett, 1.
maxQueueWaitMs	max_request_wait_time	A kérések maximális időtartama (ezredmásodpercben) az 503-at eredményező hiba visszaadása előtt. Alapértelmezett, 500.
numReplicas	num_replicas	A webszolgáltatáshoz lefoglalandó tárolók száma. Nincs alapértelmezett érték. Ha ez a paraméter nincs beállítva, az automatikus skálázás alapértelmezés szerint engedélyezve van.
keys	NA	A kulcsok konfigurációs elemeit tartalmazza.
primaryKey	primary_key	A webszolgáltatáshoz használandó elsődleges hitelesítési kulcs
secondaryKey	secondary_key	A webszolgáltatáshoz használandó másodlagos hitelesítési kulcs
gpuCores	gpu_cores	A webszolgáltatáshoz lefoglalandó GPU-magok száma (tárolónkénti replikánként). Az alapértelmezett érték 1. Csak egész számértékeket támogat.
livenessProbeRequirements	NA	Konfigurációelemeket tartalmaz az élőségi mintavételi követelményekhez.
periodSeconds	period_seconds	Milyen gyakran (másodpercben) hajtja végre az élőség-mintavételt. Alapértelmezés szerint 10 másodperc. A minimális érték 1.
initialDelaySeconds	initial_delay_seconds	A tároló elindítása után másodpercek száma az élőségi mintavételek kezdeményezése előtt. Alapértelmezett érték: 310
timeoutSeconds	timeout_seconds	Azon másodpercek száma, amelyek után az élőség-mintavétel túllépi az időkorlátot. Alapértelmezés szerint 2 másodperc. A minimális érték 1
successThreshold	success_threshold	Az élőségi mintavétel minimális egymást követő sikerei sikeresnek tekinthetők a sikertelenség után. Alapértelmezett érték: 1. A minimális érték 1.
failureThreshold	failure_threshold	Amikor elindul egy pod, és az élőségi mintavétel meghiúsul, a Kubernetes megpróbálja a failureThreshold időpontokat, mielőtt feladná. Alapértelmezett érték: 3. A minimális érték 1.
namespace	namespace	Az a Kubernetes-névtér, amelybe a webszolgáltatás telepítve van. Legfeljebb 63 kisbetűs alfanumerikus ('a'-'z', '0'-'9') és kötőjel ('-') karakter. Az első és az utolsó karakter nem lehet kötőjel.

A következő JSON egy példa üzembe helyezési konfiguráció a parancssori felülettel való használatra:

JSON

{
    "computeType": "aks",
    "autoScaler":
    {
        "autoscaleEnabled": true,
        "minReplicas": 1,
        "maxReplicas": 3,
        "refreshPeriodInSeconds": 1,
        "targetUtilization": 70
    },
    "dataCollection":
    {
        "storageEnabled": true
    },
    "authEnabled": true,
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    }
}

Következő lépések

• Parancshivatkozás a Machine Learning CLI-bővítményhez.

• Gépi tanulási modellek betanítása és üzembe helyezése az Azure Pipelines használatával