Telepítés > a parancssori felület (v1) használatával

Cikk
07/26/2024

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-es bővítményről: Azure ML 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:

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:

az extension add -n azure-cli-ml

A bővítmény frissítése

A Machine Learning CLI bővítmény frissítéséhez használja a következő parancsot:

az extension update -n azure-cli-ml

A bővítmény eltávolítása

A PARANCSSOR-bővítmény eltávolításához használja a következő parancsot:

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:
```
az group create -n myresourcegroup -l westus2
```
Azure Machine Learning-munkaterület létrehozása:
```
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.
```
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.
```
az ml datastore attach-blob  -n datastorename -a accountname -c containername
```
További információ: az ml datastore attach-blob.
Fájlok feltöltése egy adattárba.
```
az ml datastore upload  -n datastorename -p sourcepath
```
További információ: az ml datastore upload.
Csatoljon egy AKS-fürtöt számítási célként.
```
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.

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

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

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

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

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

További információ: az ml computetarget create amlcompute.

Feljegyzés

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.
```
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
```
További információ: az ml computetarget create computeinstance.
Számítási rendszer leállítása.
```
az ml computetarget computeinstance stop -n cpu -v
```
További információ: az ml computetarget computeinstance stop.
Indítsa el a computeinstance-t.
```
az ml computetarget computeinstance start -n cpu -v
```
További információ: az ml computetarget computeinstance start.
Indítsa újra a computeinstance-t.
```
az ml computetarget computeinstance restart -n cpu -v
```
További információ: az ml computetarget computeinstance restart.
Computeinstance törlése.
```
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.
```
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:
```
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.

# 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:

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:
```
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:
```
az ml dataset list
```
További információ: az ml dataset list.
Adathalmaz részleteinek lekérése:
```
az ml dataset show -n dataset-name
```
További információ: az ml dataset show.
Adathalmaz regisztrációja törlése:
```
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:
```
az ml environment scaffold -n myenv -d myenvdirectory
```
További információ: az ml environment scaffold.
Környezet regisztrálása:
```
az ml environment register -d myenvdirectory
```
További információ: az ml environment register.
Regisztrált környezetek listázása:
```
az ml environment list
```
További információ: az ml environment list.
Regisztrált környezet letöltése:
```
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.

{
    "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 environmentVariables environment_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`	`PythonSection`A 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:
```
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:
```
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:

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:
```
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.
```
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
```
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:

{
    "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:

{
    "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.

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`	N.a.	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:

{
    "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`	N.a.	A számítási cél. Az ACI esetében az értéknek a következőnek kell lennie `ACI`: .
`containerResourceRequirements`	N.a.	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:

{
    "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`	N.a.	A számítási cél. Az AKS esetében az értéknek a következőnek kell lennie `aks`: .
`autoScaler`	N.a.	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`	N.a.	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`	N.a.	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`	N.a.	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`	N.a.	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.