Batch Deployments - Create Or Update

Referencia

Szolgáltatás:: Machine Learning

API-verzió:: 2024-04-01

Kötegkövető üzembe helyezést hoz létre/frissít (aszinkron).

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/batchEndpoints/{endpointName}/deployments/{deploymentName}?api-version=2024-04-01

URI-paraméterek

Name	In	Kötelező	Típus	Description
deploymentName	path	True	string	A Batch-következtetés üzembe helyezésének azonosítója. Reguláris kifejezési minta: `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$`
endpointName	path	True	string	Következtetésvégpont neve Reguláris kifejezési minta: `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$`
resourceGroupName	path	True	string	Az erőforráscsoport neve. A név nem megkülönbözteti a kis- és nagybetűket.
subscriptionId	path	True	string	A cél-előfizetés azonosítója.
workspaceName	path	True	string	Az Azure Machine Learning-munkaterület neve. Reguláris kifejezési minta: `^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$`
api-version	query	True	string	A művelethez használni kívánt API-verzió.

Kérelem törzse

Name	Kötelező	Típus	Description
location	True	string	Az a földrajzi hely, ahol az erőforrás él
properties	True	BatchDeployment	[Kötelező] Az entitás további attribútumai.
identity		ManagedServiceIdentity	Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások)
kind		string	A portál/eszközhasználat/stb. által használt metaadatok különböző UX-élményeket jelenítenek meg az azonos típusú erőforrásokhoz.
sku		Sku	Az automatikus skálázáshoz szükséges ARM-szerződéshez szükséges termékváltozat részletei.
tags		object	Erőforráscímkék.

Válaszok

Name	Típus	Description
200 OK	BatchDeploymentTrackedResource	A létrehozási vagy frissítési kérés sikeres.
201 Created	BatchDeploymentTrackedResource	Létrehozott Fejlécek x-ms-async-operation-timeout: string Azure-AsyncOperation: string
Other Status Codes	ErrorResponse	Hiba

Name

Típus

Description

200 OK

BatchDeploymentTrackedResource

A létrehozási vagy frissítési kérés sikeres.

201 Created

BatchDeploymentTrackedResource

Létrehozott

Fejlécek

x-ms-async-operation-timeout: string
Azure-AsyncOperation: string

Other Status Codes

ErrorResponse

Hiba

Példák

CreateOrUpdate Workspace Batch Deployment.

Mintakérelem

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/batchEndpoints/testEndpointName/deployments/testDeploymentName?api-version=2024-04-01

{
  "properties": {
    "description": "string",
    "properties": {
      "string": "string"
    },
    "codeConfiguration": {
      "codeId": "string",
      "scoringScript": "string"
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "compute": "string",
    "errorThreshold": 1,
    "retrySettings": {
      "maxRetries": 1,
      "timeout": "PT5M"
    },
    "miniBatchSize": 1,
    "loggingLevel": "Info",
    "model": {
      "referenceType": "Id",
      "assetId": "string"
    },
    "maxConcurrencyPerInstance": 1,
    "outputAction": "SummaryOnly",
    "outputFileName": "string",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "cd3c37dc-2876-4ca4-8a54-21bd7619724a": null
        }
      }
    }
  },
  "tags": {},
  "location": "string",
  "kind": "string",
  "identity": {
    "type": "SystemAssigned",
    "userAssignedIdentities": {
      "string": {}
    }
  },
  "sku": {
    "name": "string",
    "tier": "Free",
    "size": "string",
    "family": "string",
    "capacity": 1
  }
}


import com.azure.core.management.serializer.SerializerFactory;
import com.azure.core.util.serializer.SerializerEncoding;
import com.azure.resourcemanager.machinelearning.models.BatchDeploymentProperties;
import com.azure.resourcemanager.machinelearning.models.BatchLoggingLevel;
import com.azure.resourcemanager.machinelearning.models.BatchOutputAction;
import com.azure.resourcemanager.machinelearning.models.BatchRetrySettings;
import com.azure.resourcemanager.machinelearning.models.CodeConfiguration;
import com.azure.resourcemanager.machinelearning.models.DeploymentResourceConfiguration;
import com.azure.resourcemanager.machinelearning.models.IdAssetReference;
import com.azure.resourcemanager.machinelearning.models.ManagedServiceIdentity;
import com.azure.resourcemanager.machinelearning.models.ManagedServiceIdentityType;
import com.azure.resourcemanager.machinelearning.models.Sku;
import com.azure.resourcemanager.machinelearning.models.SkuTier;
import com.azure.resourcemanager.machinelearning.models.UserAssignedIdentity;
import java.io.IOException;
import java.time.Duration;
import java.util.HashMap;
import java.util.Map;

/**
 * Samples for BatchDeployments CreateOrUpdate.
 */
public final class Main {
    /*
     * x-ms-original-file:
     * specification/machinelearningservices/resource-manager/Microsoft.MachineLearningServices/stable/2024-04-01/
     * examples/Workspace/BatchDeployment/createOrUpdate.json
     */
    /**
     * Sample code: CreateOrUpdate Workspace Batch Deployment.
     * 
     * @param manager Entry point to MachineLearningManager.
     */
    public static void createOrUpdateWorkspaceBatchDeployment(
        com.azure.resourcemanager.machinelearning.MachineLearningManager manager) throws IOException {
        manager.batchDeployments().define("testDeploymentName").withRegion("string")
            .withExistingBatchEndpoint("test-rg", "my-aml-workspace", "testEndpointName")
            .withProperties(
                new BatchDeploymentProperties().withDescription("string").withProperties(mapOf("string", "string"))
                    .withCodeConfiguration(
                        new CodeConfiguration().withCodeId("fakeTokenPlaceholder").withScoringScript("string"))
                    .withEnvironmentId("string").withEnvironmentVariables(mapOf("string", "string"))
                    .withCompute("string").withErrorThreshold(1)
                    .withRetrySettings(new BatchRetrySettings().withMaxRetries(1).withTimeout(Duration.parse("PT5M")))
                    .withMiniBatchSize(1L).withLoggingLevel(BatchLoggingLevel.INFO)
                    .withModel(new IdAssetReference().withAssetId("string")).withMaxConcurrencyPerInstance(1)
                    .withOutputAction(BatchOutputAction.SUMMARY_ONLY).withOutputFileName("string")
                    .withResources(new DeploymentResourceConfiguration().withInstanceCount(1).withInstanceType("string")
                        .withProperties(mapOf("string",
                            SerializerFactory.createDefaultManagementSerializerAdapter().deserialize(
                                "{\"cd3c37dc-2876-4ca4-8a54-21bd7619724a\":null}", Object.class,
                                SerializerEncoding.JSON)))))
            .withTags(mapOf()).withKind("string")
            .withIdentity(new ManagedServiceIdentity().withType(ManagedServiceIdentityType.SYSTEM_ASSIGNED)
                .withUserAssignedIdentities(mapOf("string", new UserAssignedIdentity())))
            .withSku(new Sku().withName("string").withTier(SkuTier.FREE).withSize("string").withFamily("string")
                .withCapacity(1))
            .create();
    }

    // Use "Map.of" if available
    @SuppressWarnings("unchecked")
    private static <T> Map<String, T> mapOf(Object... inputs) {
        Map<String, T> map = new HashMap<>();
        for (int i = 0; i < inputs.length; i += 2) {
            String key = (String) inputs[i];
            T value = (T) inputs[i + 1];
            map.put(key, value);
        }
        return map;
    }
}

To use the Azure SDK library in your project, see this documentation. To provide feedback on this code sample, open a GitHub issue

package armmachinelearning_test

import (
	"context"
	"log"

	"github.com/Azure/azure-sdk-for-go/sdk/azcore/to"
	"github.com/Azure/azure-sdk-for-go/sdk/azidentity"
	"github.com/Azure/azure-sdk-for-go/sdk/resourcemanager/machinelearning/armmachinelearning/v4"
)

// Generated from example definition: https://github.com/Azure/azure-rest-api-specs/blob/9778042723206fbc582306dcb407bddbd73df005/specification/machinelearningservices/resource-manager/Microsoft.MachineLearningServices/stable/2024-04-01/examples/Workspace/BatchDeployment/createOrUpdate.json
func ExampleBatchDeploymentsClient_BeginCreateOrUpdate() {
	cred, err := azidentity.NewDefaultAzureCredential(nil)
	if err != nil {
		log.Fatalf("failed to obtain a credential: %v", err)
	}
	ctx := context.Background()
	clientFactory, err := armmachinelearning.NewClientFactory("<subscription-id>", cred, nil)
	if err != nil {
		log.Fatalf("failed to create client: %v", err)
	}
	poller, err := clientFactory.NewBatchDeploymentsClient().BeginCreateOrUpdate(ctx, "test-rg", "my-aml-workspace", "testEndpointName", "testDeploymentName", armmachinelearning.BatchDeployment{
		Location: to.Ptr("string"),
		Tags:     map[string]*string{},
		Identity: &armmachinelearning.ManagedServiceIdentity{
			Type: to.Ptr(armmachinelearning.ManagedServiceIdentityTypeSystemAssigned),
			UserAssignedIdentities: map[string]*armmachinelearning.UserAssignedIdentity{
				"string": {},
			},
		},
		Kind: to.Ptr("string"),
		Properties: &armmachinelearning.BatchDeploymentProperties{
			Description: to.Ptr("string"),
			CodeConfiguration: &armmachinelearning.CodeConfiguration{
				CodeID:        to.Ptr("string"),
				ScoringScript: to.Ptr("string"),
			},
			EnvironmentID: to.Ptr("string"),
			EnvironmentVariables: map[string]*string{
				"string": to.Ptr("string"),
			},
			Properties: map[string]*string{
				"string": to.Ptr("string"),
			},
			Compute:                   to.Ptr("string"),
			ErrorThreshold:            to.Ptr[int32](1),
			LoggingLevel:              to.Ptr(armmachinelearning.BatchLoggingLevelInfo),
			MaxConcurrencyPerInstance: to.Ptr[int32](1),
			MiniBatchSize:             to.Ptr[int64](1),
			Model: &armmachinelearning.IDAssetReference{
				ReferenceType: to.Ptr(armmachinelearning.ReferenceTypeID),
				AssetID:       to.Ptr("string"),
			},
			OutputAction:   to.Ptr(armmachinelearning.BatchOutputActionSummaryOnly),
			OutputFileName: to.Ptr("string"),
			Resources: &armmachinelearning.DeploymentResourceConfiguration{
				InstanceCount: to.Ptr[int32](1),
				InstanceType:  to.Ptr("string"),
				Properties: map[string]any{
					"string": map[string]any{
						"cd3c37dc-2876-4ca4-8a54-21bd7619724a": nil,
					},
				},
			},
			RetrySettings: &armmachinelearning.BatchRetrySettings{
				MaxRetries: to.Ptr[int32](1),
				Timeout:    to.Ptr("PT5M"),
			},
		},
		SKU: &armmachinelearning.SKU{
			Name:     to.Ptr("string"),
			Capacity: to.Ptr[int32](1),
			Family:   to.Ptr("string"),
			Size:     to.Ptr("string"),
			Tier:     to.Ptr(armmachinelearning.SKUTierFree),
		},
	}, nil)
	if err != nil {
		log.Fatalf("failed to finish the request: %v", err)
	}
	res, err := poller.PollUntilDone(ctx, nil)
	if err != nil {
		log.Fatalf("failed to pull the result: %v", err)
	}
	// You could use response here. We use blank identifier for just demo purposes.
	_ = res
	// If the HTTP response code is 200 as defined in example definition, your response structure would look as follows. Please pay attention that all the values in the output are fake values for just demo purposes.
	// res.BatchDeployment = armmachinelearning.BatchDeployment{
	// 	Name: to.Ptr("string"),
	// 	Type: to.Ptr("string"),
	// 	ID: to.Ptr("string"),
	// 	SystemData: &armmachinelearning.SystemData{
	// 		CreatedAt: to.Ptr(func() time.Time { t, _ := time.Parse(time.RFC3339Nano, "2020-01-01T12:34:56.999Z"); return t}()),
	// 		CreatedBy: to.Ptr("string"),
	// 		CreatedByType: to.Ptr(armmachinelearning.CreatedByTypeUser),
	// 		LastModifiedAt: to.Ptr(func() time.Time { t, _ := time.Parse(time.RFC3339Nano, "2020-01-01T12:34:56.999Z"); return t}()),
	// 		LastModifiedBy: to.Ptr("string"),
	// 		LastModifiedByType: to.Ptr(armmachinelearning.CreatedByTypeUser),
	// 	},
	// 	Location: to.Ptr("string"),
	// 	Tags: map[string]*string{
	// 	},
	// 	Identity: &armmachinelearning.ManagedServiceIdentity{
	// 		Type: to.Ptr(armmachinelearning.ManagedServiceIdentityTypeSystemAssigned),
	// 		PrincipalID: to.Ptr("00000000-1111-2222-3333-444444444444"),
	// 		TenantID: to.Ptr("00000000-1111-2222-3333-444444444444"),
	// 		UserAssignedIdentities: map[string]*armmachinelearning.UserAssignedIdentity{
	// 			"string": &armmachinelearning.UserAssignedIdentity{
	// 				ClientID: to.Ptr("00000000-1111-2222-3333-444444444444"),
	// 				PrincipalID: to.Ptr("00000000-1111-2222-3333-444444444444"),
	// 			},
	// 		},
	// 	},
	// 	Kind: to.Ptr("string"),
	// 	Properties: &armmachinelearning.BatchDeploymentProperties{
	// 		Description: to.Ptr("string"),
	// 		CodeConfiguration: &armmachinelearning.CodeConfiguration{
	// 			CodeID: to.Ptr("string"),
	// 			ScoringScript: to.Ptr("string"),
	// 		},
	// 		EnvironmentID: to.Ptr("string"),
	// 		EnvironmentVariables: map[string]*string{
	// 			"string": to.Ptr("string"),
	// 		},
	// 		Properties: map[string]*string{
	// 			"string": to.Ptr("string"),
	// 		},
	// 		Compute: to.Ptr("string"),
	// 		ErrorThreshold: to.Ptr[int32](1),
	// 		LoggingLevel: to.Ptr(armmachinelearning.BatchLoggingLevelInfo),
	// 		MaxConcurrencyPerInstance: to.Ptr[int32](1),
	// 		MiniBatchSize: to.Ptr[int64](1),
	// 		Model: &armmachinelearning.IDAssetReference{
	// 			ReferenceType: to.Ptr(armmachinelearning.ReferenceTypeID),
	// 			AssetID: to.Ptr("string"),
	// 		},
	// 		OutputAction: to.Ptr(armmachinelearning.BatchOutputActionSummaryOnly),
	// 		OutputFileName: to.Ptr("string"),
	// 		ProvisioningState: to.Ptr(armmachinelearning.DeploymentProvisioningStateSucceeded),
	// 		Resources: &armmachinelearning.DeploymentResourceConfiguration{
	// 			InstanceCount: to.Ptr[int32](1),
	// 			InstanceType: to.Ptr("string"),
	// 			Properties: map[string]any{
	// 				"string": map[string]any{
	// 					"4939850d-8eae-4343-8566-0826259a2ad1": nil,
	// 				},
	// 			},
	// 		},
	// 		RetrySettings: &armmachinelearning.BatchRetrySettings{
	// 			MaxRetries: to.Ptr[int32](1),
	// 			Timeout: to.Ptr("PT5M"),
	// 		},
	// 	},
	// 	SKU: &armmachinelearning.SKU{
	// 		Name: to.Ptr("string"),
	// 		Capacity: to.Ptr[int32](1),
	// 		Family: to.Ptr("string"),
	// 		Size: to.Ptr("string"),
	// 		Tier: to.Ptr(armmachinelearning.SKUTierFree),
	// 	},
	// }
}

To use the Azure SDK library in your project, see this documentation. To provide feedback on this code sample, open a GitHub issue

const { AzureMachineLearningServicesManagementClient } = require("@azure/arm-machinelearning");
const { DefaultAzureCredential } = require("@azure/identity");

/**
 * This sample demonstrates how to Creates/updates a batch inference deployment (asynchronous).
 *
 * @summary Creates/updates a batch inference deployment (asynchronous).
 * x-ms-original-file: specification/machinelearningservices/resource-manager/Microsoft.MachineLearningServices/stable/2024-04-01/examples/Workspace/BatchDeployment/createOrUpdate.json
 */
async function createOrUpdateWorkspaceBatchDeployment() {
  const subscriptionId =
    process.env["MACHINELEARNING_SUBSCRIPTION_ID"] || "00000000-1111-2222-3333-444444444444";
  const resourceGroupName = process.env["MACHINELEARNING_RESOURCE_GROUP"] || "test-rg";
  const workspaceName = "my-aml-workspace";
  const endpointName = "testEndpointName";
  const deploymentName = "testDeploymentName";
  const body = {
    identity: {
      type: "SystemAssigned",
      userAssignedIdentities: { string: {} },
    },
    kind: "string",
    location: "string",
    properties: {
      description: "string",
      codeConfiguration: { codeId: "string", scoringScript: "string" },
      compute: "string",
      environmentId: "string",
      environmentVariables: { string: "string" },
      errorThreshold: 1,
      loggingLevel: "Info",
      maxConcurrencyPerInstance: 1,
      miniBatchSize: 1,
      model: { assetId: "string", referenceType: "Id" },
      outputAction: "SummaryOnly",
      outputFileName: "string",
      properties: { string: "string" },
      resources: {
        instanceCount: 1,
        instanceType: "string",
        properties: {
          string: { "cd3c37dc-2876-4ca4-8a54-21bd7619724a": null },
        },
      },
      retrySettings: { maxRetries: 1, timeout: "PT5M" },
    },
    sku: {
      name: "string",
      capacity: 1,
      family: "string",
      size: "string",
      tier: "Free",
    },
    tags: {},
  };
  const credential = new DefaultAzureCredential();
  const client = new AzureMachineLearningServicesManagementClient(credential, subscriptionId);
  const result = await client.batchDeployments.beginCreateOrUpdateAndWait(
    resourceGroupName,
    workspaceName,
    endpointName,
    deploymentName,
    body,
  );
  console.log(result);
}

To use the Azure SDK library in your project, see this documentation. To provide feedback on this code sample, open a GitHub issue

using Azure;
using Azure.ResourceManager;
using System;
using System.Collections.Generic;
using System.Threading.Tasks;
using System.Xml;
using Azure.Core;
using Azure.Identity;
using Azure.ResourceManager.MachineLearning.Models;
using Azure.ResourceManager.Models;
using Azure.ResourceManager.MachineLearning;

// Generated from example definition: specification/machinelearningservices/resource-manager/Microsoft.MachineLearningServices/stable/2024-04-01/examples/Workspace/BatchDeployment/createOrUpdate.json
// this example is just showing the usage of "BatchDeployments_CreateOrUpdate" operation, for the dependent resources, they will have to be created separately.

// get your azure access token, for more details of how Azure SDK get your access token, please refer to https://learn.microsoft.com/en-us/dotnet/azure/sdk/authentication?tabs=command-line
TokenCredential cred = new DefaultAzureCredential();
// authenticate your client
ArmClient client = new ArmClient(cred);

// this example assumes you already have this MachineLearningBatchEndpointResource created on azure
// for more information of creating MachineLearningBatchEndpointResource, please refer to the document of MachineLearningBatchEndpointResource
string subscriptionId = "00000000-1111-2222-3333-444444444444";
string resourceGroupName = "test-rg";
string workspaceName = "my-aml-workspace";
string endpointName = "testEndpointName";
ResourceIdentifier machineLearningBatchEndpointResourceId = MachineLearningBatchEndpointResource.CreateResourceIdentifier(subscriptionId, resourceGroupName, workspaceName, endpointName);
MachineLearningBatchEndpointResource machineLearningBatchEndpoint = client.GetMachineLearningBatchEndpointResource(machineLearningBatchEndpointResourceId);

// get the collection of this MachineLearningBatchDeploymentResource
MachineLearningBatchDeploymentCollection collection = machineLearningBatchEndpoint.GetMachineLearningBatchDeployments();

// invoke the operation
string deploymentName = "testDeploymentName";
MachineLearningBatchDeploymentData data = new MachineLearningBatchDeploymentData(new AzureLocation("string"), new MachineLearningBatchDeploymentProperties()
{
    Compute = "string",
    ErrorThreshold = 1,
    RetrySettings = new MachineLearningBatchRetrySettings()
    {
        MaxRetries = 1,
        Timeout = XmlConvert.ToTimeSpan("PT5M"),
    },
    MiniBatchSize = 1,
    LoggingLevel = MachineLearningBatchLoggingLevel.Info,
    Model = new MachineLearningIdAssetReference(new ResourceIdentifier("string")),
    MaxConcurrencyPerInstance = 1,
    OutputAction = MachineLearningBatchOutputAction.SummaryOnly,
    OutputFileName = "string",
    Resources = new MachineLearningDeploymentResourceConfiguration()
    {
        InstanceCount = 1,
        InstanceType = "string",
        Properties =
        {
        ["string"] = BinaryData.FromObjectAsJson(new Dictionary<string, object>()
        {
        ["cd3c37dc-2876-4ca4-8a54-21bd7619724a"] = null}),
        },
    },
    Description = "string",
    Properties =
    {
    ["string"] = "string",
    },
    CodeConfiguration = new MachineLearningCodeConfiguration("string")
    {
        CodeId = new ResourceIdentifier("string"),
    },
    EnvironmentId = "string",
    EnvironmentVariables =
    {
    ["string"] = "string",
    },
})
{
    Kind = "string",
    Identity = new ManagedServiceIdentity("SystemAssigned")
    {
        UserAssignedIdentities =
        {
        [new ResourceIdentifier("string")] = new UserAssignedIdentity(),
        },
    },
    Sku = new MachineLearningSku("string")
    {
        Tier = MachineLearningSkuTier.Free,
        Size = "string",
        Family = "string",
        Capacity = 1,
    },
    Tags =
    {
    },
};
ArmOperation<MachineLearningBatchDeploymentResource> lro = await collection.CreateOrUpdateAsync(WaitUntil.Completed, deploymentName, data);
MachineLearningBatchDeploymentResource result = lro.Value;

// the variable result is a resource, you could call other operations on this instance as well
// but just for demo, we get its data from this resource instance
MachineLearningBatchDeploymentData resourceData = result.Data;
// for demo we just print out the id
Console.WriteLine($"Succeeded on id: {resourceData.Id}");

To use the Azure SDK library in your project, see this documentation. To provide feedback on this code sample, open a GitHub issue

Mintaválasz

Állapotkód:: 200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "properties": {
      "string": "string"
    },
    "codeConfiguration": {
      "codeId": "string",
      "scoringScript": "string"
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "compute": "string",
    "errorThreshold": 1,
    "retrySettings": {
      "maxRetries": 1,
      "timeout": "PT5M"
    },
    "miniBatchSize": 1,
    "loggingLevel": "Info",
    "model": {
      "referenceType": "Id",
      "assetId": "string"
    },
    "maxConcurrencyPerInstance": 1,
    "outputAction": "SummaryOnly",
    "outputFileName": "string",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "4939850d-8eae-4343-8566-0826259a2ad1": null
        }
      }
    },
    "provisioningState": "Creating"
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  },
  "tags": {},
  "location": "string",
  "kind": "string",
  "identity": {
    "type": "SystemAssigned",
    "principalId": "00000000-1111-2222-3333-444444444444",
    "tenantId": "00000000-1111-2222-3333-444444444444",
    "userAssignedIdentities": {
      "string": {
        "principalId": "00000000-1111-2222-3333-444444444444",
        "clientId": "00000000-1111-2222-3333-444444444444"
      }
    }
  },
  "sku": {
    "name": "string",
    "tier": "Free",
    "size": "string",
    "family": "string",
    "capacity": 1
  }
}

Állapotkód:: 201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "properties": {
      "string": "string"
    },
    "codeConfiguration": {
      "codeId": "string",
      "scoringScript": "string"
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "compute": "string",
    "errorThreshold": 1,
    "retrySettings": {
      "maxRetries": 1,
      "timeout": "PT5M"
    },
    "miniBatchSize": 1,
    "loggingLevel": "Info",
    "model": {
      "referenceType": "Id",
      "assetId": "string"
    },
    "maxConcurrencyPerInstance": 1,
    "outputAction": "SummaryOnly",
    "outputFileName": "string",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b76755e4-16bf-45d4-b625-6634df7444cc": null
        }
      }
    },
    "provisioningState": "Creating"
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  },
  "tags": {},
  "location": "string",
  "kind": "string",
  "identity": {
    "type": "SystemAssigned",
    "principalId": "00000000-1111-2222-3333-444444444444",
    "tenantId": "00000000-1111-2222-3333-444444444444",
    "userAssignedIdentities": {
      "string": {
        "principalId": "00000000-1111-2222-3333-444444444444",
        "clientId": "00000000-1111-2222-3333-444444444444"
      }
    }
  },
  "sku": {
    "name": "string",
    "tier": "Free",
    "size": "string",
    "family": "string",
    "capacity": 1
  }
}

Definíciók

Name	Description
BatchDeployment	Batch-következtetési beállítások üzemelő példányonként.
BatchDeploymentConfigurationType	A kötegelt telepítések enumerált tulajdonságtípusai.
BatchDeploymentTrackedResource
BatchLoggingLevel	Napló részletessége a kötegelt következtetéshez. A naplózás részletességi sorrendjének növelése: Figyelmeztetés, Információ és Hibakeresés. Az alapértelmezett érték az Információ.
BatchOutputAction	Enum annak meghatározásához, hogy a kötegelt következtetés hogyan fogja kezelni a kimenetet
BatchPipelineComponentDeploymentConfiguration	Batch Pipeline-összetevő üzembe helyezésének tulajdonságai.
BatchRetrySettings	Kötegelt következtetési művelet beállításainak újrapróbálkozása.
CodeConfiguration	Pontozókód-objektum konfigurációja.
createdByType	Az erőforrást létrehozó identitás típusa.
DataPathAssetReference	Hivatkozás egy adategységre az adattárban lévő elérési útján keresztül.
DeploymentProvisioningState	A DeploymentProvisioningState lehetséges értékei.
DeploymentResourceConfiguration
ErrorAdditionalInfo	Az erőforrás-kezelési hiba további információi.
ErrorDetail	A hiba részletei.
ErrorResponse	Hibaválasz
IdAssetReference	Hivatkozás egy objektumra az ARM-erőforrásazonosítóján keresztül.
ManagedServiceIdentity	Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások)
ManagedServiceIdentityType	A felügyelt szolgáltatás identitásának típusa (ahol a SystemAssigned és a UserAssigned típus is engedélyezett).
OutputPathAssetReference	Hivatkozás egy objektumra a feladat kimenetében lévő elérési útján keresztül.
ReferenceType	Szám az eszközhöz használandó referenciametódus meghatározásához.
Sku	A termékváltozatot képviselő erőforrásmodell-definíció
SkuTier	Ezt a mezőt az erőforrás-szolgáltatónak kell implementálnia, ha a szolgáltatás egynél több szinttel rendelkezik, de put esetén nem szükséges.
systemData	Az erőforrás létrehozásával és utolsó módosításával kapcsolatos metaadatok.
UserAssignedIdentity	Felhasználó által hozzárendelt identitástulajdonságok

BatchDeployment

Batch-következtetési beállítások üzemelő példányonként.

Name	Típus	Alapértelmezett érték	Description
codeConfiguration	CodeConfiguration		A végpont üzembe helyezésének kódkonfigurációja.
compute	string		Számítási cél kötegelt következtetési művelethez.
deploymentConfiguration	BatchDeploymentConfiguration: BatchPipelineComponentDeploymentConfiguration		A különböző üzemelő példánytípusokhoz kapcsolódó tulajdonságok.
description	string		A végpont üzembe helyezésének leírása.
environmentId	string		A végponttelepítés környezeti specifikációjának ARM-erőforrás-azonosítója vagy AssetId-azonosítója.
environmentVariables	object		Környezeti változók konfigurálása az üzembe helyezéshez.
errorThreshold	integer	-1	Hibaküszöb, ha a teljes bemenet hibaszáma meghaladja ezt az értéket, a köteg-következtetés megszakad. A tartomány [-1, int. MaxValue]. A FileDataset esetében ez az érték a fájlhibák száma. A TabularDataset esetében ez az érték a rekordhibák száma. Ha -1 (alsó határ) értékre van állítva, a kötegkövetkezési hibák figyelmen kívül lesznek hagyva.
loggingLevel	BatchLoggingLevel	Info	Naplózási szint a kötegelt következtetési művelethez.
maxConcurrencyPerInstance	integer	1	A példányonkénti párhuzamosság maximális számát jelzi.
miniBatchSize	integer	10	Az egyes köteghívások számára átadott mini köteg mérete. A FileDataset esetében ez a minimális kötegenkénti fájlok száma. A TabularDataset esetében ez a rekordok mérete bájtban, mini-kötegenként.
model	AssetReferenceBase: DataPathAssetReference IdAssetReference OutputPathAssetReference		Hivatkozás a végpont üzembe helyezéséhez használt modelleszközre.
outputAction	BatchOutputAction	AppendRow	A kimenet rendszerezését jelzi.
outputFileName	string	predictions.csv	Testreszabott kimeneti fájlnév append_row kimeneti művelethez.
properties	object		Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók.
provisioningState	DeploymentProvisioningState		A végpont üzembe helyezésének kiépítési állapota.
resources	DeploymentResourceConfiguration		A feladat számítási konfigurációját jelzi. Ha nincs megadva, a ResourceConfigurationban definiált alapértelmezett értékek lesznek alapértelmezettek.
retrySettings	BatchRetrySettings		Próbálkozzon újra a kötegelt következtetési művelet beállításaival. Ha nincs megadva, alapértelmezés szerint a BatchRetrySettingsben definiált alapértelmezett értékek lesznek.

BatchDeploymentConfigurationType

A kötegelt telepítések enumerált tulajdonságtípusai.

Name	Típus	Description
Model	string
PipelineComponent	string

BatchDeploymentTrackedResource

Name	Típus	Description
id	string	Az erőforrás teljes erőforrás-azonosítója. Ex - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
identity	ManagedServiceIdentity	Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások)
kind	string	A portál/eszközhasználat/stb. által használt metaadatok különböző UX-élményeket jelenítenek meg az azonos típusú erőforrásokhoz.
location	string	Az a földrajzi hely, ahol az erőforrás él
name	string	Az erőforrás neve
properties	BatchDeployment	[Kötelező] Az entitás további attribútumai.
sku	Sku	Az automatikus skálázáshoz szükséges ARM-szerződéshez szükséges termékváltozat részletei.
systemData	systemData	A createdBy és a modifiedBy adatokat tartalmazó Azure Resource Manager-metaadatok.
tags	object	Erőforráscímkék.
type	string	Az erőforrás típusa. Pl. "Microsoft.Compute/virtualMachines" vagy "Microsoft.Storage/storageAccounts"

BatchLoggingLevel

Napló részletessége a kötegelt következtetéshez. A naplózás részletességi sorrendjének növelése: Figyelmeztetés, Információ és Hibakeresés. Az alapértelmezett érték az Információ.

Name	Típus	Description
Debug	string
Info	string
Warning	string

BatchOutputAction

Enum annak meghatározásához, hogy a kötegelt következtetés hogyan fogja kezelni a kimenetet

Name	Típus	Description
AppendRow	string
SummaryOnly	string

BatchPipelineComponentDeploymentConfiguration

Batch Pipeline-összetevő üzembe helyezésének tulajdonságai.

Name	Típus	Description
componentId	IdAssetReference	A futtatni kívánt összetevő ARM-azonosítója.
deploymentConfigurationType	string: PipelineComponent	[Kötelező] Az üzembe helyezés típusa
description	string	A feladatra alkalmazott leírás.
settings	object	A folyamatfeladat futásidejű beállításai.
tags	object	A feladatra alkalmazott címkék.

BatchRetrySettings

Kötegelt következtetési művelet beállításainak újrapróbálkozása.

Name	Típus	Alapértelmezett érték	Description
maxRetries	integer	3	Mini köteg újrapróbálkozásainak maximális száma
timeout	string	PT30S	Egy mini köteg meghívási időtúllépése ISO 8601 formátumban.

CodeConfiguration

Pontozókód-objektum konfigurációja.

Name	Típus	Description
codeId	string	A kódobjektum ARM-erőforrás-azonosítója.
scoringScript	string	[Kötelező] Az indításkor végrehajtandó szkript. Pl.. "score.py"

createdByType

Az erőforrást létrehozó identitás típusa.

Name	Típus	Description
Application	string
Key	string
ManagedIdentity	string
User	string

DataPathAssetReference

Hivatkozás egy adategységre az adattárban lévő elérési útján keresztül.

Name	Típus	Description
datastoreId	string	Annak az adattárnak az ARM-erőforrás-azonosítója, amelyben az objektum található.
path	string	A fájl/könyvtár elérési útja az adattárban.
referenceType	string: DataPath	[Kötelező] Az eszközhivatkozás típusát adja meg.

DeploymentProvisioningState

A DeploymentProvisioningState lehetséges értékei.

Name	Típus	Description
Canceled	string
Creating	string
Deleting	string
Failed	string
Scaling	string
Succeeded	string
Updating	string

DeploymentResourceConfiguration

Name	Típus	Alapértelmezett érték	Description
instanceCount	integer	1	A számítási cél által használt példányok vagy csomópontok opcionális száma.
instanceType	string		A számítási cél által támogatott virtuális gép választható típusa.
properties	object		További tulajdonságok táska.

ErrorAdditionalInfo

Az erőforrás-kezelési hiba további információi.

Name	Típus	Description
info	object	A további információk.
type	string	A további információtípus.

ErrorDetail

A hiba részletei.

Name	Típus	Description
additionalInfo	ErrorAdditionalInfo[]	A hiba további információi.
code	string	A hibakód.
details	ErrorDetail[]	A hiba részletei.
message	string	A hibaüzenet.
target	string	A hibacél.

ErrorResponse

Hibaválasz

Name	Típus	Description
error	ErrorDetail	A hibaobjektum.

IdAssetReference

Hivatkozás egy objektumra az ARM-erőforrásazonosítóján keresztül.

Name	Típus	Description
assetId	string	[Kötelező] Az eszköz ARM-erőforrás-azonosítója.
referenceType	string: Id	[Kötelező] Az eszközhivatkozás típusát adja meg.

ManagedServiceIdentity

Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások)

Name	Típus	Description
principalId	string	A rendszer által hozzárendelt identitás szolgáltatásnév-azonosítója. Ez a tulajdonság csak a rendszer által hozzárendelt identitáshoz lesz megadva.
tenantId	string	A rendszer által hozzárendelt identitás bérlőazonosítója. Ez a tulajdonság csak a rendszer által hozzárendelt identitáshoz lesz megadva.
type	ManagedServiceIdentityType	A felügyelt szolgáltatás identitásának típusa (ahol a SystemAssigned és a UserAssigned típus is engedélyezett).
userAssignedIdentities	<string, UserAssignedIdentity>	User-Assigned identitások Az erőforráshoz társított felhasználó által hozzárendelt identitások készlete. A userAssignedIdentities szótárkulcsok arm-erőforrásazonosítók lesznek a következő formában: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótár értékei lehetnek üres objektumok ({}) a kérelmekben.

ManagedServiceIdentityType

A felügyelt szolgáltatás identitásának típusa (ahol a SystemAssigned és a UserAssigned típus is engedélyezett).

Name	Típus	Description
None	string
SystemAssigned	string
SystemAssigned,UserAssigned	string
UserAssigned	string

OutputPathAssetReference

Hivatkozás egy objektumra a feladat kimenetében lévő elérési útján keresztül.

Name	Típus	Description
jobId	string	A feladat ARM-erőforrás-azonosítója.
path	string	A fájl/könyvtár elérési útja a feladat kimenetében.
referenceType	string: OutputPath	[Kötelező] Az eszközhivatkozás típusát adja meg.

ReferenceType

Szám az eszközhöz használandó referenciametódus meghatározásához.

Name	Típus	Description
DataPath	string
Id	string
OutputPath	string

Sku

A termékváltozatot képviselő erőforrásmodell-definíció

Name	Típus	Description
capacity	integer	Ha az SKU támogatja a vertikális felskálázást/azt, akkor a kapacitás egészét is tartalmaznia kell. Ha az erőforrás esetében nem lehetséges a vertikális felskálázás/beskálázás, akkor ez kihagyható.
family	string	Ha a szolgáltatás különböző hardvergenerációval rendelkezik ugyanahhoz az SKU-hoz, akkor ezt itt rögzítheti.
name	string	Az termékváltozat neve. Ex - P3. Ez általában egy betű+szám kód
size	string	A termékváltozat mérete. Ha a névmező a réteg és más értékek kombinációja, akkor ez a különálló kód.
tier	SkuTier	Ezt a mezőt az erőforrás-szolgáltatónak kell implementálnia, ha a szolgáltatás egynél több szinttel rendelkezik, de put esetén nem szükséges.

SkuTier

Ezt a mezőt az erőforrás-szolgáltatónak kell implementálnia, ha a szolgáltatás egynél több szinttel rendelkezik, de put esetén nem szükséges.

Name	Típus	Description
Basic	string
Free	string
Premium	string
Standard	string

systemData

Az erőforrás létrehozásával és utolsó módosításával kapcsolatos metaadatok.

Name	Típus	Description
createdAt	string	Az erőforrás-létrehozás időbélyege (UTC).
createdBy	string	Az erőforrást létrehozó identitás.
createdByType	createdByType	Az erőforrást létrehozó identitás típusa.
lastModifiedAt	string	Az erőforrás utolsó módosításának időbélyege (UTC)
lastModifiedBy	string	Az erőforrást legutóbb módosító identitás.
lastModifiedByType	createdByType	Az erőforrást legutóbb módosító identitás típusa.

UserAssignedIdentity

Felhasználó által hozzárendelt identitástulajdonságok

Name	Típus	Description
clientId	string	A hozzárendelt identitás ügyfélazonosítója.
principalId	string	A hozzárendelt identitás egyszerű azonosítója.

Megosztás a következőn keresztül:

Batch Deployments - Create Or Update

URI-paraméterek

Kérelem törzse

Válaszok

Példák

CreateOrUpdate Workspace Batch Deployment.

Mintakérelem

Mintaválasz

Definíciók

BatchDeployment

BatchDeploymentConfigurationType

BatchDeploymentTrackedResource

BatchLoggingLevel

BatchOutputAction

BatchPipelineComponentDeploymentConfiguration

BatchRetrySettings

CodeConfiguration

createdByType

DataPathAssetReference

DeploymentProvisioningState

DeploymentResourceConfiguration

ErrorAdditionalInfo

ErrorDetail

ErrorResponse

IdAssetReference

ManagedServiceIdentity

ManagedServiceIdentityType

OutputPathAssetReference

ReferenceType

Sku

SkuTier

systemData

UserAssignedIdentity

További források