az ml datastore

  • Riferimento

Nota

Questo riferimento fa parte dell'estensione ml per l'interfaccia della riga di comando di Azure (versione 2.15.0 o successiva). L'estensione installerà automaticamente la prima volta che si esegue un comando az ml datastore . Altre informazioni sulle estensioni.

Gestire gli archivi dati di Azure ML.

Gli archivi dati di Azure ML collegano in modo sicuro i servizi di archiviazione di Azure all'area di lavoro in modo che sia possibile accedere all'archiviazione senza dover impostare come hardcoded le informazioni di connessione negli script. I segreti di connessione, come le credenziali di autenticazione del servizio di archiviazione, vengono archiviati nell'insieme di credenziali delle chiavi dell'area di lavoro.

Quando si crea un'area di lavoro, un account Archiviazione di Azure viene creato automaticamente come risorsa associata. In questo account viene creato un contenitore BLOB e le relative informazioni di connessione vengono archiviate come archivio dati denominato "workspaceblobstore". Viene usato come archivio dati predefinito dell'area di lavoro e il contenitore BLOB viene usato per archiviare gli artefatti dell'area di lavoro e i log e gli output dei processi di Machine Learning.

Comandi

Nome Descrizione Tipo Stato
az ml datastore create

Creare un archivio dati.

 Estensione Disponibilità generale
az ml datastore delete

Eliminare un archivio dati.

 Estensione Disponibilità generale
az ml datastore list

Elencare gli archivi dati in un'area di lavoro.

 Estensione Disponibilità generale
az ml datastore mount

Montare un archivio dati specifico in un percorso locale. Per il momento è supportato solo Linux.

 Estensione Anteprima
az ml datastore show

Mostra i dettagli per un archivio dati.

 Estensione Disponibilità generale
az ml datastore update

Aggiornare un archivio dati.

 Estensione Disponibilità generale

az ml datastore create

Creare un archivio dati.

In questo modo il servizio di archiviazione di Azure sottostante viene connesso all'area di lavoro. I tipi di servizio di archiviazione a cui è attualmente possibile connettersi creando un archivio dati includono Archiviazione BLOB di Azure, Condivisione file di Azure, Azure Data Lake Archiviazione Gen1 e Azure Data Lake Archiviazione Gen2.

az ml datastore create --file
                       --resource-group
                       --workspace-name
                       [--name]
                       [--set]

Esempio

Creare un archivio dati da un file di specifica YAML

az ml datastore create --file blobstore.yml --resource-group my-resource-group --workspace-name my-workspace

Parametri necessari

--file -f

Percorso locale del file YAML contenente la specifica dell'archivio dati di Azure ML. La documentazione di riferimento YAML per l'archivio dati è disponibile in: https://aka.ms/ml-cli-v2-datastore-blob-yaml-reference, https://aka.ms/ml-cli-v2-datastore-file-yaml-referencehttps://aka.ms/ml-cli-v2-datastore-data-lake-gen1-yaml-reference, , https://aka.ms/ml-cli-v2-datastore-data-lake-gen2-yaml-reference.

--resource-group -g

Nome del gruppo di risorse. È possibile configurare il gruppo predefinito con az configure --defaults group=<name>.

--workspace-name -w

Nome dell'area di lavoro di Azure ML. È possibile configurare l'area di lavoro predefinita usando az configure --defaults workspace=<name>.

Parametri facoltativi

--name -n

Nome dell'archivio dati. Questo sovrascrive il campo 'name' nel file YAML fornito a --file/-f.

--set

Aggiornare un oggetto specificando un percorso di proprietà e un valore da impostare. Esempio: --set property1.property2=.

Parametri globali
--debug

Aumenta il livello di dettaglio della registrazione per mostrare tutti i log di debug.

--help -h

Visualizza questo messaggio della guida ed esce.

--only-show-errors

Mostra solo gli errori, eliminando gli avvisi.

--output -o

Formato di output.

valori accettati: json, jsonc, none, table, tsv, yaml, yamlc
valore predefinito: json
--query

Stringa di query JMESPath. Per altre informazioni ed esempi, vedere http://jmespath.org/.

--subscription

Nome o ID della sottoscrizione. È possibile configurare la sottoscrizione predefinita usando az account set -s NAME_OR_ID.

--verbose

Aumenta il livello di dettaglio della registrazione. Usare --debug per log di debug completi.

az ml datastore delete

Eliminare un archivio dati.

In questo modo vengono eliminate le informazioni di connessione al servizio di archiviazione dall'area di lavoro, ma non vengono eliminati i dati sottostanti nell'archiviazione.

az ml datastore delete --name
                       --resource-group
                       --workspace-name

Parametri necessari

--name -n

Nome dell'archivio dati.

--resource-group -g

Nome del gruppo di risorse. È possibile configurare il gruppo predefinito con az configure --defaults group=<name>.

--workspace-name -w

Nome dell'area di lavoro di Azure ML. È possibile configurare l'area di lavoro predefinita usando az configure --defaults workspace=<name>.

Parametri globali
--debug

Aumenta il livello di dettaglio della registrazione per mostrare tutti i log di debug.

--help -h

Visualizza questo messaggio della guida ed esce.

--only-show-errors

Mostra solo gli errori, eliminando gli avvisi.

--output -o

Formato di output.

valori accettati: json, jsonc, none, table, tsv, yaml, yamlc
valore predefinito: json
--query

Stringa di query JMESPath. Per altre informazioni ed esempi, vedere http://jmespath.org/.

--subscription

Nome o ID della sottoscrizione. È possibile configurare la sottoscrizione predefinita usando az account set -s NAME_OR_ID.

--verbose

Aumenta il livello di dettaglio della registrazione. Usare --debug per log di debug completi.

az ml datastore list

Elencare gli archivi dati in un'area di lavoro.

az ml datastore list --resource-group
                     --workspace-name
                     [--max-results]

Esempio

Elencare tutti gli archivi dati in un'area di lavoro usando l'argomento --query per eseguire una query JMESPath sui risultati dei comandi.

az ml datastore list --query "[].{Name:name}"  --output table --resource-group my-resource-group --workspace-name my-workspace

Parametri necessari

--resource-group -g

Nome del gruppo di risorse. È possibile configurare il gruppo predefinito con az configure --defaults group=<name>.

--workspace-name -w

Nome dell'area di lavoro di Azure ML. È possibile configurare l'area di lavoro predefinita usando az configure --defaults workspace=<name>.

Parametri facoltativi

--max-results -r

Numero massimo di risultati da restituire.

Parametri globali
--debug

Aumenta il livello di dettaglio della registrazione per mostrare tutti i log di debug.

--help -h

Visualizza questo messaggio della guida ed esce.

--only-show-errors

Mostra solo gli errori, eliminando gli avvisi.

--output -o

Formato di output.

valori accettati: json, jsonc, none, table, tsv, yaml, yamlc
valore predefinito: json
--query

Stringa di query JMESPath. Per altre informazioni ed esempi, vedere http://jmespath.org/.

--subscription

Nome o ID della sottoscrizione. È possibile configurare la sottoscrizione predefinita usando az account set -s NAME_OR_ID.

--verbose

Aumenta il livello di dettaglio della registrazione. Usare --debug per log di debug completi.

az ml datastore mount

Anteprima

Questo comando è in anteprima e in fase di sviluppo. Livelli di riferimento e supporto: https://aka.ms/CLI_refstatus

Montare un archivio dati specifico in un percorso locale. Per il momento è supportato solo Linux.

az ml datastore mount --path
                      [--mode]
                      [--mount-point]
                      [--persistent]
                      [--resource-group]
                      [--workspace-name]

Esempio

Montare un archivio dati in base al nome

az ml datastore mount --mount-point /mnt/my-datastore --mode ro_mount --path my-datastore

Montare un archivio dati in base all'URL di forma breve dell'archivio dati

az ml datastore mount --mount-point /mnt/my-datastore --mode ro_mount --path azureml://datastores/my-datastore

Montare un archivio dati in base all'URL long form dell'archivio dati

az ml datastore mount --mount-point /mnt/my-datastore --mode ro_mount --path azureml://subscriptions/my-sub-id/resourcegroups/my-rg/providers/Microsoft.MachineLearningServices/workspaces/myworkspace/datastores/my-datastore

Parametri necessari

--path

Percorso dell'archivio dati da montare, sotto forma di <datastore_name> o azureml://datastores/<datastore_name>.

Parametri facoltativi

--mode

Modalità di montaggio, ro_mount (sola lettura) o rw_mount (lettura/scrittura).

valore predefinito: ro_mount
--mount-point

Percorso locale usato come punto di montaggio.

valore predefinito: /home/azureuser/mount/data
--persistent

Rendere persistente il montaggio tra riavvii. Supportato solo nell'istanza di calcolo.

valore predefinito: False
--resource-group -g

Nome del gruppo di risorse. È possibile configurare il gruppo predefinito con az configure --defaults group=<name>.

--workspace-name -w

Nome dell'area di lavoro di Azure ML. È possibile configurare l'area di lavoro predefinita usando az configure --defaults workspace=<name>.

Parametri globali
--debug

Aumenta il livello di dettaglio della registrazione per mostrare tutti i log di debug.

--help -h

Visualizza questo messaggio della guida ed esce.

--only-show-errors

Mostra solo gli errori, eliminando gli avvisi.

--output -o

Formato di output.

valori accettati: json, jsonc, none, table, tsv, yaml, yamlc
valore predefinito: json
--query

Stringa di query JMESPath. Per altre informazioni ed esempi, vedere http://jmespath.org/.

--subscription

Nome o ID della sottoscrizione. È possibile configurare la sottoscrizione predefinita usando az account set -s NAME_OR_ID.

--verbose

Aumenta il livello di dettaglio della registrazione. Usare --debug per log di debug completi.

az ml datastore show

Mostra i dettagli per un archivio dati.

az ml datastore show --name
                     --resource-group
                     --workspace-name

Parametri necessari

--name -n

Nome dell'archivio dati.

--resource-group -g

Nome del gruppo di risorse. È possibile configurare il gruppo predefinito con az configure --defaults group=<name>.

--workspace-name -w

Nome dell'area di lavoro di Azure ML. È possibile configurare l'area di lavoro predefinita usando az configure --defaults workspace=<name>.

Parametri globali
--debug

Aumenta il livello di dettaglio della registrazione per mostrare tutti i log di debug.

--help -h

Visualizza questo messaggio della guida ed esce.

--only-show-errors

Mostra solo gli errori, eliminando gli avvisi.

--output -o

Formato di output.

valori accettati: json, jsonc, none, table, tsv, yaml, yamlc
valore predefinito: json
--query

Stringa di query JMESPath. Per altre informazioni ed esempi, vedere http://jmespath.org/.

--subscription

Nome o ID della sottoscrizione. È possibile configurare la sottoscrizione predefinita usando az account set -s NAME_OR_ID.

--verbose

Aumenta il livello di dettaglio della registrazione. Usare --debug per log di debug completi.

az ml datastore update

Aggiornare un archivio dati.

È possibile aggiornare le proprietà 'description', 'tags' e 'credential'.

az ml datastore update --resource-group
                       --workspace-name
                       [--add]
                       [--file]
                       [--force-string]
                       [--name]
                       [--remove]
                       [--set]

Parametri necessari

--resource-group -g

Nome del gruppo di risorse. È possibile configurare il gruppo predefinito con az configure --defaults group=<name>.

--workspace-name -w

Nome dell'area di lavoro di Azure ML. È possibile configurare l'area di lavoro predefinita usando az configure --defaults workspace=<name>.

Parametri facoltativi

--add

Aggiungere un oggetto a un elenco di oggetti specificando un percorso e coppie chiave-valore. Esempio: --add property.listProperty <key=value, string or JSON string>.

valore predefinito: []
--file -f

Percorso locale del file YAML contenente la specifica dell'archivio dati di Azure ML. La documentazione di riferimento YAML per l'archivio dati è disponibile in: https://aka.ms/ml-cli-v2-datastore-blob-yaml-reference, https://aka.ms/ml-cli-v2-datastore-file-yaml-referencehttps://aka.ms/ml-cli-v2-datastore-data-lake-gen1-yaml-reference, , https://aka.ms/ml-cli-v2-datastore-data-lake-gen2-yaml-reference.

--force-string

Quando si usa 'set' o 'add', mantenere i valori letterali stringa anziché tentare di eseguire la conversione in JSON.

valore predefinito: False
--name -n

Nome dell'archivio dati. Questo sovrascrive il campo 'name' nel file YAML fornito a --file/-f.

--remove

Rimuovere una proprietà o un elemento da un elenco. Esempio: --remove property.list <indexToRemove> OR --remove propertyToRemove.

valore predefinito: []
--set

Aggiornare un oggetto specificando un percorso di proprietà e un valore da impostare. Esempio: --set property1.property2=<value>.

valore predefinito: []
Parametri globali
--debug

Aumenta il livello di dettaglio della registrazione per mostrare tutti i log di debug.

--help -h

Visualizza questo messaggio della guida ed esce.

--only-show-errors

Mostra solo gli errori, eliminando gli avvisi.

--output -o

Formato di output.

valori accettati: json, jsonc, none, table, tsv, yaml, yamlc
valore predefinito: json
--query

Stringa di query JMESPath. Per altre informazioni ed esempi, vedere http://jmespath.org/.

--subscription

Nome o ID della sottoscrizione. È possibile configurare la sottoscrizione predefinita usando az account set -s NAME_OR_ID.

--verbose

Aumenta il livello di dettaglio della registrazione. Usare --debug per log di debug completi.