Installare & usare l'interfaccia della riga di comando (v1)

Articolo
05/23/2023

SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v1

Importante

I comandi dell'interfaccia della riga di comando di Azure in questo articolo richiedono l'estensione azure-cli-ml, o v1, per Azure Machine Learning. Il supporto per l'estensione v1 terminerà il 30 settembre 2025. Sarà possibile installare e usare l'estensione v1 fino a tale data.

È consigliabile passare all'estensione , o v2, prima del ml30 settembre 2025. Per altre informazioni sull'estensione v2, vedere Estensione dell'interfaccia della riga di comando di Azure ML e Python SDK v2.

L'interfaccia della riga di comando di Azure Machine Learning è un'estensione dell'interfaccia della riga di comando di Azure, un'interfaccia della riga di comando multipiattaforma per la piattaforma Azure. Questa estensione offre i comandi per lavorare con Azure Machine Learning. Consente di automatizzare le attività di Machine Learning. L'elenco seguente fornisce alcune azioni di esempio che è possibile eseguire con l'estensione dell'interfaccia della riga di comando:

Eseguire gli esperimenti per creare modelli di apprendimento automatico
Registrare modelli di Machine Learning per l'uso da parte dei clienti
Creare un pacchetto, distribuire e monitorare il ciclo di vita dei modelli di Machine Learning

L'interfaccia della riga di comando non è una sostituzione di Azure Machine Learning SDK. Si tratta di uno strumento complementare ottimizzato per gestire attività altamente con parametri che si adattano bene all'automazione.

Prerequisiti

Per usare l'interfaccia della riga di comando, è necessario avere una sottoscrizione di Azure. Se non si ha una sottoscrizione di Azure, creare un account gratuito prima di iniziare. Provare la versione gratuita o a pagamento di Azure Machine Learning.
Per usare i comandi dell'interfaccia della riga di comando in questo documento dall'ambiente locale, è necessaria l'interfaccia della riga di comando di Azure.

Se si usa Azure Cloud Shell, l'interfaccia della riga di comando è accessibile tramite il browser e si trova nel cloud.

Documentazione di riferimento completa

Trovare la documentazione di riferimento completa per l'estensione azure-cli-ml dell'interfaccia della riga di comando di Azure.

Connettere l'interfaccia della riga di comando alla sottoscrizione di Azure

Importante

Se si usa Azure Cloud Shell, è possibile ignorare questa sezione. Cloud Shell esegue automaticamente l'autenticazione con l'account usato per accedere alla sottoscrizione di Azure.

È possibile eseguire l'autenticazione della sottoscrizione di Azure dall'interfaccia della riga di comando in diversi modi. Quello più semplice consiste nell'eseguire l'autenticazione interattiva tramite un browser. Per eseguire l'autenticazione in modo interattivo, aprire una riga di comando o un terminale e usare il comando seguente:

az login

Se l'interfaccia della riga di comando può aprire il browser predefinito, eseguirà questa operazione e caricherà una pagina di accesso. In caso contrario, è necessario aprire un browser e seguire le istruzioni nella riga di comando. Le istruzioni prevedono l'individuazione di https://aka.ms/devicelogin e l'immissione di un codice di autorizzazione.

Suggerimento

Dopo l'accesso, viene visualizzato un elenco di sottoscrizioni associate all'account Azure. Le informazioni della sottoscrizione con isDefault: true rappresentano la sottoscrizione attualmente attivata per i comandi dell’interfaccia della riga di comando di Azure. Questa sottoscrizione deve corrispondere a quella che contiene l'area di lavoro Azure Machine Learning. È possibile trovare l'ID sottoscrizione dal portale di Azure visitando la pagina Panoramica dell'area di lavoro. È anche possibile usare l'SDK per ottenere l'ID sottoscrizione dall'oggetto dell'area di lavoro. Ad esempio: Workspace.from_config().subscription_id.

Per selezionare un'altra sottoscrizione, usare il comando az account set -s <subscription name or ID> e specificare il nome o l'ID sottoscrizione a cui passare. Per altre informazioni sulla selezione delle sottoscrizioni, vedere Usare più sottoscrizioni di Azure.

Per altri metodi di autenticazione, vedere Accedere con l'interfaccia della riga di comando di Azure.

Installare l'estensione

Per installare l'estensione dell'interfaccia della riga di comando (v1):

az extension add -n azure-cli-ml

Aggiornare l'estensione

Per aggiornare l'estensione dell'interfaccia della riga di comando di Azure Machine Learning, usare il comando seguente:

az extension update -n azure-cli-ml

Rimuovere l'estensione

Per rimuovere l'estensione dell'interfaccia della riga di comando, usare il comando seguente:

az extension remove -n azure-cli-ml

Resource management

I comandi seguenti illustrano come usare l'interfaccia della riga di comando per gestire le risorse usate da Azure Machine Learning.

Se non è già disponibile, creare un gruppo di risorse:
```
az group create -n myresourcegroup -l westus2
```
Creare un'area di lavoro di Azure Machine Learning:
```
az ml workspace create -w myworkspace -g myresourcegroup
```
Per altre informazioni, vedere az ml workspace create.
Allegare una configurazione di un'area di lavoro a una cartella per abilitare la consapevolezza contestuale dell'interfaccia della riga di comando.
```
az ml folder attach -w myworkspace -g myresourcegroup
```
Questo comando crea una .azureml sottodirectory che contiene i file di ambiente runconfig e conda di esempio. Contiene anche un file config.json usato per comunicare con l'area di lavoro di Azure Machine Learning.

Per altre informazioni, vedere az ml folder attach.
Allegare un contenitore BLOB di Azure come archivio dati.
```
az ml datastore attach-blob  -n datastorename -a accountname -c containername
```
Per altre informazioni, vedere az ml datastore attach-blob.
Caricare file in un archivio dati.
```
az ml datastore upload  -n datastorename -p sourcepath
```
Per altre informazioni, vedere az ml datastore upload.
Allegare un cluster AKS come destinazione di calcolo.
```
az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
```
Per altre informazioni, vedere az ml computetarget attach aks

Cluster di elaborazione

Creare un nuovo cluster di calcolo gestito.

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

Creare un nuovo cluster di calcolo gestito con identità gestita

Identità gestita assegnata dall'utente

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>'

Identità gestita assegnata dal sistema

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

Aggiungere un'identità gestita a un cluster esistente:

Identità gestita assegnata dall'utente

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

Identità gestita assegnata dal sistema

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

Per altre informazioni, vedere az ml computetarget create amlcompute.

Nota

I cluster di calcolo di Azure Machine Learning supportano una sola identità assegnata dal sistema o più identità assegnate dall'utente, non entrambe contemporaneamente.

Istanza di calcolo

Gestire le istanze di calcolo. In tutti gli esempi seguenti, il nome dell'istanza di calcolo è cpu

Creare una nuova istanza di calcolo.
```
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
```
Per altre informazioni, vedere az ml computetarget create computeinstance.
Arrestare una computeinstance.
```
az ml computetarget computeinstance stop -n cpu -v
```
Per altre informazioni, vedere az ml computetarget computeinstance stop.
Avviare un'istanza di calcolo.
```
az ml computetarget computeinstance start -n cpu -v
```
Per altre informazioni, vedere az ml computetarget computeinstance start.
Riavviare un'istanza di calcolo.
```
az ml computetarget computeinstance restart -n cpu -v
```
Per altre informazioni, vedere az ml computetarget computeinstance restart.
Eliminare un'istanza di calcolo.
```
az ml computetarget delete -n cpu -v
```
Per altre informazioni, vedere az ml computetarget delete computeinstance.

Eseguire esperimenti

Avviare un'esecuzione dell'esperimento. Quando si usa questo comando, specificare il nome del file runconfig (il testo prima di *.runconfig se si sta esaminando il file system) con il parametro -c.
```
az ml run submit-script -c sklearn -e testexperiment train.py
```
Suggerimento

Il comando az ml folder attach crea una sottodirectory .azureml che contiene due file runconfig di esempio.

Se si dispone di uno script Python che crea un oggetto di configurazione di esecuzione a livello di codice, è possibile usare RunConfig.save() per salvarlo come file runconfig.

Lo schema runconfig completo è disponibile in questo file JSON. Lo schema è autoesplicativo tramite la chiave description di ogni oggetto. Sono inoltre disponibili enumerazioni per i valori possibili e un frammento di modello alla fine.

Per altre informazioni, vedere az ml run submit-script.
Visualizzare un elenco di esperimenti:
```
az ml experiment list
```
Per altre informazioni, vedere az ml experiment list.

Esecuzione di HyperDrive

È possibile usare HyperDrive con l'interfaccia della riga di comando di Azure per le esecuzioni di ottimizzazione dei parametri. Prima di tutto, creare un file di configurazione di HyperDrive nel formato seguente. Per informazioni dettagliate sui parametri di ottimizzazione degli iperparametri, vedere l'articolo Ottimizzare gli iperparametri per il modello.

# 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.

Aggiungere questo file insieme ai file della configurazione di esecuzione. Inviare quindi un'esecuzione HyperDrive usando il codice seguente:

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

Prendere nota della sezione arguments in runconfig e dello spazio dei parametri nella configurazione di HyperDrive. Contengono gli argomenti della riga di comando da passare allo script di training. Il valore in runconfig rimane invariato per ogni iterazione, mentre l'intervallo nella configurazione di HyperDrive viene iterato. Non specificare lo stesso argomento in entrambi i file.

Gestione dei set di dati

I comandi seguenti illustrano come usare i set di dati in Azure Machine Learning:

Registrare un set di dati:
```
az ml dataset register -f mydataset.json
```
Per informazioni sul formato del file JSON usato per definire il set di dati, usare az ml dataset register --show-template.

Per altre informazioni, vedere az ml dataset register.
Elencare tutti i set di dati in un'area di lavoro:
```
az ml dataset list
```
Per altre informazioni, vedere az ml dataset list.
Ottenere dettagli su un set di dati:
```
az ml dataset show -n dataset-name
```
Per altre informazioni, vedere az ml dataset show.
Annullare la registrazione di un set di dati:
```
az ml dataset unregister -n dataset-name
```
Per altre informazioni, vedere az ml dataset unregister.

Gestione dell'ambiente

I comandi seguenti illustrano come creare, registrare ed elencare gli ambienti di Azure Machine Learning per l'area di lavoro in uso:

Creare file scaffolding per un ambiente:
```
az ml environment scaffold -n myenv -d myenvdirectory
```
Per altre informazioni, vedere az ml environment scaffold.
Registrare un ambiente:
```
az ml environment register -d myenvdirectory
```
Per altre informazioni, vedere az ml environment register.
Elencare ambienti registrati:
```
az ml environment list
```
Per altre informazioni, vedere az ml environment list.
Scaricare un ambiente registrato:
```
az ml environment download -n myenv -d downloaddirectory
```
Per altre informazioni, vedere az ml environment download.

Schema di configurazione dell'ambiente

Se è stato usato il comando az ml environment scaffold, viene generato un file azureml_environment.json di modello che può essere modificato e usato per creare configurazioni personalizzate dell'ambiente con l'interfaccia della riga di comando. L'oggetto di livello principale viene mappato liberamente alla classe Environment in Python SDK.

{
    "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
}

La tabella seguente descrive in dettaglio ogni campo di primo livello nel file JSON, il relativo tipo e una descrizione. Se un tipo di oggetto è collegato a una classe da Python SDK, esiste una corrispondenza 1:1 libera tra ogni campo JSON e il nome della variabile pubblica nella classe Python. In alcuni casi, il campo può eseguire il mapping a un argomento del costruttore anziché a una variabile di classe. Ad esempio, il campo environmentVariables viene mappato alla variabile environment_variables nella classe Environment.

Campo JSON	Type	Descrizione
`name`	`string`	Nome dell'ambiente. Non iniziare il nome con Microsoft o AzureML.
`version`	`string`	Versione dell'ambiente.
`environmentVariables`	`{string: string}`	Una mappa di hash dei nomi e dei valori delle variabili di ambiente.
`python`	`PythonSection`hat definisce l'ambiente Python e l'interprete da usare nella risorsa di calcolo di destinazione.
`docker`	`DockerSection`	Definisce le impostazioni per personalizzare l'immagine Docker compilata in base alle specifiche dell'ambiente.
`spark`	`SparkSection`	La sezione configura le impostazioni di Spark. Viene usato solo quando il framework è impostato su PySpark.
`databricks`	`DatabricksSection`	Configura le dipendenze della libreria Databricks.
`inferencingStackVersion`	`string`	Specifica la versione dello stack di inferenza aggiunta all'immagine. Per evitare di aggiungere uno stack di inferenza, lasciare questo campo `null`. Valore valido: "latest".

Gestione pipeline ML

I comandi seguenti illustrano come usare le pipeline di Machine Learning:

Creare una pipeline di Machine Learning:
```
az ml pipeline create -n mypipeline -y mypipeline.yml
```
Per altre informazioni, vedere az ml pipeline create.

Per altre informazioni sul file YAML della pipeline, vedere Definire le pipeline di Machine Learning in YAML.
Eseguire una pipeline:
```
az ml run submit-pipeline -n myexperiment -y mypipeline.yml
```
Per altre informazioni, vedere az ml run submit-pipeline.

Per altre informazioni sul file YAML della pipeline, vedere Definire le pipeline di Machine Learning in YAML.

Pianificare una pipeline:

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

Per altre informazioni, vedere az ml pipeline create-schedule.

Registrazione, profilatura e distribuzione di un modello

I comandi seguenti illustrano come registrare un modello con training e quindi distribuirlo come servizio di produzione:

Registrare un modello con Azure Machine Learning:
```
az ml model register -n mymodel -p sklearn_regression_model.pkl
```
Per altre informazioni, vedere az ml model register.

FACOLTATIVO Profilare il modello per ottenere valori ottimali per la CPU e la memoria per la distribuzione.

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

Per altre informazioni, vedere az ml model profile.

Distribuire il modello nel servizio Azure Kubernetes
```
az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
```
Per altre informazioni sullo schema di un file di configurazione dell'inferenza, vedere Schema di configurazione dell'inferenza.

Per altre informazioni sullo schema di un file di configurazione della distribuzione, vedere Schema di configurazione della distribuzione.

Per altre informazioni, vedere az ml model deploy.

Schema di configurazione dell'inferenza

Le voci del documento inferenceconfig.json vengono mappate ai parametri della classe InferenceConfig. La tabella seguente descrive il mapping tra le entità nel documento JSON e i parametri per il metodo:

Entità JSON	Parametro per il metodo	Descrizione
`entryScript`	`entry_script`	Percorso di un file locale che contiene il codice da eseguire per l'immagine.
`sourceDirectory`	`source_directory`	Facoltativa. Percorso delle cartelle che contengono tutti i file per la creazione dell'immagine, semplificando l'accesso a qualsiasi file all'interno di questa cartella o sottocartella. È possibile caricare un'intera cartella dal computer locale come dipendenze per il servizio Web. Nota: i percorsi your entry_script, conda_file e extra_docker_file_steps sono relativi al percorso source_directory.
`environment`	`environment`	Facoltativa. Ambiente di Azure Machine Learning.

Nei file di configurazione dell'inferenza è possibile includere le specifiche complete di un ambiente di Azure Machine Learning. Se l'ambiente non esiste nell'area di lavoro, Azure Machine Learning lo creerà. In caso contrario, Azure Machine Learning aggiornerà l'ambiente, se necessario. Di seguito è riportato un file JSON di esempio:

{
    "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"
    }
}

È anche possibile usare un ambiente di Azure Machine Learning esistente nei parametri dell'interfaccia della riga di comando separati e rimuovere la chiave "environment" dal file di configurazione dell'inferenza. Usare -e per il nome dell'ambiente e --ev per la versione. Se non si specifica--ev, verrà usata la versione più recente. Ecco un esempio di file di configurazione dell'inferenza:

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

Il comando seguente illustra come distribuire un modello usando il file di configurazione dell'inferenza precedente (denominato myInferenceConfig.json).

Usa inoltre la versione più recente di un ambiente di Azure Machine Learning esistente (denominato AzureML-Minimal).

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

Schema di configurazione della distribuzione

Schema di configurazione della distribuzione locale

Le voci del documento deploymentconfig.json vengono associate ai parametri di LocalWebservice.deploy_configuration. La tabella seguente descrive il mapping tra le entità nel documento JSON e i parametri per il metodo:

Entità JSON	Parametro per il metodo	Descrizione
`computeType`	ND	La destinazione di calcolo. Per le destinazioni locali, il valore deve essere `local`.
`port`	`port`	La porta locale su cui esporre l'endpoint HTTP del servizio.

Il codice JSON seguente è un esempio di configurazione della distribuzione da usare con l'interfaccia della riga di comando:

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

Salvare questo codice JSON come file denominato deploymentconfig.json.

Schema di configurazione della distribuzione dell'istanza di contenitore di Azure

Le voci del documento deploymentconfig.json vengono mappate ai parametri di AciWebservice.deploy_configuration. La tabella seguente descrive il mapping tra le entità nel documento JSON e i parametri per il metodo:

Entità JSON	Parametro per il metodo	Descrizione
`computeType`	ND	La destinazione di calcolo. Per Istanze di Azure Container, il valore deve essere `ACI`.
`containerResourceRequirements`	ND	Contenitore per le entità CPU e memoria.
`cpu`	`cpu_cores`	Il numero di core di CPU da allocare. Il valore predefinito è `0.1`
`memoryInGB`	`memory_gb`	La quantità di memoria (in GB) da allocare per questo servizio Web. Il valore predefinito è `0.5`
`location`	`location`	L'area di Azure in cui distribuire questo servizio Web. Se non specificata, verrà usata la località dell'area di lavoro. Altre informazioni sulle aree disponibili sono disponibili qui: Aree del servizio Istanze di Azure Container
`authEnabled`	`auth_enabled`	Indica se abilitare o meno l'autenticazione per questo servizio Web. Il valore predefinito è False
`sslEnabled`	`ssl_enabled`	Indica se abilitare o meno SSL per questo servizio Web. Il valore predefinito è False.
`appInsightsEnabled`	`enable_app_insights`	Indica se abilitare o meno AppInsights per questo servizio Web. Il valore predefinito è False
`sslCertificate`	`ssl_cert_pem_file`	Il file cert necessario se SSL è abilitato
`sslKey`	`ssl_key_pem_file`	Il file di chiave necessario se SSL è abilitato
`cname`	`ssl_cname`	Il record CNAME necessario se SSL è abilitato
`dnsNameLabel`	`dns_name_label`	L'etichetta del nome DNS per l'endpoint di assegnazione di punteggi. Se non specificata, per l'endpoint di assegnazione di punteggi verrà generata un'etichetta univoca del nome DNS.

Il codice JSON seguente è un esempio di configurazione della distribuzione da usare con l'interfaccia della riga di comando:

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

Schema di configurazione della distribuzione rete del servizio Azure Kubernetes

Le voci del documento deploymentconfig.json vengono mappate ai parametri di AksWebservice.deploy_configuration. La tabella seguente descrive il mapping tra le entità nel documento JSON e i parametri per il metodo:

Entità JSON	Parametro per il metodo	Descrizione
`computeType`	ND	La destinazione di calcolo. Per il servizio Azure Kubernetes, il valore deve essere `aks`.
`autoScaler`	ND	Contiene gli elementi di configurazione per la scalabilità automatica. Vedere la tabella sulla scalabilità automatica.
`autoscaleEnabled`	`autoscale_enabled`	Indica se abilitare o meno la scalabilità automatica per il servizio Web. Se `numReplicas` = `0`, `True`; in caso contrario, `False`.
`minReplicas`	`autoscale_min_replicas`	Il numero minimo di contenitori da usare per la scalabilità automatica di questo servizio Web. Impostazione predefinita: `1`.
`maxReplicas`	`autoscale_max_replicas`	Il numero massimo di contenitori da usare per la scalabilità automatica di questo servizio Web. Impostazione predefinita: `10`.
`refreshPeriodInSeconds`	`autoscale_refresh_seconds`	La frequenza dei tentativi di dimensionamento automatico di questo servizio Web. Impostazione predefinita: `1`.
`targetUtilization`	`autoscale_target_utilization`	L'utilizzo di destinazione (in percentuale su 100) che è necessario provare a mantenere per la scalabilità automatica di questo servizio Web. Impostazione predefinita: `70`.
`dataCollection`	ND	Contiene gli elementi di configurazione per la raccolta di dati.
`storageEnabled`	`collect_model_data`	Indica se abilitare o meno la raccolta di dati del modello per il servizio Web. Impostazione predefinita: `False`.
`authEnabled`	`auth_enabled`	Indica se abilitare o meno l'autenticazione della chiave per il servizio Web. `tokenAuthEnabled` e `authEnabled` non possono essere entrambi `True`. Impostazione predefinita: `True`.
`tokenAuthEnabled`	`token_auth_enabled`	Indica se abilitare o meno l'autenticazione del token per il servizio Web. `tokenAuthEnabled` e `authEnabled` non possono essere entrambi `True`. Impostazione predefinita: `False`.
`containerResourceRequirements`	ND	Contenitore per le entità CPU e memoria.
`cpu`	`cpu_cores`	Il numero di core di CPU da allocare per questo servizio Web. Il valore predefinito è `0.1`
`memoryInGB`	`memory_gb`	La quantità di memoria (in GB) da allocare per questo servizio Web. Il valore predefinito è `0.5`
`appInsightsEnabled`	`enable_app_insights`	Indica se abilitare o meno la registrazione di Application Insights per il servizio Web. Impostazione predefinita: `False`.
`scoringTimeoutMs`	`scoring_timeout_ms`	Il timeout da applicare per l'assegnazione del punteggio alle chiamate al servizio Web. Impostazione predefinita: `60000`.
`maxConcurrentRequestsPerContainer`	`replica_max_concurrent_requests`	Il numero massimo di richieste simultanee per nodo per questo servizio Web. Impostazione predefinita: `1`.
`maxQueueWaitMs`	`max_request_wait_time`	Il tempo massimo di permanenza di una richiesta nella coda (in millisecondi) prima che venga restituito un errore 503. Impostazione predefinita: `500`.
`numReplicas`	`num_replicas`	Il numero di contenitori da allocare per questo servizio Web. Nessun valore predefinito. Se questo parametro non è impostato, la scalabilità automatica è abilitata per impostazione predefinita.
`keys`	ND	Contiene gli elementi di configurazione per le chiavi.
`primaryKey`	`primary_key`	Una chiave di autenticazione primaria da usare per questo servizio Web
`secondaryKey`	`secondary_key`	Una chiave di autenticazione secondaria da usare per questo servizio Web
`gpuCores`	`gpu_cores`	Il numero di core di GPU (replica per contenitore) da allocare per questo servizio Web. Il valore predefinito è 1. Supporta solo valori numerici interi.
`livenessProbeRequirements`	ND	Contiene gli elementi di configurazione per i requisiti del probe di attività.
`periodSeconds`	`period_seconds`	La frequenza (in secondi) con cui eseguire il probe di attività. Il valore predefinito è 10 secondi. Il valore minimo è 1.
`initialDelaySeconds`	`initial_delay_seconds`	Il numero di secondi dopo l'avvio del contenitore prima che vengano avviati i probe di attività. Il valore predefinito è 310
`timeoutSeconds`	`timeout_seconds`	Il numero di secondi trascorsi i quali si verifica il timeout del probe di attività. Il valore predefinito è 2 secondi. Il valore minimo è 1
`successThreshold`	`success_threshold`	Il numero minimo di successi consecutivi perché il probe di attività venga considerato riuscito dopo un errore. Assume il valore predefinito 1. Il valore minimo è 1.
`failureThreshold`	`failure_threshold`	Quando un pod viene avviato e il probe di attività non riesce, Kubernetes continuerà a provare per il numero di volte indicato in failureThreshold prima di rinunciare. Il valore predefinito è 3. Il valore minimo è 1.
`namespace`	`namespace`	Lo spazio dei nomi di Kubernetes in cui è distribuito il servizio Web. Fino a 63 caratteri alfanumerici minuscoli ('a'-'z', '0'-'9') e trattini ('-'). Il primo e l'ultimo carattere non possono essere trattini.

Il codice JSON seguente è un esempio di configurazione della distribuzione da usare con l'interfaccia della riga di comando:

{
    "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
    }
}

Installare & usare l'interfaccia della riga di comando (v1)

Prerequisiti

Documentazione di riferimento completa

Connettere l'interfaccia della riga di comando alla sottoscrizione di Azure

Installare l'estensione

Aggiornare l'estensione

Rimuovere l'estensione

Resource management

Cluster di elaborazione

Istanza di calcolo

Eseguire esperimenti

Esecuzione di HyperDrive

Gestione dei set di dati

Gestione dell'ambiente

Schema di configurazione dell'ambiente

Gestione pipeline ML

Registrazione, profilatura e distribuzione di un modello

Schema di configurazione dell'inferenza

Schema di configurazione della distribuzione

Schema di configurazione della distribuzione locale

Schema di configurazione della distribuzione dell'istanza di contenitore di Azure

Schema di configurazione della distribuzione rete del servizio Azure Kubernetes

Passaggi successivi

Risorse aggiuntive