Udostępnij za pośrednictwem

Schemat YAML klastra obliczeniowego interfejsu wiersza polecenia (wersja 2) (AmlCompute)

  • Artykuł

DOTYCZY:Rozszerzenie uczenia maszynowego platformy Azure w wersji 2 (bieżąca)

Źródłowy schemat JSON można znaleźć pod adresem https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json.

Uwaga

Składnia YAML szczegółowo w tym dokumencie jest oparta na schemacie JSON dla najnowszej wersji rozszerzenia interfejsu wiersza polecenia uczenia maszynowego w wersji 2. Ta składnia jest gwarantowana tylko do pracy z najnowszą wersją rozszerzenia interfejsu wiersza polecenia uczenia maszynowego w wersji 2. Schematy dla starszych wersji rozszerzeń można znaleźć na stronie https://azuremlschemasprod.azureedge.net/.

Składnia YAML

Klucz Typ Opis Dozwolone wartości Wartość domyślna
$schema ciąg Schemat YAML. Jeśli używasz rozszerzenia programu VS Code usługi Azure Machine Learning do tworzenia pliku YAML, w tym $schema w górnej części pliku, możesz wywoływać schemat i uzupełnianie zasobów.
type ciąg Wymagane. Typ obliczeń. amlcompute
name ciąg Wymagane. Nazwa obliczeń.
description ciąg Opis obliczeń.
location ciąg Lokalizacja obliczeń. W przypadku pominięcia wartość domyślna to lokalizacja obszaru roboczego.
size ciąg Rozmiar maszyny wirtualnej do użycia dla klastra. Aby uzyskać więcej informacji, zobacz Obsługiwane serie i rozmiary maszyn wirtualnych. Należy pamiętać, że nie wszystkie rozmiary są dostępne we wszystkich regionach. Aby uzyskać listę obsługiwanych rozmiarów w danym regionie, użyj polecenia az ml compute list-sizes. Standard_DS3_v2
tier ciąg Warstwa priorytetu maszyny wirtualnej do użycia dla klastra. Maszyny wirtualne o niskim priorytcie są wstępnie opróżniane, ale są tańsze w porównaniu z dedykowanymi maszynami wirtualnymi. dedicated, low_priority dedicated
min_instances liczba całkowita Minimalna liczba węzłów do użycia w klastrze. Ustawienie minimalnej liczby węzłów w celu 0 zezwalania usłudze Azure Machine Learning na automatyczne skalowanie klastra w dół do zera węzłów, gdy nie jest używany. Każda wartość większa niż 0 zachowa liczbę uruchomionych węzłów, nawet jeśli klaster nie jest używany. 0
max_instances liczba całkowita Maksymalna liczba węzłów do użycia w klastrze. 1
idle_time_before_scale_down liczba całkowita Czas bezczynności węzła w sekundach przed skalowaniem klastra w dół. 120
ssh_public_access_enabled boolean Czy włączyć publiczny dostęp SSH w węzłach klastra. false
ssh_settings object Ustawienia protokołu SSH na potrzeby nawiązywania połączenia z klastrem.
ssh_settings.admin_username ciąg Nazwa konta użytkownika administratora, którego można użyć do SSH w węzłach.
ssh_settings.admin_password ciąg Hasło konta użytkownika administratora. Jeden z elementów admin_password lub ssh_key_value jest wymagany.
ssh_settings.ssh_key_value ciąg Klucz publiczny SSH konta użytkownika administratora. Jeden z elementów admin_password lub ssh_key_value jest wymagany.
network_settings object Ustawienia zabezpieczeń sieci.
network_settings.vnet_name ciąg Nazwa sieci wirtualnej podczas tworzenia nowej sieci lub odwoływania się do istniejącej.
network_settings.subnet ciąg Nazwa podsieci podczas tworzenia nowej sieci wirtualnej lub odwoływania się do istniejącej lub w pełni kwalifikowany identyfikator zasobu podsieci w istniejącej sieci wirtualnej. Nie określaj network_settings.vnet_name , czy określono identyfikator podsieci. Identyfikator podsieci może odwoływać się do sieci wirtualnej/podsieci w innej grupie zasobów.
identity object Konfiguracja tożsamości zarządzanej do przypisania do obliczeń. Klastry AmlCompute obsługują tylko jedną tożsamość przypisaną przez system lub wiele tożsamości przypisanych przez użytkownika, a nie jednocześnie.
identity.type ciąg Typ tożsamości zarządzanej do przypisania do obliczeń. Jeśli typ to user_assigned, identity.user_assigned_identities należy również określić właściwość . system_assigned, user_assigned
identity.user_assigned_identities array Lista w pełni kwalifikowanych identyfikatorów zasobów tożsamości przypisanych przez użytkownika.

Uwagi

Polecenia az ml compute mogą służyć do zarządzania klastrami obliczeniowymi usługi Azure Machine Learning (AmlCompute).

Przykłady

Przykłady są dostępne w repozytorium GitHub przykładów. Poniżej przedstawiono kilka.

YAML: minimalny

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: minimal-example
type: amlcompute

YAML: podstawowy

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: basic-example
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120

YAML: lokalizacja niestandardowa

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: location-example
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120
location: westus

YAML: niski priorytet

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: low-pri-example
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120
tier: low_priority

YAML: nazwa użytkownika i hasło SSH

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: ssh-example
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120
ssh_settings:
  admin_username: example-user
  admin_password: example-password

Następne kroki