Schemat YAML zarządzanego wdrożenia online interfejsu wiersza polecenia (wersja 2)

Artykuł
09/01/2024

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure ml w wersji 2 (bieżąca)

Źródłowy schemat JSON można znaleźć pod adresem https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.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 pod adresem https://azuremlschemasprod.azureedge.net/.

Składnia YAML

Klucz	Type	Opis	Dozwolone wartości	Domyślna wartość
`$schema`	string	Schemat YAML. Jeśli używasz rozszerzenia programu VS Code usługi Azure Machine Learning do tworzenia pliku YAML, w tym `$schema` w górnej części pliku, możesz wywołać uzupełnianie schematu i zasobów.
`name`	string	Wymagany. Nazwa wdrożenia. W tym miejscu zdefiniowano reguły nazewnictwa.
`description`	string	Opis wdrożenia.
`tags`	obiekt	Słownik tagów wdrożenia.
`endpoint_name`	string	Wymagany. Nazwa punktu końcowego do utworzenia wdrożenia w obszarze.
`model`	ciąg lub obiekt	Model do użycia na potrzeby wdrożenia. Ta wartość może być odwołaniem do istniejącego modelu w wersji w obszarze roboczym lub specyfikacji wbudowanego modelu. Aby odwołać się do istniejącego modelu, użyj `azureml:<model-name>:<model-version>` składni . Aby zdefiniować wbudowany model, postępuj zgodnie ze schematem modelu. Najlepszym rozwiązaniem dla scenariuszy produkcyjnych jest utworzenie modelu oddzielnie i odwołanie do niego w tym miejscu. To pole jest opcjonalne w przypadku niestandardowych scenariuszy wdrażania kontenerów.
`model_mount_path`	string	Ścieżka do zainstalowania modelu w kontenerze niestandardowym. Dotyczy tylko niestandardowych scenariuszy wdrażania kontenerów. `model` Jeśli pole zostanie określone, zostanie ono zainstalowane na tej ścieżce w kontenerze.
`code_configuration`	obiekt	Konfiguracja logiki kodu oceniania. To pole jest opcjonalne w przypadku niestandardowych scenariuszy wdrażania kontenerów.
`code_configuration.code`	string	Ścieżka lokalna do katalogu kodu źródłowego na potrzeby oceniania modelu.
`code_configuration.scoring_script`	string	Ścieżka względna do pliku oceniania w katalogu kodu źródłowego.
`environment_variables`	obiekt	Słownik par klucz-wartość zmiennej środowiskowej do ustawienia w kontenerze wdrażania. Dostęp do tych zmiennych środowiskowych można uzyskać za pomocą skryptów oceniania.
`environment`	ciąg lub obiekt	Wymagany. Środowisko do użycia na potrzeby wdrożenia. Ta wartość może być odwołaniem do istniejącego środowiska w wersji w obszarze roboczym lub specyfikacji środowiska wbudowanego. Aby odwołać się do istniejącego środowiska, użyj `azureml:<environment-name>:<environment-version>` składni . Aby zdefiniować wbudowane środowisko, postępuj zgodnie ze schematem środowiska. Najlepszym rozwiązaniem dla scenariuszy produkcyjnych jest utworzenie środowiska oddzielnie i odwołanie do niego w tym miejscu.
`instance_type`	string	Wymagany. Rozmiar maszyny wirtualnej do użycia na potrzeby wdrożenia. Aby uzyskać listę obsługiwanych rozmiarów, zobacz Lista jednostek SKU zarządzanych punktów końcowych online.
`instance_count`	integer	Wymagany. Liczba wystąpień do użycia na potrzeby wdrożenia. Określ wartość na podstawie oczekiwanego obciążenia. Aby zapewnić wysoką dostępność, firma Microsoft zaleca ustawienie jej na co najmniej `3`. `instance_count` można zaktualizować po utworzeniu wdrożenia za pomocą `az ml online-deployment update` polecenia . Firma Microsoft zastrzega sobie dodatkowe 20% na potrzeby przeprowadzania uaktualnień. Aby uzyskać więcej informacji, zobacz Alokacja przydziału maszyn wirtualnych na potrzeby wdrożenia.
`app_insights_enabled`	boolean	Czy włączyć integrację z wystąpieniem usługi aplikacja systemu Azure Insights skojarzonym z obszarem roboczym.		`false`
`scale_settings`	obiekt	Ustawienia skalowania wdrożenia. Obecnie obsługiwany jest tylko typ skalowania `default` , więc nie trzeba określać tej właściwości. `default` Ten typ skalowania umożliwia ręczne skalowanie liczby wystąpień w górę i w dół po utworzeniu `instance_count` wdrożenia przez zaktualizowanie właściwości lub utworzenie zasad skalowania automatycznego.
`scale_settings.type`	string	Typ skalowania.	`default`	`default`
`data_collector`	obiekt	Ustawienia zbierania danych dla wdrożenia. Zobacz DataCollector , aby zapoznać się z zestawem konfigurowalnych właściwości.
`request_settings`	obiekt	Ustawienia żądania oceniania dla wdrożenia. Zobacz RequestSettings , aby uzyskać zestaw konfigurowalnych właściwości.
`liveness_probe`	obiekt	Ustawienia sondy liveness do regularnego monitorowania kondycji kontenera. Zobacz ProbeSettings , aby uzyskać zestaw konfigurowalnych właściwości.
`readiness_probe`	obiekt	Ustawienia sondy gotowości do sprawdzania poprawności, czy kontener jest gotowy do obsługi ruchu. Zobacz ProbeSettings , aby uzyskać zestaw konfigurowalnych właściwości.
`egress_public_network_access`	string	Uwaga: ten klucz ma zastosowanie, gdy używasz starszej metody izolacji sieciowej do zabezpieczania komunikacji wychodzącej na potrzeby wdrożenia. Zdecydowanie zalecamy zabezpieczenie komunikacji wychodzącej dla wdrożeń przy użyciu zarządzanej sieci wirtualnej obszaru roboczego. Ta flaga zabezpiecza wdrożenie przez ograniczenie komunikacji między wdrożeniem a zasobami platformy Azure używanymi przez to wdrożenie. Ustaw wartość , aby `disabled` upewnić się, że pobieranie modelu, kodu i obrazów wymaganych przez wdrożenie jest zabezpieczone za pomocą prywatnego punktu końcowego. Ta flaga ma zastosowanie tylko dla zarządzanych punktów końcowych online.	`enabled`, `disabled`	`enabled`

RequestSettings

Klucz	Type	Opis	Domyślna wartość
`request_timeout_ms`	integer	Limit czasu oceniania w milisekundach. Należy pamiętać, że dozwolona maksymalna wartość to `180000` milisekundy. Zobacz limity punktów końcowych online, aby uzyskać więcej informacji.	`5000`
`max_concurrent_requests_per_instance`	integer	Maksymalna liczba współbieżnych żądań na wystąpienie dozwolone dla wdrożenia. Uwaga: jeśli używasz serwera wnioskowania usługi Azure Machine Learning lub obrazów wnioskowania usługi Azure Machine Learning, model musi być skonfigurowany do obsługi żądań współbieżnych. W tym celu przekaż `WORKER_COUNT: <int>` jako zmienną środowiskową. Aby uzyskać więcej informacji na temat `WORKER_COUNT`programu , zobacz Azure Machine Learning Inference Server Parameters (Parametry serwera wnioskowania usługi Azure Machine Learning) Uwaga: ustaw na liczbę żądań, które model może przetwarzać współbieżnie w jednym węźle. Ustawienie tej wartości jako wyższej niż rzeczywista współbieżność modelu może doprowadzić do większych opóźnień. Ustawienie tej wartości zbyt małej może prowadzić do wykorzystania węzłów. Ustawienie zbyt małej wartości może również spowodować odrzucenie żądań z kodem stanu HTTP 429, ponieważ system zdecyduje się szybko zakończyć niepowodzeniem. Aby uzyskać więcej informacji, zobacz Rozwiązywanie problemów z punktami końcowymi online: kody stanu HTTP.	`1`
`max_queue_wait_ms`	integer	(Przestarzałe) Maksymalny czas w milisekundach żądania pozostanie w kolejce. (Teraz zwiększ `request_timeout_ms` , aby uwzględnić wszelkie opóźnienia sieci/kolejki)	`500`

ProbeSettings

Klucz	Type	Opis	Domyślna wartość
`initial_delay`	integer	Liczba sekund po uruchomieniu kontenera przed zainicjowaniem sondy. Wartość minimalna to `1`.	`10`
`period`	integer	Jak często (w sekundach) wykonać sondę.	`10`
`timeout`	integer	Liczba sekund, po których sonda upłynął limit czasu. Wartość minimalna to `1`.	`2`
`success_threshold`	integer	Minimalna liczba kolejnych sukcesów dla sondy, która ma zostać uznana za pomyślną po niepodaniu. Minimalna wartość to `1` sonda gotowości. Wartość sondy liveness jest stała jako `1`.	`1`
`failure_threshold`	integer	Gdy sonda zakończy się niepowodzeniem, system spróbuje `failure_threshold` kilka razy przed rezygnacją. Rezygnacja w przypadku sondy liveness oznacza, że kontener zostanie uruchomiony ponownie. W przypadku sondy gotowości kontener zostanie oznaczony jako Nieprzeczytany. Wartość minimalna to `1`.	`30`

DataCollector

Klucz	Type	Opis	Domyślna wartość
`sampling_rate`	liczba zmiennoprzecinkowa	Wartość procentowa, reprezentowana jako współczynnik dziesiętny, danych do zebrania. Na przykład wartość 1,0 reprezentuje zbieranie 100% danych.	`1.0`
`rolling_rate`	string	Szybkość partycjonowania danych w magazynie. Wartość może być następująca: Minuta, Godzina, Dzień, Miesiąc, Rok.	`Hour`
`collections`	obiekt	Zestaw poszczególnych elementów `collection_name`i ich odpowiednich ustawień dla tego wdrożenia.
`collections.<collection_name>`	obiekt	Logiczne grupowanie danych wnioskowania produkcyjnego do zbierania (przykład: `model_inputs`). Istnieją dwie nazwy zarezerwowane: `request` i `response`, które odpowiadają odpowiednio zbieraniu danych żądania HTTP i ładunku odpowiedzi. Wszystkie inne nazwy są dowolne i można je definiować przez użytkownika. Uwaga: Każda `collection_name` z nich powinna odpowiadać nazwie obiektu używanego `Collector` we wdrożeniu `score.py` do zbierania danych wnioskowania produkcyjnego. Aby uzyskać więcej informacji na temat zbierania danych ładunku i zbierania danych przy użyciu dostarczonego zestawu SDK języka Python, zobacz Zbieranie danych z modeli w środowisku produkcyjnym.
`collections.<collection_name>.enabled`	boolean	Czy włączyć zbieranie danych dla określonego `collection_name`elementu .	`'False''`
`collections.<collection_name>.data.name`	string	Nazwa zasobu danych do zarejestrowania się przy użyciu zebranych danych.	`<endpoint>-<deployment>-<collection_name>`
`collections.<collection_name>.data.path`	string	Pełna ścieżka magazynu danych usługi Azure Machine Learning, w której zebrane dane powinny być zarejestrowane jako zasób danych.	`azureml://datastores/workspaceblobstore/paths/modelDataCollector/<endpoint_name>/<deployment_name>/<collection_name>`
`collections.<collection_name>.data.version`	integer	Wersja zasobu danych do zarejestrowania przy użyciu zebranych danych w usłudze Blob Storage.	`1`

Uwagi

Polecenia az ml online-deployment mogą służyć do zarządzania wdrożeniami online zarządzanymi w usłudze Azure Machine Learning.

Przykłady

Przykłady są dostępne w repozytorium GitHub przykłady. Poniżej przedstawiono kilka z poniższych elementów.

YAML: podstawowy

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
endpoint_name: my-endpoint
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score.py
environment: 
  conda_file: ../../model-1/environment/conda.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: green
endpoint_name: my-endpoint
model:
  path: ../../model-2/model/
code_configuration:
  code: ../../model-2/onlinescoring/
  scoring_script: score.py
environment:
  conda_file: ../../model-2/environment/conda.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1

YAML: tożsamość przypisana przez system

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score_managedidentity.py
environment:
  conda_file: ../../model-1/environment/conda-managedidentity.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1
environment_variables:
  STORAGE_ACCOUNT_NAME: "storage_place_holder"
  STORAGE_CONTAINER_NAME: "container_place_holder"
  FILE_NAME: "file_place_holder"

YAML: tożsamość przypisana przez użytkownika

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score_managedidentity.py
environment: 
  conda_file: ../../model-1/environment/conda-managedidentity.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1
environment_variables:
  STORAGE_ACCOUNT_NAME: "storage_place_holder"
  STORAGE_CONTAINER_NAME: "container_place_holder"
  FILE_NAME: "file_place_holder"
  UAI_CLIENT_ID: "uai_client_id_place_holder"

YAML: data_collector

$schema: http://azureml/sdk-2-0/OnlineDeployment.json

endpoint_name: my_endpoint 
name: blue 
model: azureml:my-model-m1:1 
environment: azureml:env-m1:1 
data_collector:
   collections:
       model_inputs:
           enabled: 'True' 
       model_outputs:
           enabled: 'True'

$schema: http://azureml/sdk-2-0/OnlineDeployment.json

endpoint_name: my_endpoint
name: blue 
model: azureml:my-model-m1:1 
environment: azureml:env-m1:1 
data_collector:
   collections:
     request: 
         enabled: 'True'
         data: 
           name: my_request_data_asset 
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/request 
           version: 1 
     response:
         enabled: 'True' 
         data: 
           name: my_response_data_asset
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/response
           version: 1 
     model_inputs:
         enabled: 'True'
         data: 
           name: my_model_inputs_data_asset
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/model_inputs
           version: 1 
     model_outputs:
         enabled: 'True'
         data: 
           name: my_model_outputs_data_asset
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/model_outputs
           version: 1

Następne kroki

Instalowanie i używanie interfejsu wiersza polecenia (wersja 2)

Udostępnij za pośrednictwem