Referens för att konfigurera Kubernetes-kluster för Azure Machine Learning
Den här artikeln innehåller referensinformation för att konfigurera Kubernetes med Azure Machine Learning.
Kubernetes-version och region som stöds
Kubernetes-kluster som installerar Azure Machine Learning-tillägget har ett versionsstödfönster med "N-2", som är i linje med azure Kubernetes Service-versionssupportprincipen (AKS), där "N" är den senaste ga-delversionen av Azure Kubernetes Service.
Om AKS till exempel introducerar 1.20.a idag stöds version 1.20.a, 1.20.b, 1.19.c, 1.19.d, 1.18.e och 1.18.f.
Om kunderna kör en Kubernetes-version som inte stöds uppmanas de att uppgradera när de begär support för klustret. Kluster som kör Kubernetes-versioner som inte stöds omfattas inte av supportprinciperna för Azure Machine Learning-tillägget.
Tillgänglighet för Azure Machine Learning-tilläggsregionen:
- Azure Machine Learning-tillägget kan distribueras till AKS- eller Azure Arc-aktiverade Kubernetes i regioner som stöds som anges i Stöd för Azure Arc-aktiverade Kubernetes-regioner.
Rekommenderad resursplanering
När du distribuerar Azure Machine Learning-tillägget distribueras vissa relaterade tjänster till ditt Kubernetes-kluster för Azure Machine Learning. I följande tabell visas relaterade tjänster och deras resursanvändning i klustret:
| Distribuera/daemonset | Replika # | Utbildning | Slutsatsdragning | CPU-begäran(m) | CPU-gräns(m) | Minnesbegäran(Mi) | Minnesgräns(Mi) |
|---|---|---|---|---|---|---|---|
| metrics-controller-manager | 1 | ✓ | ✓ | 10 | 100 | 20 | 300 |
| prometheus-operator | 1 | ✓ | ✓ | 100 | 400 | 128 | 512 |
| Prometheus | 1 | ✓ | ✓ | 100 | 1000 | 512 | 4096 |
| kube-state-metrics | 1 | ✓ | ✓ | 10 | 100 | 32 | 256 |
| gateway | 1 | ✓ | ✓ | 50 | 500 | 256 | 2048 |
| fluent-bit | 1 per nod | ✓ | ✓ | 10 | 200 | 100 | 300 |
| inference-operator-controller-manager | 1 | ✓ | Ej tillämpligt | 100 | 1000 | 128 | 1024 |
| amlarc-identity-controller | 1 | ✓ | Ej tillämpligt | 200 | 1000 | 200 | 1024 |
| amlarc-identity-proxy | 1 | ✓ | Ej tillämpligt | 200 | 1000 | 200 | 1024 |
| azureml-ingress-nginx-controller | 1 | ✓ | Ej tillämpligt | 100 | 1000 | 64 | 512 |
| azureml-fe-v2 | 1 (för testsyfte) eller 3 (för produktionsändamål) |
✓ | Ej tillämpligt | 900 | 2000 | 800 | 1200 |
| onlinedistribution | 1 per distribution | Användarskapad | Ej tillämpligt | <användardefiniering> | <användardefiniering> | <användardefiniering> | <användardefiniering> |
| online-distribution/identitets-sidovagn | 1 per distribution | ✓ | Ej tillämpligt | 10 | 50 | 100 | 100 |
| aml-operator | 1 | Ej tillämpligt | ✓ | 20 | 1020 | 124 | 2168 |
| vulkan-antagning | 1 | Ej tillämpligt | ✓ | 10 | 100 | 64 | 256 |
| vulkankontrollant | 1 | Ej tillämpligt | ✓ | 50 | 500 | 128 | 512 |
| volcano-schedular | 1 | Ej tillämpligt | ✓ | 50 | 500 | 128 | 512 |
Förutom dina egna distributioner/poddar är de totala minimikraven för systemresurser följande:
| Scenario | Aktiverad slutsatsdragning | Aktiverad utbildning | CPU-begäran(m) | CPU-gräns(m) | Minnesbegäran(Mi) | Minnesgräns(Mi) | Nodantal | Rekommenderad minsta vm-storlek | Motsvarande AKS VM SKU |
|---|---|---|---|---|---|---|---|---|---|
| För test | ✓ | Ej tillämpligt | 1780 | 8300 | 2440 | 12296 | 1 nod | 2 vCPU, 7 GiB-minne, 6400 IOPS, 1 500 Mbps BW | DS2v2 |
| För test | Ej tillämpligt | ✓ | 410 | 4420 | 1492 | 10960 | 1 nod | 2 vCPU, 7 GiB-minne, 6400 IOPS, 1 500 Mbps BW | DS2v2 |
| För test | ✓ | ✓ | 1910 | 10420 | 2884 | 15744 | 1 nod | 4 vCPU, 14 GiB-minne, 12800 IOPS, 1500 Mbps BW | DS3v2 |
| För produktion | ✓ | Ej tillämpligt | 3600 | 12700 | 4240 | 15296 | 3 noder | 4 vCPU, 14 GiB-minne, 12800 IOPS, 1500 Mbps BW | DS3v2 |
| För produktion | Ej tillämpligt | ✓ | 410 | 4420 | 1492 | 10960 | 1 noder | 8 vCPU, 28GiB Memroy, 25600 IOPS, 6000Mbps BW | DS4v2 |
| För produktion | ✓ | ✓ | 3730 | 14820 | 4684 | 18744 | 3 noder | 4 vCPU, 14 GiB-minne, 12800 IOPS, 1500 Mbps BW | DS4v2 |
Kommentar
- I testsyfte bör du referera till resursbegäran.
- I produktionssyfte bör du referera till resursgränsen.
Viktigt!
Här följer några andra överväganden som referens:
- För högre nätverksbandbredd och bättre disk-I/O-prestanda rekommenderar vi en större SKU.
- Ta DV2/DSv2 som exempel, med hjälp av den stora SKU:n kan du minska tiden för att hämta avbildningen för bättre nätverks-/lagringsprestanda.
- Mer information om AKS-reservation finns i AKS-reservationen.
- Om du använder AKS-kluster kan du behöva tänka på storleksgränsen för en containeravbildning i AKS. Mer information finns i storleksgränsen för AKS-containeravbildningar.
Förutsättningar för ARO- eller OCP-kluster
Inaktivera Security Enhanced Linux (SELinux)
Azure Machine Learning-datauppsättning (en SDK v1-funktion som används i Azure Machine Learning-träningsjobb) stöds inte på datorer med SELinux aktiverat. Därför måste du inaktivera selinux för alla arbetare för att kunna använda Azure Machine Learning-datauppsättningen.
Privilegierad installation för ARO och OCP
För distribution av Azure Machine Learning-tillägg i ARO- eller OCP-kluster beviljar du privilegierad åtkomst till Azure Machine Learning-tjänstkonton, kör oc edit scc privileged kommandot och lägger till följande tjänstkonton under "användare:":
system:serviceaccount:azure-arc:azure-arc-kube-aad-proxy-sasystem:serviceaccount:azureml:{EXTENSION-NAME}-kube-state-metricssystem:serviceaccount:azureml:prom-admissionsystem:serviceaccount:azureml:defaultsystem:serviceaccount:azureml:prom-operatorsystem:serviceaccount:azureml:load-amlarc-selinux-policy-sasystem:serviceaccount:azureml:azureml-fe-v2system:serviceaccount:azureml:prom-prometheussystem:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:defaultsystem:serviceaccount:azureml:azureml-ingress-nginxsystem:serviceaccount:azureml:azureml-ingress-nginx-admission
Kommentar
{EXTENSION-NAME}: är det tilläggsnamn som angetts med CLI-kommandotaz k8s-extension create --name.{KUBERNETES-COMPUTE-NAMESPACE}: är namnområdet för Kubernetes-beräkningen som anges när beräkningen kopplas till Azure Machine Learning-arbetsytan. Hoppa över attsystem:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:defaultkonfigurera omKUBERNETES-COMPUTE-NAMESPACEärdefault.
Insamlad logginformation
Vissa loggar om Azure Machine Learning-arbetsbelastningar i klustret samlas in via tilläggskomponenter, till exempel status, mått, livscykel osv. I följande lista visas all logginformation som samlats in, inklusive vilken typ av loggar som samlats in och var de skickades till eller lagrades.
| Podd | Beskrivning av resurser | Information om detaljerad loggning |
|---|---|---|
| amlarc-identity-controller | Begära och förnya Azure Blob/Azure Container Registry-token via hanterad identitet. | Används endast när enableInference=true anges när tillägget installeras. Den har spårningsloggar för status för att hämta identitet för slutpunkter som ska autentiseras med Azure Machine Learning-tjänsten. |
| amlarc-identity-proxy | Begära och förnya Azure Blob/Azure Container Registry-token via hanterad identitet. | Används endast när enableInference=true anges när tillägget installeras. Den har spårningsloggar för status för att hämta identitet för klustret att autentisera med Azure Machine Learning Service. |
| aml-operator | Hantera livscykeln för träningsjobb. | Loggarna innehåller status för Azure Machine Learning-träningsjobbspodden i klustret. |
| azureml-fe-v2 | Klientdelskomponenten som dirigerar inkommande slutsatsdragningsbegäranden till distribuerade tjänster. | Åtkomstloggar på begäransnivå, inklusive begärande-ID, starttid, svarskod, felinformation och varaktigheter för svarstid för begäran. Spårningsloggar för tjänstmetadataändringar, tjänst som kör felfri status osv. i felsökningssyfte. |
| gateway | Gatewayen används för att kommunicera och skicka data fram och tillbaka. | Spåra loggar på begäranden från Azure Machine Learning-tjänster till klustren. |
| hälsokontroll | -- | Loggarna innehåller azureml namnområdesresursstatus (Azure Machine Learning-tillägg) för att diagnostisera vad som gör att tillägget inte fungerar. |
| inference-operator-controller-manager | Hantera livscykeln för slutpunkter för slutsatsdragning. | Loggarna innehåller slutpunkten för Azure Machine Learning-slutpunkten och distributionspoddens status i klustret. |
| metrics-controller-manager | Hantera konfigurationen för Prometheus. | Spårningsloggar för status för uppladdning av träningsjobb och slutsatsdragningsdistributionsmått för CPU-användning och minnesanvändning. |
| reläserver | relay-servern behövs endast i arc-anslutna kluster och installeras inte i AKS-kluster. | Relay-servern fungerar med Azure Relay för att kommunicera med molntjänsterna. Loggarna innehåller information på begäransnivå från Azure Relay. |
Azure Machine Learning-jobb ansluter till anpassad datalagring
Beständiga volymer (PV) och beständiga volymanspråk (PVC) är Kubernetes-begrepp, vilket gör det möjligt för användaren att tillhandahålla och använda olika lagringsresurser.
- Skapa PV, ta NFS som exempel,
apiVersion: v1
kind: PersistentVolume
metadata:
name: nfs-pv
spec:
capacity:
storage: 1Gi
accessModes:
- ReadWriteMany
persistentVolumeReclaimPolicy: Retain
storageClassName: ""
nfs:
path: /share/nfs
server: 20.98.110.84
readOnly: false
- Skapa PVC i samma Kubernetes-namnområde med ML-arbetsbelastningar. I
metadatamåste du lägga till en etikettml.azure.com/pvc: "true"som ska identifieras av Azure Machine Learning och lägga till anteckningarml.azure.com/mountpath: <mount path>för att ange monteringssökvägen.
apiVersion: v1
kind: PersistentVolumeClaim
metadata:
name: nfs-pvc
namespace: default
labels:
ml.azure.com/pvc: "true"
annotations:
ml.azure.com/mountpath: "/mnt/nfs"
spec:
storageClassName: ""
accessModes:
- ReadWriteMany
resources:
requests:
storage: 1Gi
Viktigt!
- Endast kommandojobbet/komponenten, hyperdrive-jobbet/komponenten och batchdistributionen stöder anpassad datalagring från PVC(s). > * Onlineslutpunkten, AutoML-jobbet och PRS-jobbet i realtid stöder inte anpassad datalagring från PVC(s).
- Dessutom monteras endast poddarna i samma Kubernetes-namnområde med PVC:erna volymen. Dataexperten kan komma åt angiven
mount pathi PVC-kommentaren i jobbet. AutoML-jobb och Prs-jobb har inte åtkomst till PVC:erna.
Azure Machine Learning-spår och toleranser som stöds
Taint och Toleration är Kubernetes-begrepp som fungerar tillsammans för att säkerställa att poddar inte schemaläggs till olämpliga noder.
Kubernetes-kluster som är integrerade med Azure Machine Learning (inklusive AKS- och Arc Kubernetes-kluster) stöder nu specifika Azure Machine Learning-taints och toleranser, vilket gör det möjligt för användare att lägga till specifika Azure Machine Learning-taints på azure machine learning-dedikerade noder, för att förhindra att icke-Azure Machine Learning-arbetsbelastningar schemaläggs på dessa dedikerade noder.
Vi stöder endast placering av amlarc-specifika taints på dina noder, som definieras på följande sätt:
| Skamfläck | Tangent | Värde | Effekt | beskrivning |
|---|---|---|---|---|
| amlarc övergripande | ml.azure.com/amlarc | true | NoSchedule, NoExecute eller PreferNoSchedule |
Alla Azure Machine Learning-arbetsbelastningar, inklusive tilläggssystemtjänstpoddar och poddar för maskininlärningsarbetsbelastningar, skulle tolerera den här amlarc overall fliken. |
| amlarc-system | ml.azure.com/amlarc-system | true | NoSchedule, NoExecute eller PreferNoSchedule |
Endast systemtjänstpoddar för Azure Machine Learning-tillägg skulle tolerera den här amlarc system fliken. |
| amlarc-arbetsbelastning | ml.azure.com/amlarc-workload | true | NoSchedule, NoExecute eller PreferNoSchedule |
Endast maskininlärningsarbetsbelastningspoddar skulle tolerera den här amlarc workload tainten. |
| amlarc-resursgrupp | ml.azure.com/resource-group | <resursgruppsnamn> | NoSchedule, NoExecute eller PreferNoSchedule |
Endast maskininlärningsarbetsbelastningspoddar som skapats från den specifika resursgruppen skulle tolerera den här amlarc resource group tainten. |
| amlarc-arbetsyta | ml.azure.com/workspace | <arbetsytans namn> | NoSchedule, NoExecute eller PreferNoSchedule |
Endast maskininlärningsarbetsbelastningspoddar som skapats från den specifika arbetsytan skulle tolerera den här amlarc workspace tainten. |
| amlarc-beräkning | ml.azure.com/compute | <beräkningsnamn> | NoSchedule, NoExecute eller PreferNoSchedule |
Endast maskininlärningsarbetsbelastningspoddar som skapats med det specifika beräkningsmålet skulle tolerera den här amlarc compute tainten. |
Dricks
- För Azure Kubernetes Service (AKS) kan du följa exemplet i Metodtips för avancerade scheduler-funktioner i Azure Kubernetes Service (AKS) för att tillämpa taints på nodpooler.
- För Arc Kubernetes-kluster, till exempel lokala Kubernetes-kluster, kan du använda
kubectl taintkommandot för att lägga till taints i noder. Fler exempel finns i Kubernetes-dokumentationen.
Bästa praxis
Enligt dina schemaläggningskrav för de Azure Machine Learning-dedikerade noderna kan du lägga till flera amlarc-specifika taints för att begränsa vad Azure Machine Learning-arbetsbelastningar kan köra på noder. Vi listar metodtips för att använda amlarc taints:
- Om du vill förhindra att icke-Azure Machine Learning-arbetsbelastningar körs på Azure Machine Learning-dedikerade noder/nodpooler kan du bara lägga till taint i
aml overalldessa noder. - För att förhindra att icke-systempoddar körs på Azure Machine Learning-dedikerade noder/nodpooler måste du lägga till följande taints:
amlarc overallSkamfläckamlarc systemSkamfläck
- För att förhindra att icke-ml-arbetsbelastningar körs på Azure Machine Learning-dedikerade noder/nodpooler måste du lägga till följande taints:
amlarc overallSkamfläckamlarc workloadsSkamfläck
- För att förhindra att arbetsbelastningar som inte skapas från arbetsytan X körs på Azure Machine Learning-dedikerade noder/nodpooler måste du lägga till följande taint:
amlarc overallSkamfläckamlarc resource group (has this <workspace X>)Skamfläckamlarc <workspace X>Skamfläck
- Om du vill förhindra att arbetsbelastningar som inte skapas av beräkningsmål X körs på Azure Machine Learning-dedikerade noder/nodpooler måste du lägga till följande taint:
amlarc overallSkamfläckamlarc resource group (has this <workspace X>)Skamfläckamlarc workspace (has this <compute X>)Skamfläckamlarc <compute X>Skamfläck
Integrera annan ingresskontrollant med Azure Machine Learning-tillägget via HTTP eller HTTPS
Förutom standardinferensen för Azure Machine Learning-lastbalanseraren azureml-fe kan du även integrera andra lastbalanserare med Azure Machine Learning-tillägget via HTTP eller HTTPS.
Den här självstudien visar hur du integrerar Nginx-ingresskontrollanten eller Azure Application Gateway.
Förutsättningar
- Distribuera Azure Machine Learning-tillägget med
inferenceRouterServiceType=ClusterIPochallowInsecureConnections=True, så att Nginx Ingress Controller kan hantera TLS-avslutning på egen hand i stället för att överlämna det till azureml-fe när tjänsten exponeras via HTTPS. - För att integrera med Nginx Ingress Controller behöver du en Kubernetes-klusterkonfiguration med Nginx Ingress Controller.
- Skapa en grundläggande kontrollant: Om du börjar från början kan du läsa de här anvisningarna.
- För att integrera med Azure Application Gateway behöver du en Kubernetes-klusterkonfiguration med Ingresskontrollant för Azure Application Gateway.
- Greenfield-distribution: Om du börjar från början kan du läsa de här anvisningarna.
- Distribution av Brownfield: Om du har ett befintligt AKS-kluster och Application Gateway kan du läsa de här anvisningarna.
- Om du vill använda HTTPS i det här programmet behöver du ett x509-certifikat och dess privata nyckel.
Exponera tjänster via HTTP
För att exponera azureml-fe använder vi följande ingressresurs:
# Nginx Ingress Controller example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
name: azureml-fe
namespace: azureml
spec:
ingressClassName: nginx
rules:
- http:
paths:
- path: /
backend:
service:
name: azureml-fe
port:
number: 80
pathType: Prefix
Den här ingressen azureml-fe exponerar tjänsten och den valda distributionen som standardserverdel för Nginx-ingresskontrollanten.
# Azure Application Gateway example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
name: azureml-fe
namespace: azureml
spec:
ingressClassName: azure-application-gateway
rules:
- http:
paths:
- path: /
backend:
service:
name: azureml-fe
port:
number: 80
pathType: Prefix
Den här ingressen azureml-fe exponerar tjänsten och den valda distributionen som standardserverdel för Application Gateway.
Spara ovanstående ingressresurs som ing-azureml-fe.yaml.
Distribuera
ing-azureml-fe.yamlgenom att köra:kubectl apply -f ing-azureml-fe.yamlKontrollera loggen för ingresskontrollanten för distributionsstatus.
azureml-feNu ska programmet vara tillgängligt. Du kan kontrollera genom att besöka:- Nginx Ingress Controller: den offentliga LoadBalancer-adressen för Nginx Ingress Controller
- Azure Application Gateway: den offentliga adressen för Application Gateway.
Skapa ett slutsatsdragningsjobb och anropa.
Kommentar
Ersätt ip-adressen i scoring_uri med den offentliga LoadBalancer-adressen för Nginx-ingresskontrollanten innan du anropar.
Exponera tjänster via HTTPS
Innan du distribuerar ingress måste du skapa en kubernetes-hemlighet som värd för certifikatet och den privata nyckeln. Du kan skapa en kubernetes-hemlighet genom att köra
kubectl create secret tls <ingress-secret-name> -n azureml --key <path-to-key> --cert <path-to-cert>Definiera följande ingress. I ingressen anger du namnet på hemligheten i avsnittet
secretName.# Nginx Ingress Controller example apiVersion: networking.k8s.io/v1 kind: Ingress metadata: name: azureml-fe namespace: azureml spec: ingressClassName: nginx tls: - hosts: - <domain> secretName: <ingress-secret-name> rules: - host: <domain> http: paths: - path: / backend: service: name: azureml-fe port: number: 80 pathType: Prefix# Azure Application Gateway example apiVersion: networking.k8s.io/v1 kind: Ingress metadata: name: azureml-fe namespace: azureml spec: ingressClassName: azure-application-gateway tls: - hosts: - <domain> secretName: <ingress-secret-name> rules: - host: <domain> http: paths: - path: / backend: service: name: azureml-fe port: number: 80 pathType: PrefixKommentar
Ersätt
<domain>och<ingress-secret-name>i ovanstående ingressresurs med domänen som pekar på LoadBalancer för Nginx-ingresskontrollanten /Application Gateway och namnet på din hemlighet. Lagra ovanstående ingressresurs i ett filnamning-azureml-fe-tls.yaml.Distribuera ing-azureml-fe-tls.yaml genom att köra
kubectl apply -f ing-azureml-fe-tls.yamlKontrollera loggen för ingresskontrollanten för distributionsstatus.
Nu är programmet
azureml-fetillgängligt på HTTPS. Du kan kontrollera detta genom att besöka den offentliga LoadBalancer-adressen för Nginx Ingress Controller.Skapa ett slutsatsdragningsjobb och anropa.
Kommentar
Ersätt protokollet och IP-adressen i scoring_uri med https och domän som pekar på LoadBalancer för Nginx-ingresskontrollanten eller Application Gateway innan du anropar.
Använda en ARM-mall till att distribuera tillägg
Tillägg i hanterat kluster kan distribueras med ARM-mall. En exempelmall finns från deployextension.json med en demoparameterfil deployextension.parameters.json
Om du vill använda exempeldistributionsmallen redigerar du parameterfilen med rätt värde och kör sedan följande kommando:
az deployment group create --name <ARM deployment name> --resource-group <resource group name> --template-file deployextension.json --parameters deployextension.parameters.json
Mer information om hur du använder ARM-mall finns i dokumentet om ARM-mallar
Versionsanteckning för AzuremML-tillägg
Kommentar
Nya funktioner släpps i en kalender varannan vecka.
| Datum | Version: | Versionsbeskrivning |
|---|---|---|
| 21 november 2023 | 1.1.39 | Säkerhetsrisker har åtgärdats. Förfinat felmeddelande. Ökad stabilitet för relayserver-API:et. |
| 1 november 2023 | 1.1.37 | Uppdatera dataplanets envoy-version. |
| 11 okt. 2023 | 1.1.35 | Åtgärda sårbar bild. Buggkorrigeringar. |
| 25 aug. 2023 | 1.1.34 | Åtgärda sårbar bild. Returnera mer detaljerat identitetsfel. Buggkorrigeringar. |
| 18 juli 2023 | 1.1.29 | Lägg till nya identitetsoperatorfel. Buggkorrigeringar. |
| Den 4 juni 2023 | 1.1.28 | Förbättra automatisk skalning för att hantera flera nodpooler. Buggkorrigeringar. |
| 18 apr , 2023 | 1.1.26 | Korrigeringar av buggar och sårbarheter. |
| 27 mars 2023 | 1.1.25 | Lägg till begränsning av Azure Machine Learning-jobb. Snabbt fel för träningsjobb när SSH-installationen misslyckades. Minska Prometheus-skrapningsintervallet till 30-talet. Förbättra felmeddelanden för slutsatsdragning. Åtgärda sårbar bild. |
| 7 mar 2023 | 1.1.23 | Ändra standardinstanstyp så att 2Gi-minne används. Uppdatera måttkonfigurationer för scoring-fe som lägger till 15s scrape_interval. Lägg till resursspecifikation för mdc-sidovagn. Åtgärda sårbar bild. Buggkorrigeringar. |
| 14 feb 2023 | 1.1.21 | Buggkorrigeringar. |
| 7 feb 2023 | 1.1.19 | Förbättra felmeddelandet för slutsatsdragning. Uppdatera standardinstanstypen för att använda 2Gi-minnesgräns. Kontrollera hälsotillståndet för klustret för poddhälsa, resurskvot, Kubernetes-version och tilläggsversion. Felkorrigeringar |
| 27 dec 2022 | 1.1.17 | Flytta Fluent-biten från DaemonSet till sidovagnar. Lägg till MDC-stöd. Förfina felmeddelanden. Stöd för klusterlägesjobb (windows, linux). Felkorrigeringar |
| 29 november 2022 | 1.1.16 | Lägg till validering av instanstyp med ny CRD. Stödtolerans. Förkorta SVC-namn. Workload Core-timme. Flera felkorrigeringar och förbättringar. |
| 13 sep 2022 | 1.1.10 | Buggkorrigeringar. |
| 29 aug 2022 | 1.1.9 | Förbättrad logik för hälsokontroll. Buggkorrigeringar. |
| 23 juni 2022 | 1.1.6 | Buggkorrigeringar. |
| 15 juni 2022 | 1.1.5 | Utbildning har uppdaterats för att använda ny vanlig körning för att köra jobb. Azure Relay-användningen för AKS-tillägget har tagits bort. Service Bus-användningen har tagits bort från tillägget. Säkerhetskontextanvändningen har uppdaterats. Uppdaterade slutsatsdragningen azureml-fe till v2. Har uppdaterats för att använda Volcano som schemaläggare för träningsjobb. Buggkorrigeringar. |
| 14 okt 2021 | 1.0.37 | Stöd för PV/PVC-volymmontering i AMLArc-träningsjobb. |
| 16 september 2021 | 1.0.29 | Nya tillgängliga regioner, WestUS, CentralUS, NorthCentralUS, KoreaCentral. Utökningsbarhet för jobbkö. Se information om jobbköer i Azure Machine Learning Workspace Studio. Policy för automatisk avlivning. Stöd max_run_duration_seconds i ScriptRunConfig. Systemet försöker automatiskt avbryta körningen om det tog längre tid än inställningsvärdet. Prestandaförbättringar för stöd för automatisk skalning av kluster. Distribution av Arc-agent och ML-tillägg från det lokala containerregistret. |
| den 24 augusti 2021 | 1.0.28 | Beräkningsinstanstypen stöds i jobbet YAML. Tilldela hanterad identitet till AMLArc-beräkning. |
| den 10 augusti 2021 | 1.0.20 | Nytt Kubernetes-distributionsstöd, K3S – Lightweight Kubernetes. Distribuera Azure Machine Learning-tillägget till ditt AKS-kluster utan att ansluta via Azure Arc. Automatiserad maskininlärning (AutoML) via Python SDK. Använd 2.0 CLI för att koppla Kubernetes-klustret till Azure Machine Learning-arbetsytan. Optimera användningen av PROCESSOR-/minnesresurser för Azure Machine Learning-tilläggskomponenter. |
| den 2 juli 2021 | 1.0.13 | Nytt Stöd för Kubernetes-distributioner, OpenShift Kubernetes och GKE (Google Kubernetes Engine). Stöd för automatisk skalning. Om det användarhanterade Kubernetes-klustret aktiverar automatisk skalning skalas klustret automatiskt ut eller skalas in enligt volymen av aktiva körningar och distributioner. Prestandaförbättring på jobbstartaren, vilket förkortar jobbkörningstiden till en hel del. |