Veri içeri aktarma işlerini zamanlama (önizleme)

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Bu makalede, program aracılığıyla veri içeri aktarmaları zamanlamayı ve aynı işlemi yapmak için zamanlama kullanıcı arabirimini kullanmayı öğreneceksiniz. Geçen süreyi temel alan bir zamanlama oluşturabilirsiniz. Zaman tabanlı zamanlamalar, verileri güncel tutmak için düzenli olarak içeri aktarma gibi rutin görevleri yerine getirmek için kullanılabilir. Zamanlama oluşturma hakkında bilgi edindikten sonra CLI, SDK ve studio kullanıcı arabirimi aracılığıyla bunları nasıl alacağınızı, güncelleştireceğinizi ve devre dışı bırakacağınızı öğreneceksiniz.

Önkoşullar

• Azure Machine Learning'i kullanmak için bir Azure aboneliğiniz olmalıdır. Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun. Azure Machine Learning'in ücretsiz veya ücretli sürümünü bugün deneyin.

Azure CLI

• Azure CLI'yi ve uzantıyı ml yükleyin. CLI'yı (v2) yükleme, ayarlama ve kullanma makalesindeki yükleme adımlarını izleyin.

• Azure Machine Learning çalışma alanınız yoksa oluşturun. Çalışma alanı oluşturmak için bkz . CLI'yi (v2) yükleme, ayarlama ve kullanma.

Python SDK'sı

• Azure Machine Learning çalışma alanınız yoksa oluşturun.
• Python için Azure Machine Learning SDK v2.

Stüdyo

• Azure Machine Learning çalışma alanı. Bkz . Çalışma alanı kaynakları oluşturma.
• Azure Machine Learning işlem hatlarını anlama. Makine öğrenmesi işlem hatlarının ne olduğunu ve CLI v2 veya SDK v2'de işlem hattı işi oluşturmayı öğrenin.

Veri içeri aktarmayı zamanlama

Verileri yinelenen olarak içeri aktarmak için bir zamanlama oluşturmanız gerekir. bir Schedule veri içeri aktarma eylemini ve tetikleyiciyi ilişkilendirir. Tetikleyici, çalıştırmalar arasındaki beklemeyi açıklamak için cron ifadesi kullanan veya recurrence işi tetikleme sıklığını kullanan bir tetikleyici olabilircron. Her durumda, önce bir içeri aktarma veri tanımı tanımlamanız gerekir. Var olan bir veri içeri aktarma veya satır içinde tanımlanan bir veri içeri aktarma işlemi bunun için çalışır. Bkz. CLI, SDK ve kullanıcı arabiriminde veri içeri aktarma oluşturma.

Bir zamanlama oluşturma

Yineleme deseniyle zamana dayalı zamanlama oluşturma

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

YAML: Yinelenme deseniyle veri içeri aktarma zamanlaması

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_import_schedule
display_name: Simple recurrence import schedule
description: a simple hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML: Yönetilen veri deposunda yinelenenlik deseni ile satır içi veri içeri aktarma tanımını zamanlama

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_recurrence_import_schedule
display_name: Inline recurrence import schedule
description: an inline hourly recurrence import schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspacemanagedstore
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

trigger aşağıdaki özellikleri içerir:

• (Gerekli) type veya recurrence cronzamanlama türünü belirtir. Diğer ayrıntılar için aşağıdaki bölüme bakın.

Ardından, CLI'da şu komutu çalıştırın:

> az ml schedule create -f <file-name>.yml

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import (
    ImportDataSchedule,
    RecurrenceTrigger,
    RecurrencePattern,
)
from datetime import datetime

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()

recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=1, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=recurrence_trigger, import_data=my_data
)

ml_client.schedules.begin_create_or_update(import_schedule).result()

RecurrenceTrigger aşağıdaki özellikleri içerir:

• (Gerekli) Daha iyi kodlama deneyimi sağlamak için yinelenme zamanlaması için kullanırız RecurrenceTrigger .

Stüdyo

Tatmin edici performansa ve çıkışlara sahip bir veri içeri aktarma işlemine sahip olduğunuzda, bu içeri aktarmayı otomatik olarak tetikleyen bir zamanlama ayarlayabilirsiniz.

1. Azure Machine Learning stüdyosu

2. Sol gezinti bölmesindeki Varlıklar'ın altında Veri'yi seçin. Veri içeri aktarma sekmesinde, zamanlama eklemek istediğiniz içeri aktarılan veri varlığını seçin. İşleri içeri aktar geçmişi sayfası, bu ekran görüntüsünde gösterildiği gibi görünmelidir:

   

3. İşleri içeri aktar geçmişi sayfasında en son İş adını içeri aktar bağlantısını seçerek işlem hatları iş ayrıntıları sayfasını şu ekran görüntüsünde gösterildiği gibi açın:

   

4. Herhangi bir veri içeri aktarma işleminin işlem hattı işi ayrıntıları sayfasında Zamanlama ->Yeni zamanlama oluştur'u seçerek bu ekran görüntüsünde gösterildiği gibi zamanlama oluşturma sihirbazını açın:

   

5. Zamanlama oluşturma sihirbazının Temel ayarları şu ekran görüntüsünde gösterilen özelliklere sahiptir:

   

• Ad: Çalışma alanı içindeki zamanlamanın benzersiz tanımlayıcısı.

• Açıklama: zamanlama açıklaması.

• Tetikleyici: Aşağıdaki özellikleri içeren zamanlamanın yinelenme düzeni.

  • Saat dilimi: Tetikleyici saat hesaplaması bu saat dilimini temel alır; (UTC) Eşgüdümlü Evrensel Saat varsayılan olarak.
  • Yinelenme veya Cron ifadesi: Yinelenen düzeni belirtmek için yinelenmeyi seçin. Yinelenme altında, yinelenme sıklığını dakika, saat, gün, hafta veya aya göre belirtebilirsiniz.
  • Başlangıç: Zamanlama ilk olarak bu tarihte etkin hale gelir. Varsayılan olarak, bu zamanlamanın oluşturma tarihidir.
  • Bitiş: Zamanlama bu tarihten sonra etkin olmayacaktır. Varsayılan olarak NONE değeridir ve siz el ile devre dışı bırakılıncaya kadar zamanlamanın etkin kalacağı anlamına gelir.
  • Etiketler: Seçilen zamanlama etiketleri.

  Temel ayarları yapılandırdıktan sonra Gözden Geçir + Oluştur'u seçebilirsiniz. Zamanlama, belirttiğiniz yinelenme düzenine göre verileri içeri aktarma işlemini otomatik olarak gönderir. Ayrıca İleri'yi seçip sihirbazda gezinerek veri içeri aktarma parametrelerini seçebilir veya güncelleştirebilirsiniz.

Not

Bu özellikler CLI ve SDK için geçerlidir:

• (Gerekli) frequency zamanlamanın ne sıklıkta tetiklendiğini açıklayan zaman birimini belirtir. , , hour, dayweekveya monthdeğerlerine minutesahip olabilir.

• (Gerekli) interval zamanlamanın sıklık temelinde ne sıklıkta tetiklendiği belirtir. Bu, zamanlama yeniden başlatılana kadar bekleyebileceğiniz zaman birimi sayısıdır.

• (İsteğe bağlı) schedule , minutesve weekdaysiçeren hoursyinelenme desenini tanımlar.

  • eşit dayolduğundafrequency, bir desen ve minutesbelirtebilirhours.
  • ve montheşit olduğunda week frequency, bir desen , minutes ve weekdaysbelirtebilirhours.
  • hours 0 ile 23 arasında bir tamsayı veya liste olmalıdır.
  • minutes 0 ile 59 arasında bir tamsayı veya liste olmalıdır.
  • weekdays ile arasında bir monday sundaydize veya liste.
  • Atlanırsaschedule, işler ve mantığına start_timefrequency intervalgöre tetikler.

• (İsteğe bağlı) start_time başlangıç tarihini ve saatini saat dilimiyle açıklar. Atlanırsa start_time , start_time iş oluşturma zamanına eşittir. Geçmişteki bir başlangıç zamanı için, ilk iş bir sonraki hesaplanmış çalışma zamanında çalışır.

• (İsteğe bağlı) end_time bir saat dilimiyle bitiş tarihini ve saatini açıklar. Atlanırsa end_time , zamanlama el ile devre dışı bırakılana kadar işleri tetiklemeye devam eder.

• (İsteğe bağlı) time_zone yinelenmenin saat dilimini belirtir. Belirtilmezse varsayılan saat dilimi UTC'dir. Saat dilimi değerleri hakkında daha fazla bilgi edinmek için bkz . saat dilimi değerleri için ek.

Cron ifadesiyle zamana dayalı zamanlama oluşturma

Azure CLI

YAML: Cron ifadesiyle veri içeri aktarma zamanlaması

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

YAML: Cron ifadesiyle veri içeri aktarma zamanlaması (önizleme)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_import_schedule
display_name: Simple cron import schedule
description: a simple hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data: ./my-snowflake-import-data.yaml

YAML: Cron ifadesiyle satır içi veri içeri aktarma tanımını zamanlama (önizleme)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_cron_import_schedule
display_name: Inline cron import schedule
description: an inline hourly cron import schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspaceblobstore/paths/snowflake/${{name}}
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

trigger bölümü zamanlama ayrıntılarını tanımlar ve aşağıdaki özellikleri içerir:

• (Gerekli) type zamanlama türünün olduğunu cronbelirtir.

> az ml schedule create -f <file-name>.yml

Liste burada devam eder:

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import CronTrigger, ImportDataSchedule

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_cron"

cron_trigger = CronTrigger(
    expression="15 10 * * 1",
    start_time=datetime.utcnow(),
    end_time="2023-12-03T18:40:00",
)
import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=cron_trigger, import_data=my_data
)
ml_client.schedules.begin_create_or_update(import_schedule).result()

CronTrigger bölümü zamanlama ayrıntılarını tanımlar ve aşağıdaki özellikleri içerir:

• (Gerekli) Daha iyi kodlama deneyimi sağlamak için yinelenme zamanlaması için kullanırız CronTrigger .

Liste burada devam eder:

Stüdyo

Tatmin edici performansa ve çıkışlara sahip bir veri içeri aktarma işlemine sahip olduğunuzda, bu içeri aktarmayı otomatik olarak tetikleyen bir zamanlama ayarlayabilirsiniz.

1. Azure Machine Learning stüdyosu

2. Sol gezinti bölmesindeki Varlıklar'ın altında Veri'yi seçin. Veri içeri aktarma sekmesinde, zamanlama eklemek istediğiniz içeri aktarılan veri varlığını seçin. İşleri içeri aktar geçmişi sayfası, bu ekran görüntüsünde gösterildiği gibi görünmelidir:

   

3. İşleri içeri aktar geçmişi sayfasında en son İş adını içeri aktar bağlantısını seçerek işlem hatları iş ayrıntıları sayfasını şu ekran görüntüsünde gösterildiği gibi açın:

   

4. Herhangi bir veri içeri aktarma işleminin işlem hattı işi ayrıntıları sayfasında Zamanlama ->Yeni zamanlama oluştur'u seçerek bu ekran görüntüsünde gösterildiği gibi zamanlama oluşturma sihirbazını açın:

   

5. Zamanlama oluşturma sihirbazının Temel ayarları şu ekran görüntüsünde gösterilen özelliklere sahiptir:

   

• Ad: Çalışma alanı içindeki zamanlamanın benzersiz tanımlayıcısı.

• Açıklama: zamanlama açıklaması.

• Tetikleyici: Aşağıdaki özellikleri içeren zamanlamanın yinelenme düzeni.

  • Saat dilimi: Tetikleyici saat hesaplaması bu saat dilimini temel alır; (UTC) Eşgüdümlü Evrensel Saat varsayılan olarak.
  • Yinelenme veya Cron ifadesi: Yinelenen düzeni belirtmek için yinelenmeyi seçin. Cron ifadesi , daha esnek ve özelleştirilmiş yinelenme deseni belirtmenize olanak tanır.
  • Başlangıç: Zamanlama ilk olarak bu tarihte etkin hale gelir. Varsayılan olarak, bu zamanlamanın oluşturma tarihidir.
  • Bitiş: Zamanlama bu tarihten sonra etkin olmayacaktır. Varsayılan olarak NONE değeridir ve siz el ile devre dışı bırakılıncaya kadar zamanlamanın etkin kalacağı anlamına gelir.
  • Etiketler: Seçilen zamanlama etiketleri.

  Temel ayarları yapılandırdıktan sonra Gözden Geçir + Oluştur'u seçebilirsiniz. Zamanlama, belirttiğiniz yinelenme düzenine göre verileri içeri aktarma işlemini otomatik olarak gönderir. Ayrıca İleri'yi seçip sihirbazda gezinerek veri içeri aktarma parametrelerini seçebilir veya güncelleştirebilirsiniz.

• (Gerekli) expression yinelenen bir zamanlamayı ifade etmek için standart bir crontab ifadesi kullanır. Tek bir ifade, boşlukla ayrılmış beş alandan oluşur:

  MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK

  • Alanın tüm değerlerini kapsayan tek bir joker karakter (* ). *gün olarak, ayın tüm günleri anlamına gelir (ay ve yıla göre değişir).

  • expression: "15 16 * * 1" Yukarıdaki örnekteki değeri, her Pazartesi günü saat 23:15 anlamına gelir.

  • Sonraki tabloda her alan için geçerli değerler listelenir:

    Alan	Aralık	Yorum
    MINUTES	0-59	-
    HOURS	0-23	-
    DAYS	-	Desteklenmiyor. Değer yoksayılır ve olarak *değerlendirilir.
    MONTHS	-	Desteklenmiyor. Değer yoksayılır ve olarak *değerlendirilir.
    DAYS-OF-WEEK	0-6	Sıfır (0), Pazar anlamına gelir. Gün adları da kabul edilir.

  • Crontab ifadeleri hakkında daha fazla bilgi edinmek için GitHub'da Crontab İfadesi wiki'sine bakın.

  Önemli

  DAYS ve MONTH desteklenmez. Bu değerlerden birini geçirirseniz, yoksayılır ve olarak *değerlendirilir.

• (İsteğe bağlı) start_time zamanlamanın saat dilimiyle başlangıç tarihini ve saatini belirtir. Örneğin, start_time: "2022-05-10T10:15:00-04:00" zamanlamanın UTC-4 saat diliminde 2022-05-10'da 10:15:00'ten itibaren başlayacağı anlamına gelir. Atlanırsa start_time , start_time zamanlama oluşturma zamanına eşittir. Geçmişteki bir başlangıç zamanı için, ilk iş bir sonraki hesaplanmış çalışma zamanında çalışır.

• (İsteğe bağlı) end_time bitiş tarihini ve saat dilimini açıklar. Atlanırsa end_time , zamanlama el ile devre dışı bırakılana kadar işleri tetiklemeye devam eder.

• (İsteğe bağlı) time_zoneifadenin saat dilimini belirtir. Atlanırsa, saat dilimi varsayılan olarak UTC'dir. Saat dilimi değerleri için eke bakın.

Sınırlamalar:

• Şu anda Azure Machine Learning v2 zamanlaması olay tabanlı tetikleyicileri desteklememektedir.
• Birden çok tetikleyici zaman damgası içeren karmaşık bir yineleme deseni belirtmek için Azure Machine Learning SDK/CLI v2'yi kullanın. Kullanıcı arabirimi yalnızca karmaşık deseni görüntüler ve düzenlemeyi desteklemez.
• Yinelenmeyi her ayın 31. günü olarak ayarlarsanız, zamanlama 31 günden az olan aylarda işleri tetiklemez.

Çalışma alanında zamanlamaları listeleme

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule list

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

schedules = ml_client.schedules.list()
[s.name for s in schedules]

Stüdyo

Stüdyo portalında İşler uzantısının altında Tüm zamanlamalar sekmesini seçin. Bu sekme, SDK/cli/UI tarafından oluşturulan tüm iş zamanlamalarınızı tek bir listede gösterir. Zamanlama listesinde, bu ekran görüntüsünde gösterildiği gibi bu çalışma alanında tüm zamanlamalara genel bir bakış elde etmiş olursunuz:

Zamanlama ayrıntılarını denetleme

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule show -n simple_cron_data_import_schedule

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

Stüdyo

Zamanlama ayrıntıları sayfasını göstermek için bir zamanlama adı seçebilirsiniz. Zamanlama ayrıntıları sayfası, bu ekran görüntüsünde gösterildiği gibi aşağıdaki sekmeleri içerir:

• Genel bakış: Belirtilen zamanlama için temel bilgiler.

  

• İş tanımı: Bu ekran görüntüsünde gösterildiği gibi belirtilen zamanlamanın tetiklediği işi tanımlar:

  

Zamanlamayı güncelleştirme

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule update -n simple_cron_data_import_schedule  --set description="new description" --no-wait

Not

Yalnızca etiketlerden/açıklamalardan fazlasını güncelleştirmek için, az ml schedule create --file update_schedule.yml

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Stüdyo

Veri içeri aktarma tanımını mevcut zamanlamaya güncelleştirme

İçeri aktarma sıklığını değiştirmek veya veri içeri aktarma işi için yeni bir ilişkilendirme oluşturmak için, var olan bir zamanlamanın içeri aktarma tanımını güncelleştirebilirsiniz.

Not

Mevcut bir zamanlamayı güncelleştirmek için, zamanlamanın eski içeri aktarma tanımıyla ilişkisi kaldırılır. Zamanlamada yalnızca bir içeri aktarma işi tanımı olabilir. Ancak, birden çok zamanlama bir veri içeri aktarma tanımını çağırabilir.

1. Azure Machine Learning stüdyosu

2. Sol gezinti bölmesindeki Varlıklar'ın altında Veri'yi seçin. Veri içeri aktarma sekmesinde, zamanlama eklemek istediğiniz içeri aktarılan veri varlığını seçin. Ardından, bu ekran görüntüsünde gösterildiği gibi İşleri içeri aktar geçmişi sayfası açılır:

   

3. İşleri içeri aktar geçmişi sayfasında en son İş adını içeri aktar bağlantısını seçerek işlem hatları iş ayrıntıları sayfasını şu ekran görüntüsünde gösterildiği gibi açın:

   

4. Herhangi bir veri içeri aktarma işleminin işlem hattı işi ayrıntıları sayfasında, bu ekran görüntüsünde gösterildiği gibi Zamanlama ->Mevcut zamanlamaya güncelleştirildi'yi seçerek Zamanlama seç sihirbazını açın:

   

5. Bu ekran görüntüsünde gösterildiği gibi listeden mevcut bir zamanlamayı seçin:

   

   Önemli

   Güncelleştirilecek doğru zamanlamayı seçtiğinizden emin olun. Güncelleştirmeyi tamamladıktan sonra zamanlama farklı veri içeri aktarmalarını tetikler.

6. Zamanlamanın tetikleeceği gelecekteki veri içeri aktarma işlemleri için kaynağı değiştirebilir, hedef yolu sorgulayabilir ve değiştirebilirsiniz.

7. Güncelleştirme işlemini tamamlamak için Gözden Geçir + Güncelleştir'i seçin. Tamamlanan güncelleştirme bir bildirim gönderir.

8. Güncelleştirme tamamlandığında zamanlama ayrıntıları sayfasında yeni veri içeri aktarma tanımını görüntüleyebilirsiniz.

Zamanlama ayrıntı sayfasında güncelleştirme

Zamanlama ayrıntıları sayfasında, bu ekran görüntüsünde gösterildiği gibi, zamanlamanın iş girişi/çıkışı ve çalışma zamanı ayarları dahil olmak üzere hem temel ayarları hem de gelişmiş ayarları güncelleştirmek için Ayarları güncelleştir'i seçebilirsiniz:

Zamanlamayı devre dışı bırakma

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule disable -n simple_cron_data_import_schedule --no-wait

Python SDK'sı

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

Stüdyo

Geçerli zamanlamayı zamanlama ayrıntıları sayfasında devre dışı bırakabilirsiniz. Ayrıca Tüm zamanlamalar sekmesinde zamanlamaları devre dışı bırakabilirsiniz.

Zamanlamayı etkinleştirme

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule enable -n simple_cron_data_import_schedule --no-wait

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

Stüdyo

Zamanlama ayrıntıları sayfasında geçerli zamanlamayı etkinleştirebilirsiniz. Zamanlamaları Tüm zamanlamalar sekmesinden de etkinleştirebilirsiniz.

Zamanlamayı silme

Önemli

Silme işleminden önce zamanlama devre dışı bırakılmalıdır. Silme, kurtarılamaz bir eylemdir. Bir zamanlama silindikten sonra, zamanlamaya asla erişemez veya bu zamanlamadan kurtaramazdınız.

Azure CLI

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule delete -n simple_cron_data_import_schedule

Python SDK'sı

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

Stüdyo

Zamanlama ayrıntıları sayfasından veya tüm zamanlamalar sekmesinden bir zamanlamayı silebilirsiniz.

RBAC (Rol tabanlı erişim denetimi) desteği

Zamanlamalar genellikle üretim için kullanılır. Çalışma alanı yöneticileri, sorunları önlemek için çalışma alanı içinde zamanlama oluşturma ve yönetim izinlerini kısıtlamak isteyebilir.

Şu anda zamanlamalarla ilgili üç eylem kuralı vardır ve bunları Azure portalında yapılandırabilirsiniz. Daha fazla bilgi edinmek için bkz . Azure Machine Learning çalışma alanına erişimi yönetme.

Eylem	Açıklama	Kural
Okundu	Machine Learning çalışma alanında zamanlamaları alma ve listeleme	Microsoft.MachineLearningServices/workspaces/schedules/read
Write	Machine Learning çalışma alanında zamanlama oluşturma, güncelleştirme, devre dışı bırakma ve etkinleştirme	Microsoft.MachineLearningServices/workspaces/schedules/write
Sil	Machine Learning çalışma alanında zamanlama silme	Microsoft.MachineLearningServices/workspaces/schedules/delete

Sonraki adımlar

• CLI (v2) veri içeri aktarma zamanlaması YAML şeması hakkında daha fazla bilgi edinin.
• İçeri aktarılan veri varlıklarını yönetmeyi öğrenin.