CLI (v2) 受控線上部署 YAML 結構描述

發行項
05/02/2024

您可以在找到 https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json來源 JSON 架構。

注意

本文件中詳述的 YAML 語法是以最新版 ML CLI v2 延伸模組的 JSON 結構描述為基礎。此語法僅保證能與最新版的 ML CLI v2 延伸模組搭配運作。您可以在 https://azuremlschemasprod.azureedge.net/ 找到舊版延伸模組的結構描述。

YAML 語法

機碼	類型	描述	允許的值	預設值
`$schema`	string	YAML 結構描述。如果您使用 Azure Machine Learning VS Code 擴充功能來撰寫 YAML 檔案，在檔案頂端包含 `$schema` 可讓您叫用結構描述和資源完成。
`name`	string	必要。部署的名稱。命名規則在這裡定義。
`description`	字串	部署的描述。
`tags`	object	部署標記的字典。
`endpoint_name`	字串	必要。要在其下建立部署的端點名稱。
`model`	字串或物件	要用於部署的模型。此值可以是工作區中現有已建立版本模型的參考，也可以是內嵌模型規格。若要參考現有的模型，請使用 `azureml:<model-name>:<model-version>` 語法。若要內嵌定義模型，請遵循模型架構。作為生產案例的最佳做法，您應該個別建立模型並在這裡參考該模型。此欄位是自訂容器部署案例的選擇性欄位。
`model_mount_path`	字串	在自定義容器中掛接模型的路徑。僅適用於自定義容器部署案例。 `model`如果指定欄位，則會掛接在容器中的這個路徑上。
`code_configuration`	object	評分程式代碼邏輯的設定。此欄位是自訂容器部署案例的選擇性欄位。
`code_configuration.code`	字串	用於評分模型的原始程式碼目錄本機路徑。
`code_configuration.scoring_script`	字串	原始碼目錄中評分檔案的相對路徑。
`environment_variables`	object	在部署容器中設定的環境變數索引鍵/值組字典。您可以從評分腳本存取這些環境變數。
`environment`	字串或物件	必要。要用於部署的環境。此值可以是工作區中現有已建立版本環境的參考，也可以是內嵌環境規格。若要參考現有的環境，請使用 `azureml:<environment-name>:<environment-version>` 語法。若要內嵌定義環境，請遵循環境架構。作為生產案例的最佳做法，您應該個別建立環境並在這裡參考該環境。
`instance_type`	字串	必要。要用於部署的 VM 大小。如需支援的大小清單，請參閱受控線上端點 SKU 清單。
`instance_count`	整數	必要。要用於部署的執行個體數目。根據您預期的工作負載指定值。為了達到高可用性，Microsoft 建議您至少 `3`將它設定為。 `instance_count` 您可以使用命令在部署建立 `az ml online-deployment update` 之後更新。我們會額外保留 20% 來執行升級。如需詳細資訊，請參閱部署的虛擬機配額配置。
`app_insights_enabled`	boolean	是否要啟用與與工作區相關聯之 Azure 應用程式 Insights 實例的整合。		`false`
`scale_settings`	object	部署的調整設定。目前只 `default` 支援縮放類型，因此您不需要指定這個屬性。 `default`使用此調整類型時，您可以藉由更新 `instance_count` 屬性，或建立自動調整原則，在部署建立之後手動相應增加和減少實例計數。
`scale_settings.type`	字串	縮放類型。	`default`	`default`
`data_collector`	object	部署的數據收集設定。如需可設定的屬性集，請參閱 DataCollector 。
`request_settings`	object	為部署評分要求設定。如需可設定的屬性集，請參閱要求設定。
`liveness_probe`	object	用來定期監視容器健全狀況的活躍度探查設定。如需可設定的屬性集，請參閱探查設定。
`readiness_probe`	object	整備探查設定，用於驗證容器是否準備好提供流量。如需可設定的屬性集，請參閱探查設定。
`egress_public_network_access`	字串	注意：當您使用舊版網路隔離方法來保護部署的輸出通訊時，此密鑰適用。強烈建議您改用工作區受控 VNet 來保護部署的輸出通訊。此旗標會藉由限制部署與其所使用的 Azure 資源之間的通訊來保護部署。設定為 `disabled` ，以確保部署所需的模型、程式代碼和映像下載會受到私人端點保護。此旗標僅適用於受控在線端點。	`enabled`, `disabled`	`enabled`

要求設定

機碼	類型	描述	預設值
`request_timeout_ms`	整數	評分逾時以毫秒為單位。請注意，允許的最大值是 `180000` 毫秒。如需詳細資訊，請參閱在線端點的限制。	`5000`
`max_concurrent_requests_per_instance`	整數	每個實例允許部署的並行要求數目上限。注意：如果您使用 Azure 機器學習推斷伺服器或 Azure 機器學習推斷映射，則必須將模型設定為處理並行要求。若要這樣做，請以環境變數的形式傳遞 `WORKER_COUNT: <int>` 。如需的詳細資訊`WORKER_COUNT`，請參閱 Azure 機器學習推斷伺服器參數注意：設定為模型可以在單一節點上同時處理的要求數目。如果將此值設為高於模型的實際並行作業，則可能會導致較高的延遲。設定此值太低可能會導致使用中的節點不足。設定太低也可能會導致要求遭到 429 HTTP 狀態代碼拒絕，因為系統會選擇快速失敗。如需詳細資訊，請參閱針對在線端點進行疑難解答：HTTP 狀態代碼。	`1`
`max_queue_wait_ms`	整數	（已淘汰）要求在佇列中停留的時間上限，以毫秒為單位。（現在增加 `request_timeout_ms` 以考慮任何網路/佇列延遲）	`500`

探查設定

機碼	類型	描述	預設值
`initial_delay`	整數	在啟動探查之前，容器啟動后的秒數。最小值為 `1`。	`10`
`period`	整數	執行探查的頻率（以秒為單位）。	`10`
`timeout`	整數	探查逾時之後的秒數。最小值為 `1`。	`2`
`success_threshold`	整數	探查在失敗后要視為成功的最小連續成功。最小值適用於 `1` 整備探查。即時探查的值會固定為 `1`。	`1`
`failure_threshold`	整數	當探查失敗時，系統會先嘗試 `failure_threshold` 時間再放棄。在活躍度探查的情況下放棄表示容器將會重新啟動。在整備探查的情況下，容器會標示為「未讀取」。最小值為 `1`。	`30`

DataCollector

機碼	類型	描述	預設值
`sampling_rate`	float	要收集的數據小數率表示的百分比。例如，值為 1.0 表示收集 100% 的數據。	`1.0`
`rolling_rate`	字串	分割記憶體中數據的速率。值可以是：Minute、Hour、Day、Month、Year。	`Hour`
`collections`	object	此部署的個別 `collection_name`設定及其各自的設定集。
`collections.<collection_name>`	object	要收集的生產推斷數據的邏輯群組（例如： `model_inputs`）。有兩個保留名稱： `request` 和 `response`，分別對應至 HTTP 要求和響應承載數據收集。所有其他名稱都是任意且可由用戶定義。注意：每個`collection_name`都應該對應至部署`score.py`中用來收集生產推斷數據的物件名稱`Collector`。如需使用提供的 Python SDK 來收集承載數據收集和數據收集的詳細資訊，請參閱從生產環境中模型收集數據。
`collections.<collection_name>.enabled`	boolean	是否要啟用指定 `collection_name`之的數據收集。	`'False''`
`collections.<collection_name>.data.name`	字串	要向收集的數據註冊的數據資產名稱。	`<endpoint>-<deployment>-<collection_name>`
`collections.<collection_name>.data.path`	字串	完整的 Azure 機器學習數據存放區路徑，其中收集的數據應該註冊為數據資產。	`azureml://datastores/workspaceblobstore/paths/modelDataCollector/<endpoint_name>/<deployment_name>/<collection_name>`
`collections.<collection_name>.data.version`	整數	要向 Blob 記憶體中收集的數據註冊的數據資產版本。	`1`

備註

命令az ml online-deployment可用來管理 Azure 機器學習受控在線部署。

範例

範例 GitHub 存放庫中有範例可用。以下顯示其中幾個。

YAML：基本

$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：系統指派的身分識別

$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：使用者指派的身分識別

$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

下一步

安裝和使用 CLI (v2)