Instalace a použití rozhraní příkazového řádku (v1)

Článek
12/07/2023

PLATÍ PRO:Rozšíření Azure CLI ml v1

Důležité

Některé příkazy Azure CLI v tomto článku používají azure-cli-mlrozšíření Azure Machine Učení ( nebo v1). Podpora rozšíření v1 skončí 30. září 2025. Do tohoto data budete moct nainstalovat a používat rozšíření v1.

Doporučujeme přejít na mlrozšíření (nebo v2) před 30. zářím 2025. Další informace o rozšíření v2 najdete v tématu Rozšíření Azure ML CLI a Python SDK v2.

Azure Machine Učení CLI je rozšíření azure CLI, rozhraní příkazového řádku pro více platforem pro platformu Azure. Toto rozšíření poskytuje příkazy pro práci se službou Azure Machine Učení. Umožňuje automatizovat aktivity strojového učení. Následující seznam obsahuje několik ukázkových akcí, které můžete provést s rozšířením rozhraní příkazového řádku:

Spuštění experimentů pro vytváření modelů strojového učení
Registrace modelů strojového učení pro využití zákazníků
Balení, nasazování a sledování životního cyklu modelů strojového učení

Rozhraní příkazového řádku není náhradou za sadu Azure Machine Učení SDK. Jedná se o doplňkový nástroj, který je optimalizovaný pro zpracování vysoce parametrizovaných úloh, které se dobře hodí pro automatizaci.

Požadavky

Pokud chcete použít rozhraní příkazového řádku, musíte mít předplatné Azure. Pokud ještě nemáte předplatné Azure, vytvořte si napřed bezplatný účet. Vyzkoušejte si bezplatnou nebo placenou verzi služby Azure Machine Učení ještě dnes.
Pokud chcete použít příkazy rozhraní příkazového řádku v tomto dokumentu z místního prostředí, potřebujete Azure CLI.

Pokud používáte Azure Cloud Shell, rozhraní příkazového řádku se přistupuje přes prohlížeč a žije v cloudu.

Dokumentace s úplnými referenčními informacemi

Vyhledejte kompletní referenční dokumentaci pro rozšíření Azure CLI azure-cli-ml.

Připojení rozhraní příkazového řádku k předplatnému Azure

Důležité

Pokud používáte Azure Cloud Shell, můžete tuto část přeskočit. Cloud Shell vás automaticky ověří pomocí účtu, který se přihlásíte ke svému předplatnému Azure.

Existuje několik způsobů, jak se můžete ověřit ve svém předplatném Azure z rozhraní příkazového řádku. Nejzásadnější je interaktivní ověřování pomocí prohlížeče. Pokud chcete provést ověření interaktivně, otevřete příkazový řádek nebo terminál a použijte následující příkaz:

az login

Pokud rozhraní příkazového řádku může spustit výchozí prohlížeč, udělá to a načte přihlašovací stránku. Jinak musíte otevřít prohlížeč a postupovat podle pokynů na příkazovém řádku. Pokyny zahrnují procházení https://aka.ms/devicelogin a zadávání autorizačního kódu.

Tip

Po přihlášení se zobrazí seznam předplatných přidružených k vašemu účtu Azure. Informace o isDefault: true předplatném jsou aktuálně aktivované předplatné pro příkazy Azure CLI. Toto předplatné musí být stejné, které obsahuje váš pracovní prostor Azure Machine Učení. ID předplatného najdete na webu Azure Portal na stránce přehledu vašeho pracovního prostoru.

Pokud chcete vybrat jiné předplatné, použijte az account set -s <subscription name or ID> příkaz a zadejte název nebo ID předplatného, na které chcete přejít. Další informace o výběru předplatného najdete v tématu Použití více předplatných Azure.

Další metody ověřování najdete v tématu Přihlášení pomocí Azure CLI.

Instalace rozšíření

Instalace rozšíření rozhraní příkazového řádku (v1):

az extension add -n azure-cli-ml

Aktualizace rozšíření

Pokud chcete aktualizovat rozšíření rozhraní příkazového řádku Učení počítače, použijte následující příkaz:

az extension update -n azure-cli-ml

Odebrání rozšíření

K odebrání rozšíření rozhraní příkazového řádku použijte následující příkaz:

az extension remove -n azure-cli-ml

Správa prostředků

Následující příkazy ukazují, jak pomocí rozhraní příkazového řádku spravovat prostředky používané službou Azure Machine Učení.

Pokud ho ještě nemáte, vytvořte skupinu prostředků:
```
az group create -n myresourcegroup -l westus2
```
Vytvoření pracovního prostoru azure machine Učení:
```
az ml workspace create -w myworkspace -g myresourcegroup
```
Další informace najdete v tématu az ml workspace create.
Připojte konfiguraci pracovního prostoru ke složce, která umožňuje rozpoznávání kontextu rozhraní příkazového řádku.
```
az ml folder attach -w myworkspace -g myresourcegroup
```
Tento příkaz vytvoří .azureml podadresář, který obsahuje ukázkové soubory prostředí runconfig a conda. Obsahuje také config.json soubor, který se používá ke komunikaci s pracovním prostorem azure machine Učení.

Další informace najdete v tématu az ml folder attach.
Připojte kontejner objektů blob Azure jako úložiště dat.
```
az ml datastore attach-blob  -n datastorename -a accountname -c containername
```
Další informace najdete v tématu az ml datastore attach-blob.
Nahrajte soubory do úložiště dat.
```
az ml datastore upload  -n datastorename -p sourcepath
```
Další informace najdete v tématu az ml datastore upload.
Připojte cluster AKS jako cílový výpočetní objekt.
```
az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
```
Další informace najdete v tématu az ml computetarget attach aks

Výpočetní clustery

Vytvořte nový spravovaný výpočetní cluster.

az ml computetarget create amlcompute -n cpu --min-nodes 1 --max-nodes 1 -s STANDARD_D3_V2

Vytvoření nového spravovaného výpočetního clusteru se spravovanou identitou

Spravovaná identita přiřazená uživatelem

az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'

Spravovaná identita přiřazená systémem

az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '[system]'

Přidání spravované identity do existujícího clusteru:

Spravovaná identita přiřazená uživatelem

az ml computetarget amlcompute identity assign --name cpu-cluster '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'

Spravovaná identita přiřazená systémem

az ml computetarget amlcompute identity assign --name cpu-cluster '[system]'

Další informace najdete v tématu az ml computetarget create amlcompute.

Poznámka:

Výpočetní clustery Azure Machine Učení podporují pouze jednu identitu přiřazenou systémem nebo více identit přiřazených uživatelem, nikoli současně.

Výpočetní instance

Správa výpočetních instancí Ve všech níže uvedených příkladech je název výpočetní instance procesoru.

Vytvořte novou výpočetnístanci.
```
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
```
Další informace najdete v tématu az ml computetarget create computeinstance.
Zastavte výpočetní instance.
```
az ml computetarget computeinstance stop -n cpu -v
```
Další informace najdete v tématu az ml computetarget computeinstance stop.
Spusťte výpočetní instance.
```
az ml computetarget computeinstance start -n cpu -v
```
Další informace najdete v tématu az ml computetarget computeinstance start.
Restartujte výpočetní instance.
```
az ml computetarget computeinstance restart -n cpu -v
```
Další informace najdete v tématu az ml computetarget computeinstance restart.
Odstraňte výpočetní instance.
```
az ml computetarget delete -n cpu -v
```
Další informace najdete v tématu az ml computetarget delete computeinstance.

Spouštění experimentů

Spusťte spuštění experimentu. Při použití tohoto příkazu zadejte název souboru runconfig (text před *.runconfig, pokud se díváte na systém souborů) proti parametru -c.
```
az ml run submit-script -c sklearn -e testexperiment train.py
```
Tip

Příkaz az ml folder attach vytvoří .azureml podadresář, který obsahuje dva příklady souborů runconfig.

Pokud máte skript Pythonu, který vytvoří objekt konfigurace spuštění programově, můžete ho uložit jako soubor RunConfig.save().

Úplné schéma runconfig najdete v tomto souboru JSON. Schéma je samodokumentování prostřednictvím description klíče každého objektu. Kromě toho existují výčty pro možné hodnoty a fragment šablony na konci.

Další informace najdete v příkazu az ml run submit-script.
Zobrazení seznamu experimentů:
```
az ml experiment list
```
Další informace najdete v tématu az ml experiment list.

Spuštění HyperDrivu

K ladění parametrů můžete použít HyperDrive s Azure CLI. Nejprve vytvořte konfigurační soubor HyperDrivu v následujícím formátu. Podrobnosti o parametrech ladění hyperparametrů najdete v článku o ladění hyperparametrů v článku o modelu .

# hdconfig.yml
sampling: 
    type: random # Supported options: Random, Grid, Bayesian
    parameter_space: # specify a name|expression|values tuple for each parameter.
    - name: --penalty # The name of a script parameter to generate values for.
      expression: choice # supported options: choice, randint, uniform, quniform, loguniform, qloguniform, normal, qnormal, lognormal, qlognormal
      values: [0.5, 1, 1.5] # The list of values, the number of values is dependent on the expression specified.
policy: 
    type: BanditPolicy # Supported options: BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy, NoTerminationPolicy
    evaluation_interval: 1 # Policy properties are policy specific. See the above link for policy specific parameter details.
    slack_factor: 0.2
primary_metric_name: Accuracy # The metric used when evaluating the policy
primary_metric_goal: Maximize # Maximize|Minimize
max_total_runs: 8 # The maximum number of runs to generate
max_concurrent_runs: 2 # The number of runs that can run concurrently.
max_duration_minutes: 100 # The maximum length of time to run the experiment before cancelling.

Přidejte tento soubor spolu se spuštěným konfiguračním souborem. Pak odešlete spuštění HyperDrivu pomocí:

az ml run submit-hyperdrive -e <experiment> -c <runconfig> --hyperdrive-configuration-name <hdconfig> my_train.py

Všimněte si oddílu argumentů v konfiguraci runconfig a prostoru parametrů v konfiguraci HyperDrivu. Obsahují argumenty příkazového řádku, které se mají předat trénovacímu skriptu. Hodnota v runconfig zůstává stejná pro každou iteraci, zatímco rozsah v konfiguraci HyperDrivu je iterated over. V obou souborech nezadávejte stejný argument.

Správa datových sad

Následující příkazy ukazují, jak pracovat s datovými sadami ve službě Azure Machine Učení:

Registrace datové sady:
```
az ml dataset register -f mydataset.json
```
Informace o formátu souboru JSON použitého k definování datové sady použijte az ml dataset register --show-template.

Další informace najdete v tématu az ml dataset register.
Zobrazení seznamu všech datových sad v pracovním prostoru:
```
az ml dataset list
```
Další informace najdete v tématu az ml dataset list.
Získání podrobností o datové sadě:
```
az ml dataset show -n dataset-name
```
Další informace najdete v tématu az ml dataset show.
Zrušení registrace datové sady:
```
az ml dataset unregister -n dataset-name
```
Další informace najdete v tématu az ml dataset unregister.

Správa prostředí

Následující příkazy ukazují, jak vytvořit, zaregistrovat a zobrazit seznam prostředí azure Machine Učení pro váš pracovní prostor:

Vytvořte soubory generování uživatelského rozhraní pro prostředí:
```
az ml environment scaffold -n myenv -d myenvdirectory
```
Další informace najdete v tématu az ml environment scaffold.
Registrace prostředí:
```
az ml environment register -d myenvdirectory
```
Další informace najdete v tématu az ml environment register.
Výpis registrovaných prostředí:
```
az ml environment list
```
Další informace najdete v tématu az ml environment list.
Stažení registrovaného prostředí:
```
az ml environment download -n myenv -d downloaddirectory
```
Další informace najdete v tématu az ml environment download.

Schéma konfigurace prostředí

Pokud jste tento příkaz použili az ml environment scaffold , vygeneruje soubor šablony azureml_environment.json , který je možné upravit a použít k vytvoření vlastních konfigurací prostředí pomocí rozhraní příkazového řádku. Objekt nejvyšší úrovně se volně mapuje na Environment třídu v sadě Python SDK.

{
    "name": "testenv",
    "version": null,
    "environmentVariables": {
        "EXAMPLE_ENV_VAR": "EXAMPLE_VALUE"
    },
    "python": {
        "userManagedDependencies": false,
        "interpreterPath": "python",
        "condaDependenciesFile": null,
        "baseCondaEnvironment": null
    },
    "docker": {
        "enabled": false,
        "baseImage": "mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210615.v1",
        "baseDockerfile": null,
        "sharedVolumes": true,
        "shmSize": "2g",
        "arguments": [],
        "baseImageRegistry": {
            "address": null,
            "username": null,
            "password": null
        }
    },
    "spark": {
        "repositories": [],
        "packages": [],
        "precachePackages": true
    },
    "databricks": {
        "mavenLibraries": [],
        "pypiLibraries": [],
        "rcranLibraries": [],
        "jarLibraries": [],
        "eggLibraries": []
    },
    "inferencingStackVersion": null
}

Následující tabulka podrobně popisuje jednotlivá pole nejvyšší úrovně v souboru JSON, jeho typ a popis. Pokud je typ objektu propojený s třídou ze sady Python SDK, je mezi každým polem JSON a názvem veřejné proměnné ve třídě Pythonu volná shoda 1:1. V některých případech se pole může mapovat na argument konstruktoru, nikoli na proměnnou třídy. Například environmentVariables pole se mapuje na proměnnou environment_variablesEnvironment ve třídě.

Pole JSON	Typ	Popis
`name`	`string`	Název prostředí Nezačínejte název s Microsoftem nebo AzureML.
`version`	`string`	Verze prostředí
`environmentVariables`	`{string: string}`	Mapa hodnot hash názvů a hodnot proměnných prostředí
`python`	`PythonSection`Hat definuje prostředí Pythonu a interpret, který se má použít pro cílový výpočetní prostředek.
`docker`	`DockerSection`	Definuje nastavení pro přizpůsobení image Dockeru vytvořené podle specifikací prostředí.
`spark`	`SparkSection`	Oddíl nakonfiguruje nastavení Sparku. Používá se jenom v případech, kdy je architektura nastavená na PySpark.
`databricks`	`DatabricksSection`	Konfiguruje závislosti knihovny Databricks.
`inferencingStackVersion`	`string`	Určuje verzi odvozování zásobníku přidanou do image. Pokud se chcete vyhnout přidání zásobníku odvozování, ponechte toto pole `null`. Platná hodnota: "latest".

Správa kanálů ML

Následující příkazy ukazují, jak pracovat s kanály strojového učení:

Vytvoření kanálu strojového učení:
```
az ml pipeline create -n mypipeline -y mypipeline.yml
```
Další informace najdete v tématu az ml pipeline create.

Další informace o souboru YAML kanálu najdete v tématu Definování kanálů strojového učení v YAML.
Spuštění kanálu:
```
az ml run submit-pipeline -n myexperiment -y mypipeline.yml
```
Další informace najdete v tématu az ml run submit-pipeline.

Další informace o souboru YAML kanálu najdete v tématu Definování kanálů strojového učení v YAML.

Naplánování kanálu:

az ml pipeline create-schedule -n myschedule -e myexperiment -i mypipelineid -y myschedule.yml

Další informace najdete v tématu az ml pipeline create-schedule.

Registrace modelu, profilace, nasazení

Následující příkazy ukazují, jak zaregistrovat natrénovaný model a pak ho nasadit jako produkční službu:

Registrace modelu ve službě Azure Machine Učení:
```
az ml model register -n mymodel -p sklearn_regression_model.pkl
```
Další informace najdete v tématu az ml model register.
VOLITELNÉ Profilování modelu za účelem získání optimálních hodnot procesoru a paměti pro nasazení
```
az ml model profile -n myprofile -m mymodel:1 --ic inferenceconfig.json -d "{\"data\": [[1,2,3,4,5,6,7,8,9,10],[10,9,8,7,6,5,4,3,2,1]]}" -t myprofileresult.json
```
Další informace najdete v tématu az ml model profile.
Nasazení modelu do AKS
```
az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
```
Další informace o schématu konfiguračního souboru odvozování naleznete v tématu Odvozování konfiguračního schématu.

Další informace o schématu konfiguračního souboru nasazení najdete v tématu Schéma konfigurace nasazení.

Další informace najdete v tématu az ml model deploy.

Odvozování schématu konfigurace

Položky v inferenceconfig.json dokumentu mapují na parametry pro třídu InferenceConfig . Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON	Parametr metody	Popis
`entryScript`	`entry_script`	Cesta k místnímu souboru, který obsahuje kód ke spuštění pro image.
`sourceDirectory`	`source_directory`	Nepovinné. Cesta ke složkám, které obsahují všechny soubory k vytvoření image, což usnadňuje přístup k souborům v této složce nebo podsložce. Celou složku můžete nahrát z místního počítače jako závislosti pro webovou službu. Poznámka: Cesty entry_script, conda_file a extra_docker_file_steps jsou relativní k cestě source_directory.
`environment`	`environment`	Nepovinné. Prostředí Azure Machine Učení.

Do konfiguračního souboru odvozování můžete zahrnout úplné specifikace prostředí Azure Machine Učení. Pokud toto prostředí ve vašem pracovním prostoru neexistuje, azure machine Učení ho vytvoří. V opačném případě azure machine Učení prostředí v případě potřeby aktualizuje. Příkladem je následující JSON:

{
    "entryScript": "score.py",
    "environment": {
        "docker": {
            "arguments": [],
            "baseDockerfile": null,
            "baseImage": "mcr.microsoft.com/azureml/intelmpi2018.3-ubuntu18.04",
            "enabled": false,
            "sharedVolumes": true,
            "shmSize": null
        },
        "environmentVariables": {
            "EXAMPLE_ENV_VAR": "EXAMPLE_VALUE"
        },
        "name": "my-deploy-env",
        "python": {
            "baseCondaEnvironment": null,
            "condaDependencies": {
                "channels": [
                    "conda-forge"
                ],
                "dependencies": [
                    "python=3.7",
                    {
                        "pip": [
                            "azureml-defaults",
                            "azureml-telemetry",
                            "scikit-learn==0.22.1",
                            "inference-schema[numpy-support]"
                        ]
                    }
                ],
                "name": "project_environment"
            },
            "condaDependenciesFile": null,
            "interpreterPath": "python",
            "userManagedDependencies": false
        },
        "version": "1"
    }
}

Můžete také použít existující prostředí Azure Machine Učení v oddělených parametrech rozhraní příkazového řádku a odebrat klíč prostředí z konfiguračního souboru odvozování. Pro název prostředí použijte -e a --ev pro verzi prostředí. Pokud nezadáte --ev, použije se nejnovější verze. Tady je příklad konfiguračního souboru odvozování:

{
    "entryScript": "score.py",
    "sourceDirectory": null
}

Následující příkaz ukazuje, jak nasadit model pomocí předchozího konfiguračního souboru odvozování (s názvem myInferenceConfig.json).

Používá také nejnovější verzi existujícího prostředí Azure Machine Učení (s názvem AzureML-Minimal).

az ml model deploy -m mymodel:1 --ic myInferenceConfig.json -e AzureML-Minimal --dc deploymentconfig.json

Schéma konfigurace nasazení

Schéma konfigurace místního nasazení

Položky v deploymentconfig.json dokumentu se mapují na parametry pro LocalWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON	Parametr metody	Popis
`computeType`	NA	Cílový výpočetní objekt. Pro místní cíle musí být `local`hodnota .
`port`	`port`	Místní port, na kterém se má zveřejnit koncový bod HTTP služby.

Tento JSON je ukázková konfigurace nasazení pro použití s rozhraním příkazového řádku:

{
    "computeType": "local",
    "port": 32267
}

Uložte tento JSON jako soubor s názvem deploymentconfig.json.

Schéma konfigurace nasazení služby Azure Container Instance

Položky v deploymentconfig.json dokumentu se mapují na parametry pro AciWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON	Parametr metody	Popis
`computeType`	NA	Cílový výpočetní objekt. Pro ACI musí být `ACI`hodnota .
`containerResourceRequirements`	NA	Kontejner pro entity procesoru a paměti.
`cpu`	`cpu_cores`	Počet jader procesoru, která se mají přidělit. Výchozí `0.1`
`memoryInGB`	`memory_gb`	Velikost paměti (v GB) pro přidělení této webové služby. Výchozí `0.5`
`location`	`location`	Oblast Azure pro nasazení této webové služby do. Pokud nezadáte umístění pracovního prostoru, použije se. Další podrobnosti o dostupných oblastech najdete tady: Oblasti ACI
`authEnabled`	`auth_enabled`	Určuje, jestli chcete povolit ověřování pro tuto webovou službu. Výchozí hodnota je False
`sslEnabled`	`ssl_enabled`	Zda chcete pro tuto webovou službu povolit protokol SSL. Výchozí hodnota je False.
`appInsightsEnabled`	`enable_app_insights`	Zda chcete povolit aplikaci Přehledy pro tuto webovou službu. Výchozí hodnota je False
`sslCertificate`	`ssl_cert_pem_file`	Potřebný soubor certifikátu, pokud je povolený protokol SSL
`sslKey`	`ssl_key_pem_file`	Potřebný soubor klíče, pokud je povolený protokol SSL
`cname`	`ssl_cname`	Název cname pro, pokud je povolený protokol SSL
`dnsNameLabel`	`dns_name_label`	Popisek názvu DNS pro bodovací koncový bod. Pokud nezadáte jedinečný popisek názvu DNS, vygeneruje se pro bodovací koncový bod.

Následující JSON je ukázková konfigurace nasazení pro použití s rozhraním příkazového řádku:

{
    "computeType": "aci",
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    },
    "authEnabled": true,
    "sslEnabled": false,
    "appInsightsEnabled": false
}

Schéma konfigurace nasazení služby Azure Kubernetes Service

Položky v deploymentconfig.json dokumentu se mapují na parametry pro AksWebservice.deploy_configuration. Následující tabulka popisuje mapování mezi entitami v dokumentu JSON a parametry metody:

Entita JSON	Parametr metody	Popis
`computeType`	NA	Cílový výpočetní objekt. Pro AKS musí být `aks`hodnota .
`autoScaler`	NA	Obsahuje elementy konfigurace pro automatické škálování. Podívejte se na tabulku automatického škálování.
`autoscaleEnabled`	`autoscale_enabled`	Určuje, jestli chcete povolit automatické škálování pro webovou službu. Pokud `numReplicas` = `0`, `True`v opačném případě , `False`.
`minReplicas`	`autoscale_min_replicas`	Minimální počet kontejnerů, které se mají použít při automatickém škálování této webové služby. Výchozí, `1`.
`maxReplicas`	`autoscale_max_replicas`	Maximální počet kontejnerů, které se mají použít při automatickém škálování této webové služby. Výchozí, `10`.
`refreshPeriodInSeconds`	`autoscale_refresh_seconds`	Jak často se automatické škálování pokusí tuto webovou službu škálovat. Výchozí, `1`.
`targetUtilization`	`autoscale_target_utilization`	Cílové využití (v procentech z 100), které by se automatické škálování mělo pokusit zachovat pro tuto webovou službu. Výchozí, `70`.
`dataCollection`	NA	Obsahuje konfigurační prvky pro shromažďování dat.
`storageEnabled`	`collect_model_data`	Zda povolit shromažďování dat modelu pro webovou službu Výchozí, `False`.
`authEnabled`	`auth_enabled`	Jestli chcete povolit ověřování pomocí klíče pro webovou službu, nebo ne. Oba `tokenAuthEnabled` a `authEnabled` nemůže být `True`. Výchozí, `True`.
`tokenAuthEnabled`	`token_auth_enabled`	Jestli chcete povolit ověřování tokenů pro webovou službu, nebo ne. Oba `tokenAuthEnabled` a `authEnabled` nemůže být `True`. Výchozí, `False`.
`containerResourceRequirements`	NA	Kontejner pro entity procesoru a paměti.
`cpu`	`cpu_cores`	Počet jader procesoru, která se mají přidělit pro tuto webovou službu. Výchozí `0.1`
`memoryInGB`	`memory_gb`	Velikost paměti (v GB) pro přidělení této webové služby. Výchozí `0.5`
`appInsightsEnabled`	`enable_app_insights`	Jestli chcete povolit protokolování aplikačních Přehledy pro webovou službu. Výchozí, `False`.
`scoringTimeoutMs`	`scoring_timeout_ms`	Časový limit vynucení volání bodování webové služby Výchozí, `60000`.
`maxConcurrentRequestsPerContainer`	`replica_max_concurrent_requests`	Maximální počet souběžných požadavků na uzel pro tuto webovou službu. Výchozí, `1`.
`maxQueueWaitMs`	`max_request_wait_time`	Maximální doba, po kterou požadavek zůstane ve frontě (v milisekundách), než se vrátí chyba 503. Výchozí, `500`.
`numReplicas`	`num_replicas`	Počet kontejnerů, které se mají přidělit pro tuto webovou službu. Žádná výchozí hodnota. Pokud tento parametr není nastavený, automatické škálování je ve výchozím nastavení povolené.
`keys`	NA	Obsahuje elementy konfigurace pro klíče.
`primaryKey`	`primary_key`	Primární ověřovací klíč, který se má použít pro tuto webovou službu
`secondaryKey`	`secondary_key`	Sekundární ověřovací klíč, který se má použít pro tuto webovou službu
`gpuCores`	`gpu_cores`	Počet jader GPU (replika na kontejner), které se mají přidělit pro tuto webovou službu. Výchozí hodnota je 1. Podporuje pouze celé číselné hodnoty.
`livenessProbeRequirements`	NA	Obsahuje elementy konfigurace pro požadavky sondy aktivity.
`periodSeconds`	`period_seconds`	Jak často (v sekundách) se má provést sonda aktivity. Výchozí hodnota je 10 sekund. Minimální hodnota je 1.
`initialDelaySeconds`	`initial_delay_seconds`	Počet sekund po spuštění kontejneru před inicializováním sondy aktivity Výchozí hodnota 310
`timeoutSeconds`	`timeout_seconds`	Počet sekund, po kterých vyprší časový limit sondy aktivity Výchozí hodnota je 2 sekundy. Minimální hodnota je 1.
`successThreshold`	`success_threshold`	Minimální počet po sobě jdoucích úspěchů pro sondu aktivity, které se mají považovat za úspěšné po selhání. Výchozí hodnota je 1. Minimální hodnota je 1.
`failureThreshold`	`failure_threshold`	Když se pod spustí a sonda aktivity selže, Kubernetes zkusí před ukončením neúspěšné doby. Výchozí hodnota je 3. Minimální hodnota je 1.
`namespace`	`namespace`	Obor názvů Kubernetes, do kterého je webová služba nasazená. Až 63 malých alfanumerických znaků ("a"-"z", '0'-'9') a pomlček (-') znaků. První a poslední znaky nesmí být pomlčky.