Telepítse & cli-bővítményt a Azure Machine LearningInstall & use the CLI extension for Azure Machine Learning

A Azure Machine Learning CLI az Azure CLI egy platformfüggetlen parancssori felülete, az Azure-platformbővítménye.The Azure Machine Learning CLI is an extension to the Azure CLI, a cross-platform command-line interface for the Azure platform. Ez a bővítmény parancsokat biztosít a Azure Machine Learning.This extension provides commands for working with Azure Machine Learning. Lehetővé teszi a gépi tanulási tevékenységek automatizálását.It allows you to automate your machine learning activities. Az alábbi lista néhány példaműveletet mutat be a CLI-bővítményhez:The following list provides some example actions that you can do with the CLI extension:

  • Kísérletek futtatása gépi tanulási modellek létrehozásáhozRun experiments to create machine learning models

  • Gépi tanulási modellek regisztrálása ügyfélhasználathozRegister machine learning models for customer usage

  • A gépi tanulási modellek csomagolása, üzembe helyezése és nyomon követésePackage, deploy, and track the lifecycle of your machine learning models

A CLI nem helyettesíti a Azure Machine Learning SDK-t.The CLI is not a replacement for the Azure Machine Learning SDK. Ez egy kiegészítő eszköz, amely úgy van optimalizálva, hogy jól paraméterezett feladatokat kezeljen, amelyek jól illeszkednek az automatizáláshoz.It is a complementary tool that is optimized to handle highly parameterized tasks which suit themselves well to automation.

ElőfeltételekPrerequisites

  • A CLI-hez Azure-előfizetéssel kell lennie.To use the CLI, you must have an Azure subscription. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot.If you don't have an Azure subscription, create a free account before you begin. Próbálja ki a Azure Machine Learning ingyenes vagy fizetős verzióját.Try the free or paid version of Azure Machine Learning today.

  • Az ebben a dokumentumban használt CLI-parancsoknak a helyi környezetből való használatára az Azure CLI-nek kell szüksége.To use the CLI commands in this document from your local environment, you need the Azure CLI.

    Ha a Azure Cloud Shell használja,a CLI a böngészőn keresztül érhető el, és a felhőben van.If you use the Azure Cloud Shell, the CLI is accessed through the browser and lives in the cloud.

Teljes referencia-dokumentumokFull reference docs

Keresse meg az Azure CLI azure-cli-mlbővítményének teljes referencia-dokumentumokját.Find the full reference docs for the azure-cli-ml extension of Azure CLI.

A CLI csatlakoztatása az Azure-előfizetéshezConnect the CLI to your Azure subscription

Fontos

Ha a következőt használja Azure Cloud Shell, kihagyhatja ezt a szakaszt.If you are using the Azure Cloud Shell, you can skip this section. A Cloud Shell automatikusan hitelesíti Az Azure-előfizetésbe bejelentkező fiókkal.The cloud shell automatically authenticates you using the account you log into your Azure subscription.

Az Azure-előfizetésben többféleképpen is hitelesítheti magát a CLI-ről.There are several ways that you can authenticate to your Azure subscription from the CLI. A legfontosabb az interaktív hitelesítés böngésző használatával.The most basic is to interactively authenticate using a browser. Az interaktív hitelesítéshez nyisson meg egy parancssort vagy terminált, és használja a következő parancsot:To authenticate interactively, open a command line or terminal and use the following command:

az login

Ha a CLI megnyithatja az alapértelmezett böngészőt, akkor megnyitja, és betölti a bejelentkezési oldalt.If the CLI can open your default browser, it will do so and load a sign-in page. Ellenkező esetben meg kell nyitnia egy böngészőt, és követnie kell az utasításokat a parancssorban.Otherwise, you need to open a browser and follow the instructions on the command line. Az utasítások az engedélyezési kód https://aka.ms/devicelogin tallózását és beírását foglalják magukban.The instructions involve browsing to https://aka.ms/devicelogin and entering an authorization code.

Tipp

A bejelentkezést követően megjelenik az Azure-fiókjához társított előfizetések listája.After logging in, you see a list of subscriptions associated with your Azure account. Az előfizetési információ az az isDefault: true aktuálisan aktivált Azure CLI-parancsokra vonatkozó előfizetése.The subscription information with isDefault: true is the currently activated subscription for Azure CLI commands. Ennek az előfizetésnek azonosnak kell lennie, amely tartalmazza a Azure Machine Learning munkaterületet.This subscription must be the same one that contains your Azure Machine Learning workspace. Az előfizetés AZONOSÍTÓját a Azure Portal a munkaterület áttekintés lapjára kattintva érheti el.You can find the subscription ID from the Azure portal by visiting the overview page for your workspace. Az SDK-t is használhatja az előfizetés AZONOSÍTÓjának lekéréséhez a munkaterület-objektumból.You can also use the SDK to get the subscription ID from the workspace object. Például: Workspace.from_config().subscription_id.For example, Workspace.from_config().subscription_id.

Egy másik előfizetés kiválasztásához használja a az account set -s <subscription name or ID> parancsot, és adja meg az előfizetés nevét vagy azonosítóját a váltáshoz.To select another subscription, use the az account set -s <subscription name or ID> command and specify the subscription name or ID to switch to. További információ az előfizetés kiválasztásáról: több Azure-előfizetés használata.For more information about subscription selection, see Use multiple Azure Subscriptions.

A hitelesítés egyéb módjaiért lásd: Bejelentkezés az Azure CLI-val.For other methods of authenticating, see Sign in with Azure CLI.

A bővítmény telepítéseInstall the extension

A bővítmény automatikusan telepítve lesz, amikor először próbál meg olyan parancsot használni, amely a következővel kezdődik: az ml .The extension is automatically installed when you first try to use a command that begins with az ml.

A bővítmény frissítéseUpdate the extension

A parancssori felületi Machine Learning frissítéséhez használja a következő parancsot:To update the Machine Learning CLI extension, use the following command:

az extension update -n azure-cli-ml

A bővítmény eltávolításaRemove the extension

A CLI-bővítmény eltávolításához használja a következő parancsot:To remove the CLI extension, use the following command:

az extension remove -n azure-cli-ml

Erőforrás-kezelésResource management

Az alábbi parancsok bemutatják, hogyan használható a parancssori felület a Azure Machine Learning.The following commands demonstrate how to use the CLI to manage resources used by Azure Machine Learning.

  • Ha még nem rendelkezik erőforráscsoporttal, hozzon létre egy erőforráscsoportot:If you do not already have one, create a resource group:

    az group create -n myresourcegroup -l westus2
    
  • Hozzon létre egy Azure Machine Learning munkaterületet:Create an Azure Machine Learning workspace:

    az ml workspace create -w myworkspace -g myresourcegroup
    

    További információ: az ml workspace create.For more information, see az ml workspace create.

  • Csatoljon egy munkaterület-konfigurációt egy mappához a CLI környezetfüggőségének engedélyezéséhez.Attach a workspace configuration to a folder to enable CLI contextual awareness.

    az ml folder attach -w myworkspace -g myresourcegroup
    

    Ez a parancs létrehoz egy alkönyvtárat, amely példa .azureml runconfig- és Conda-környezeti fájlokat tartalmaz.This command creates a .azureml subdirectory that contains example runconfig and conda environment files. Emellett tartalmaz egy fájlt is, amely a config.json munkaterülettel való Azure Machine Learning használható.It also contains a config.json file that is used to communicate with your Azure Machine Learning workspace.

    További információ: az ml folder attach.For more information, see az ml folder attach.

  • Azure Blob-tároló csatolása adattárként.Attach an Azure blob container as a Datastore.

    az ml datastore attach-blob  -n datastorename -a accountname -c containername
    

    További információ: az ml datastore attach-blob.For more information, see az ml datastore attach-blob.

  • Fájlok feltöltése egy adattárba.Upload files to a Datastore.

    az ml datastore upload  -n datastorename -p sourcepath
    

    További információ: az ml datastore upload.For more information, see az ml datastore upload.

  • AKS-fürt csatolása számítási célként.Attach an AKS cluster as a Compute Target.

    az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
    

    További információ: az ml computetarget attach aksFor more information, see az ml computetarget attach aks

Számítási fürtökCompute clusters

  • Hozzon létre egy új felügyelt számítási fürtöt.Create a new managed compute cluster.

    az ml computetarget create amlcompute -n cpu --min-nodes 1 --max-nodes 1 -s STANDARD_D3_V2
    
  • Új felügyelt számítási fürt létrehozása felügyelt identitássalCreate a new managed compute cluster with managed identity

    • Felhasználó által hozzárendelt felügyelt identitásUser-assigned managed identity

      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>'
      
    • Rendszer által hozzárendelt felügyelt identitásSystem-assigned managed identity

      az ml computetarget create amlcompute --name cpu-cluster --vm-size Standard_NC6 --max-nodes 5 --assign-identity '[system]'
      
  • Felügyelt identitás hozzáadása meglévő fürthöz:Add a managed identity to an existing cluster:

    • Felhasználó által hozzárendelt felügyelt identitásUser-assigned managed identity

      az ml computetarget amlcompute identity assign --name cpu-cluster '/subscriptions/<subcription_id>/resourcegroups/<resource_group>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<user_assigned_identity>'
      
    • Rendszer által hozzárendelt felügyelt identitásSystem-assigned managed identity

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

További információ: az ml computetarget create amlcompute.For more information, see az ml computetarget create amlcompute.

Megjegyzés

Azure Machine Learning a számítási fürtök csak egy rendszerhez rendelt identitást vagy több felhasználó által hozzárendelt identitást támogatnak, mindkettőt nem egyszerre.Azure Machine Learning compute clusters support only one system-assigned identity or multiple user-assigned identities, not both concurrently.

Számítási példányCompute instance

Számítási példányok kezelése.Manage compute instances. Az alábbi példákban a számítási példány neve cpuIn all the examples below, the name of the compute instance is cpu

Kísérletek futtatásaRun experiments

  • Indítsa el a kísérlet futtatását.Start a run of your experiment. A parancs használata esetén adja meg a runconfig fájl nevét (a .runconfig előtti szöveget, ha a fájlrendszert nézi) a * -c paraméterrel.When using this command, specify the name of the runconfig file (the text before *.runconfig if you are looking at your file system) against the -c parameter.

    az ml run submit-script -c sklearn -e testexperiment train.py
    

    Tipp

    A az ml folder attach parancs létrehoz egy .azureml alkönyvtárat, amely két példa runconfig fájlt tartalmaz.The az ml folder attach command creates a .azureml subdirectory, which contains two example runconfig files.

    Ha olyan Python-szkriptet használ, amely programozott módon hoz létre egy futtatási konfigurációs objektumot, a RunConfig.save() használatával mentheti runconfig fájlként.If you have a Python script that creates a run configuration object programmatically, you can use RunConfig.save() to save it as a runconfig file.

    A teljes runconfig séma ebben a JSON-fájlban található.The full runconfig schema can be found in this JSON file. A séma az egyes objektumok kulcsán description keresztül saját maga dokumentálja.The schema is self-documenting through the description key of each object. Emellett a lehetséges értékekhez enumok is vannak, a végén pedig egy sablonrészlet.Additionally, there are enums for possible values, and a template snippet at the end.

    További információ: az ml run submit-script.For more information, see az ml run submit-script.

  • Kísérletek listájának megtekintése:View a list of experiments:

    az ml experiment list
    

    További információ: az ml experiment list.For more information, see az ml experiment list.

HyperDrive-futtatásHyperDrive run

A HyperDrive és az Azure CLI segítségével paraméter-finomhangolási futtatásokat hajthat végre.You can use HyperDrive with Azure CLI to perform parameter tuning runs. Először hozzon létre egy HyperDrive konfigurációs fájlt a következő formátumban.First, create a HyperDrive configuration file in the following format. A hiperparaméterek finomhangolási paramétereivel kapcsolatos részletekért lásd: Hiperparaméterek hangolása a modellhez.See Tune hyperparameters for your model article for details on hyperparameter tuning parameters.

# 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.

Adja hozzá ezt a fájlt a futtatás konfigurációs fájljaival együtt.Add this file alongside the run configuration files. Ezután küldje el a HyperDrive-futtatásokat a következővel:Then submit a HyperDrive run using:

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

Jegyezze fel a runconfig és a paramétertér argumentumok szakaszát a HyperDrive konfigurációban. Ezek tartalmazzák a betanító szkriptnek átadott parancssori argumentumokat.Note the arguments section in runconfig and parameter space in HyperDrive config. They contain the command-line arguments to be passed to training script. A runconfig értéke minden iterációban ugyanaz marad, míg a HyperDrive-konfiguráció tartománya iterálva van.The value in runconfig stays the same for each iteration, while the range in HyperDrive config is iterated over. Ne adja meg ugyanazt az argumentumot mindkét fájlban.Do not specify the same argument in both files.

Adatkészlet-kezelésDataset management

A következő parancsok bemutatják, hogyan dolgozhat adatkészletekkel a Azure Machine Learning:The following commands demonstrate how to work with datasets in Azure Machine Learning:

  • Adatkészlet regisztrálása:Register a dataset:

    az ml dataset register -f mydataset.json
    

    Az adatkészlet meghatározásához használt JSON-fájl formátumával kapcsolatos információkért használja a következőt: az ml dataset register --show-template .For information on the format of the JSON file used to define the dataset, use az ml dataset register --show-template.

    További információ: az ml dataset register.For more information, see az ml dataset register.

  • List all datasets in a workspace (Egy munkaterület összes adatát listába sorolja):List all datasets in a workspace:

    az ml dataset list
    

    További információ: az ml dataset list.For more information, see az ml dataset list.

  • Adatkészlet részleteinek lekérte:Get details of a dataset:

    az ml dataset show -n dataset-name
    

    További információ: az ml dataset show.For more information, see az ml dataset show.

  • Adatkészlet regisztrációjának a regisztrációja:Unregister a dataset:

    az ml dataset unregister -n dataset-name
    

    További információ: az ml dataset unregister.For more information, see az ml dataset unregister.

A környezet kezeléseEnvironment management

A következő parancsok bemutatják, hogyan hozhat létre, regisztrálhat és listálhat Azure Machine Learning a munkaterülethez:The following commands demonstrate how to create, register, and list Azure Machine Learning environments for your workspace:

Környezetkonfigurációs sémaEnvironment configuration schema

Ha a parancsot használta, az létrehoz egy sablonfájlt, amely módosítható, és egyéni környezeti konfigurációk létrehozásához használható az ml environment scaffold a azureml_environment.json PARANCSSORi felülettel.If you used the az ml environment scaffold command, it generates a template azureml_environment.json file that can be modified and used to create custom environment configurations with the CLI. A legfelső szintű objektum lazán leképezi a Environment osztályt a Python SDK-ban.The top level object loosely maps to the Environment class in the 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/base:intelmpi2018.3-ubuntu16.04",
        "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
}

Az alábbi táblázat a JSON-fájl összes legfelső szintű mezőjét, típusát és leírását részletezi.The following table details each top-level field in the JSON file, it's type, and a description. Ha egy objektumtípus egy osztályhoz kapcsolódik a Python SDK-ból, lazán 1:1 egyezés van az egyes JSON-mezők és a nyilvános változók neve között a Python-osztályban.If an object type is linked to a class from the Python SDK, there is a loose 1:1 match between each JSON field and the public variable name in the Python class. Bizonyos esetekben a mező leképezheti egy konstruktorarátor argumentumát egy osztályváltozó helyett.In some cases the field may map to a constructor argument rather than a class variable. A mező például environmentVariables a osztály environment_variables változóját Environment leképezi.For example, the environmentVariables field maps to the environment_variables variable in the Environment class.

JSON-mezőJSON field TípusType LeírásDescription
name string A környezet neve.Name of the environment. Ne kezdje el a nevet a Microsoft vagy az AzureML használatával.Do not start name with Microsoft or AzureML.
version string A környezet verziója.Version of the environment.
environmentVariables {string: string} A környezeti változók nevének és értékeinek kivonattérképe.A hash-map of environment variable names and values.
python PythonSectionA hat határozza meg a cél számítási erőforráson használható Python-környezetet és -értelmezőt.PythonSectionhat defines the Python environment and interpreter to use on target compute resource.
docker DockerSection A környezet specifikációihoz készült Docker-rendszerkép testreszabásához szükséges beállításokat határozza meg.Defines settings to customize the Docker image built to the environment's specifications.
spark SparkSection A szakasz a Spark beállításait konfigurálja.The section configures Spark settings. Csak akkor használatos, ha a keretrendszer PySparkra van beállítva.It is only used when framework is set to PySpark.
databricks DatabricksSection Konfigurálja a Databricks-kódtár függőségeit.Configures Databricks library dependencies.
inferencingStackVersion string Megadja a lemezképhez hozzáadott következtetési verem verzióját.Specifies the inferencing stack version added to the image. A következtetési verem hozzáadásának elkerüléséhez hagyja meg ezt a null mezőt.To avoid adding an inferencing stack, leave this field null. Érvényes érték: "latest".Valid value: "latest".

Gépi tanulási folyamatok kezeléseML pipeline management

Az alábbi parancsok bemutatják, hogyan dolgozhat gépi tanulási folyamatokkal:The following commands demonstrate how to work with machine learning pipelines:

Modellregisztráció, profilkészítés, üzembe helyezésModel registration, profiling, deployment

A következő parancsok bemutatják, hogyan regisztrálhat egy betanított modellt, majd hogyan helyezheti üzembe éles szolgáltatásként:The following commands demonstrate how to register a trained model, and then deploy it as a production service:

  • Modell regisztrálása a következő Azure Machine Learning:Register a model with Azure Machine Learning:

    az ml model register -n mymodel -p sklearn_regression_model.pkl
    

    További információ: az ml model register.For more information, see az ml model register.

  • NEM KÖTELEZŐ Profilt kell használnia a modellről, hogy optimális processzor- és memóriaértékeket kap az üzembe helyezéshez.OPTIONAL Profile your model to get optimal CPU and memory values for deployment.

    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
    

    További információ: az ml model profile.For more information, see az ml model profile.

  • A modell üzembe helyezése az AKS-beDeploy your model to AKS

    az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
    

    A dedíciós konfigurációs fájlsémára vonatkozó további információkért lásd: Következtetési konfigurációs séma.For more information on the inference configuration file schema, see Inference configuration schema.

    Az üzembe helyezés konfigurációs fájlsémára vonatkozó további információkért lásd: Üzembe helyezési konfigurációs séma.For more information on the deployment configuration file schema, see Deployment configuration schema.

    További információ: az ml model deploy.For more information, see az ml model deploy.

Következtetési konfigurációs sémaInference configuration schema

A dokumentumban szereplő bejegyzések a inferenceconfig.json InferenceConfig osztály paramétereinek felelnek meg.The entries in the inferenceconfig.json document map to the parameters for the InferenceConfig class. A következő táblázat ismerteti a JSON-dokumentum entitásai közötti leképezést, valamint a metódus paramétereit:The following table describes the mapping between entities in the JSON document and the parameters for the method:

JSON-entitásJSON entity Metódus paramétereMethod parameter LeírásDescription
entryScript entry_script A rendszerképhez futtatandó kódot tartalmazó helyi fájl elérési útja.Path to a local file that contains the code to run for the image.
sourceDirectory source_directory Választható.Optional. Az összes fájlt tartalmazó mappák elérési útja a rendszerkép létrehozásához, amely megkönnyíti a mappában vagy almappában található fájlok elérését.Path to folders that contain all files to create the image, which makes it easy to access any files within this folder or subfolder. A webszolgáltatások függőségeiként feltölthet egy teljes mappát a helyi gépről.You can upload an entire folder from your local machine as dependencies for the Webservice. Megjegyzés: a entry_script, a conda_file és a extra_docker_file_steps útvonalak relatív elérési utak az source_directory elérési úthoz.Note: your entry_script, conda_file, and extra_docker_file_steps paths are relative paths to the source_directory path.
environment environment Választható.Optional. Azure Machine Learning környezet.Azure Machine Learning environment.

Azure Machine Learning környezet teljes specifikációit a következtetési konfigurációs fájlban is megadhatja.You can include full specifications of an Azure Machine Learning environment in the inference configuration file. Ha ez a környezet nem létezik a munkaterületen, akkor a Azure Machine Learning létrehozza azt.If this environment doesn't exist in your workspace, Azure Machine Learning will create it. Ellenkező esetben a Azure Machine Learning szükség esetén frissíti a környezetet.Otherwise, Azure Machine Learning will update the environment if necessary. A következő JSON egy példa:The following JSON is an example:

{
    "entryScript": "score.py",
    "environment": {
        "docker": {
            "arguments": [],
            "baseDockerfile": null,
            "baseImage": "mcr.microsoft.com/azureml/base:intelmpi2018.3-ubuntu16.04",
            "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=3.6.2",
                    {
                        "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"
    }
}

Meglévő Azure Machine Learning- környezetet is HASZNÁLHAT külön CLI-paraméterekben, és eltávolíthatja a "környezet" kulcsot a következtetési konfigurációs fájlból.You can also use an existing Azure Machine Learning environment in separated CLI parameters and remove the "environment" key from the inference configuration file. Használja az-e nevet a környezet neveként, a--EV pedig a környezet verzióját.Use -e for the environment name, and --ev for the environment version. Ha nem ad meg--EV-t, a rendszer a legújabb verziót fogja használni.If you don't specify --ev, the latest version will be used. Íme egy példa a következtetési konfigurációs fájlra:Here is an example of an inference configuration file:

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

A következő parancs bemutatja, hogyan helyezhet üzembe egy modellt a korábbi következtetési konfigurációs fájl (myInferenceConfig.json) használatával.The following command demonstrates how to deploy a model using the previous inference configuration file (named myInferenceConfig.json).

Egy meglévő Azure Machine Learning- környezet legújabb verzióját is használja (AzureML-minimal néven).It also uses the latest version of an existing Azure Machine Learning environment (named AzureML-Minimal).

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

Üzembe helyezési konfigurációs sémaDeployment configuration schema

Helyi üzembe helyezés konfigurációs sémájaLocal deployment configuration schema

A dokumentumban szereplő bejegyzések deploymentconfig.json a LocalWebservice.deploy_configurationparamétereinek felelnek meg.The entries in the deploymentconfig.json document map to the parameters for LocalWebservice.deploy_configuration. A következő táblázat ismerteti a JSON-dokumentum entitásai és a metódus paramétereinek megfeleltetését:The following table describes the mapping between the entities in the JSON document and the parameters for the method:

JSON-entitásJSON entity Metódus paramétereMethod parameter LeírásDescription
computeType NANA A számítási cél.The compute target. Helyi célok esetén az értéknek a következőnek kell lennie: local .For local targets, the value must be local.
port port A helyi port, amelyen elérhetővé kívánja tenni a szolgáltatás HTTP-végpontját.The local port on which to expose the service's HTTP endpoint.

Ez a JSON egy példaként szolgáló telepítési konfiguráció a parancssori felülettel való használatra:This JSON is an example deployment configuration for use with the CLI:

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

Az Azure Container Instance üzembe helyezési konfigurációs sémájaAzure Container Instance deployment configuration schema

A dokumentumban szereplő bejegyzések deploymentconfig.json a AciWebservice.deploy_configurationparamétereinek felelnek meg.The entries in the deploymentconfig.json document map to the parameters for AciWebservice.deploy_configuration. A következő táblázat ismerteti a JSON-dokumentum entitásai és a metódus paramétereinek megfeleltetését:The following table describes the mapping between the entities in the JSON document and the parameters for the method:

JSON-entitásJSON entity Metódus paramétereMethod parameter LeírásDescription
computeType NANA A számítási cél.The compute target. ACI esetén az értéknek a következőnek kell lennie: ACI .For ACI, the value must be ACI.
containerResourceRequirements NANA A processzor-és memória-entitások tárolója.Container for the CPU and memory entities.
  cpu cpu_cores A lefoglalni kívánt CPU-magok száma.The number of CPU cores to allocate. Alapértelmezett 0.1Defaults, 0.1
  memoryInGB memory_gb A webszolgáltatás számára lefoglalható memória mennyisége (GB-ban).The amount of memory (in GB) to allocate for this web service. Alapértelmezett 0.5Default, 0.5
location location Az Azure-régió, amelybe telepíteni szeretné a webszolgáltatást.The Azure region to deploy this Webservice to. Ha nincs megadva, a rendszer a munkaterület helyét fogja használni.If not specified the Workspace location will be used. Az elérhető régiókról további részleteket itt találhat: ACI-régiókMore details on available regions can be found here: ACI Regions
authEnabled auth_enabled Azt határozza meg, hogy engedélyezi-e az Auth szolgáltatást ehhez a webszolgáltatáshoz.Whether to enable auth for this Webservice. Alapértelmezett értéke falseDefaults to False
sslEnabled ssl_enabled Azt határozza meg, hogy engedélyezve van-e az SSL ehhez a webszolgáltatáshoz.Whether to enable SSL for this Webservice. Az alapértelmezett érték a false.Defaults to False.
appInsightsEnabled enable_app_insights Azt határozza meg, hogy engedélyezi-e a AppInsights ehhez a webszolgáltatáshoz.Whether to enable AppInsights for this Webservice. Alapértelmezett értéke falseDefaults to False
sslCertificate ssl_cert_pem_file Az SSL engedélyezése esetén szükséges a tanúsítvány fájljaThe cert file needed if SSL is enabled
sslKey ssl_key_pem_file Az SSL engedélyezése esetén szükség van a kulcs fájlraThe key file needed if SSL is enabled
cname ssl_cname A CNAME, ha engedélyezve van az SSLThe cname for if SSL is enabled
dnsNameLabel dns_name_label A pontozási végpont DNS-neve felirataThe dns name label for the scoring endpoint. Ha nincs megadva, a rendszer létrehoz egy egyedi DNS-név címkét a pontozási végponthoz.If not specified a unique dns name label will be generated for the scoring endpoint.

A következő JSON a parancssori felülettel való használatra példaként használható telepítési konfiguráció:The following JSON is an example deployment configuration for use with the CLI:

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

Azure Kubernetes Service konfigurációs sémájaAzure Kubernetes Service deployment configuration schema

A dokumentumban szereplő bejegyzések deploymentconfig.json a AksWebservice.deploy_configurationparamétereinek felelnek meg.The entries in the deploymentconfig.json document map to the parameters for AksWebservice.deploy_configuration. A következő táblázat ismerteti a JSON-dokumentum entitásai és a metódus paramétereinek megfeleltetését:The following table describes the mapping between the entities in the JSON document and the parameters for the method:

JSON-entitásJSON entity Metódus paramétereMethod parameter LeírásDescription
computeType NANA A számítási cél.The compute target. Az AK esetében az értéknek a következőnek kell lennie: aks .For AKS, the value must be aks.
autoScaler NANA Az automatikus skálázás konfigurációs elemeit tartalmazza.Contains configuration elements for autoscale. Tekintse meg az autoskálázási táblázatot.See the autoscaler table.
  autoscaleEnabled autoscale_enabled Azt határozza meg, hogy engedélyezi-e az automatikus skálázást a webszolgáltatáshoz.Whether to enable autoscaling for the web service. Ha numReplicas = 0 , True egyéb esetben, False .If numReplicas = 0, True; otherwise, False.
  minReplicas autoscale_min_replicas A webszolgáltatás automatikus skálázásakor használandó tárolók minimális száma.The minimum number of containers to use when autoscaling this web service. Alapértelmezett érték: 1 .Default, 1.
  maxReplicas autoscale_max_replicas A webszolgáltatás automatikus skálázásakor használandó tárolók maximális száma.The maximum number of containers to use when autoscaling this web service. Alapértelmezett érték: 10 .Default, 10.
  refreshPeriodInSeconds autoscale_refresh_seconds Az autoskálázás milyen gyakran próbálja méretezni ezt a webszolgáltatást.How often the autoscaler attempts to scale this web service. Alapértelmezett érték: 1 .Default, 1.
  targetUtilization autoscale_target_utilization A cél kihasználtsága (az 100-as százalékban kifejezve), amelyet az autoskálázásnak meg kell próbálnia fenntartani a webszolgáltatás számára.The target utilization (in percent out of 100) that the autoscaler should attempt to maintain for this web service. Alapértelmezett érték: 70 .Default, 70.
dataCollection NANA Az adatgyűjtés konfigurációs elemeit tartalmazza.Contains configuration elements for data collection.
  storageEnabled collect_model_data Azt határozza meg, hogy engedélyezi-e a modell adatgyűjtését a webszolgáltatáshoz.Whether to enable model data collection for the web service. Alapértelmezett érték: False .Default, False.
authEnabled auth_enabled Azt határozza meg, hogy engedélyezi-e a kulcsos hitelesítést a webszolgáltatáshoz.Whether or not to enable key authentication for the web service. Mindkettő tokenAuthEnabled és authEnabled nem lehet True .Both tokenAuthEnabled and authEnabled cannot be True. Alapértelmezett érték: True .Default, True.
tokenAuthEnabled token_auth_enabled Azt határozza meg, hogy engedélyezve van-e a jogkivonat-hitelesítés a webszolgáltatáshoz.Whether or not to enable token authentication for the web service. Mindkettő tokenAuthEnabled és authEnabled nem lehet True .Both tokenAuthEnabled and authEnabled cannot be True. Alapértelmezett érték: False .Default, False.
containerResourceRequirements NANA A processzor-és memória-entitások tárolója.Container for the CPU and memory entities.
  cpu cpu_cores A webszolgáltatás számára lefoglalható CPU-magok száma.The number of CPU cores to allocate for this web service. Alapértelmezett 0.1Defaults, 0.1
  memoryInGB memory_gb A webszolgáltatás számára lefoglalható memória mennyisége (GB-ban).The amount of memory (in GB) to allocate for this web service. Alapértelmezett 0.5Default, 0.5
appInsightsEnabled enable_app_insights Azt határozza meg, hogy engedélyezi-e Application Insights naplózást a webszolgáltatáshoz.Whether to enable Application Insights logging for the web service. Alapértelmezett érték: False .Default, False.
scoringTimeoutMs scoring_timeout_ms A webszolgáltatásnak való pontozási hívások kényszerített időkorlátja.A timeout to enforce for scoring calls to the web service. Alapértelmezett érték: 60000 .Default, 60000.
maxConcurrentRequestsPerContainer replica_max_concurrent_requests A webszolgáltatáshoz tartozó csomópontok maximális egyidejű kérelmeinek száma.The maximum concurrent requests per node for this web service. Alapértelmezett érték: 1 .Default, 1.
maxQueueWaitMs max_request_wait_time Az a maximális időtartam, ameddig egy kérelem a 503-es hiba visszaadása előtt a várólistában marad (ezredmásodpercben).The maximum time a request will stay in thee queue (in milliseconds) before a 503 error is returned. Alapértelmezett érték: 500 .Default, 500.
numReplicas num_replicas A webszolgáltatás számára lefoglalható tárolók száma.The number of containers to allocate for this web service. Nincs alapértelmezett érték.No default value. Ha ez a paraméter nincs beállítva, az automéretező alapértelmezés szerint engedélyezve van.If this parameter is not set, the autoscaler is enabled by default.
keys NANA A kulcsok konfigurációs elemeit tartalmazza.Contains configuration elements for keys.
  primaryKey primary_key A webszolgáltatáshoz használandó elsődleges hitelesítési kulcsA primary auth key to use for this Webservice
  secondaryKey secondary_key A webszolgáltatáshoz használandó másodlagos hitelesítési kulcsA secondary auth key to use for this Webservice
gpuCores gpu_cores A webszolgáltatás számára lefoglalható GPU-magok (tároló replikák) száma.The number of GPU cores (per-container replica) to allocate for this Webservice. Az alapértelmezett érték 1.Default is 1. Csak az egész szám értékeit támogatja.Only supports whole number values.
livenessProbeRequirements NANA Az élettartam mintavételi követelményeinek konfigurációs elemeit tartalmazza.Contains configuration elements for liveness probe requirements.
  periodSeconds period_seconds Milyen gyakran (másodpercben) kell végrehajtani az élettartam-mintavételt.How often (in seconds) to perform the liveness probe. Az alapértelmezett érték 10 másodperc.Default to 10 seconds. A minimális érték 1.Minimum value is 1.
  initialDelaySeconds initial_delay_seconds Azon másodpercek száma, ameddig a tároló el lett indítva az élő mintavételek elindítása előtt.Number of seconds after the container has started before liveness probes are initiated. Alapértelmezett értéke 310Defaults to 310
  timeoutSeconds timeout_seconds Azon másodpercek száma, amely után az élettartam mintavétele időtúllépést mutat. Az alapértelmezett érték 2 másodperc.Number of seconds after which the liveness probe times out. Defaults to 2 seconds. A minimális érték 1Minimum value is 1
  successThreshold success_threshold Az élettartam-mintavétel minimális egymást követő sikerei sikeresnek tekintendők a sikertelenség után.Minimum consecutive successes for the liveness probe to be considered successful after having failed. Az alapértelmezett érték 1.Defaults to 1. A minimális érték 1.Minimum value is 1.
  failureThreshold failure_threshold Ha egy Pod elindul, és az élettartam-mintavétel meghiúsul, a Kubernetes a failureThreshold időt fogja kipróbálni.When a Pod starts and the liveness probe fails, Kubernetes will try failureThreshold times before giving up. Az alapértelmezett érték 3.Defaults to 3. A minimális érték 1.Minimum value is 1.
namespace namespace Az a Kubernetes-névtér, amelyre a webszolgáltatás telepítve van.The Kubernetes namespace that the webservice is deployed into. Akár 63 kisbetűs alfanumerikus ("név elején-kisbetűket", "0"-"9") és kötőjel ("-") karakter.Up to 63 lowercase alphanumeric ('a'-'z', '0'-'9') and hyphen ('-') characters. Az első és az utolsó karakter nem lehet kötőjel.The first and last characters can't be hyphens.

A következő JSON a parancssori felülettel való használatra példaként használható telepítési konfiguráció:The following JSON is an example deployment configuration for use with the CLI:

{
    "computeType": "aks",
    "autoScaler":
    {
        "autoscaleEnabled": true,
        "minReplicas": 1,
        "maxReplicas": 3,
        "refreshPeriodInSeconds": 1,
        "targetUtilization": 70
    },
    "dataCollection":
    {
        "storageEnabled": true
    },
    "authEnabled": true,
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    }
}

Következő lépésekNext steps