Telepítés > a parancssori felület (v1) használatával

Cikk
12/07/2023

A KÖVETKEZŐre vonatkozik: Azure CLI ml-bővítmény 1-es verzió

Fontos

A cikkben szereplő Azure CLI-parancsok némelyike az azure-cli-mlAzure Machine Tanulás vagy v1 bővítményét használja. A v1-bővítmény támogatása 2025. szeptember 30-án megszűnik. Addig a dátumig telepítheti és használhatja a v1-bővítményt.

Javasoljuk, hogy 2025. szeptember 30-a előtt váltsa át a ml(vagy v2) bővítményt. További információ a v2-es bővítményről: Azure ML CLI-bővítmény és Python SDK v2.

Az Azure Machine Tanulás CLI az Azure CLI bővítménye, amely az Azure platform platformfüggetlen parancssori felülete. Ez a bővítmény parancsokat biztosít az Azure Machine Tanulás használatához. Lehetővé teszi a gépi tanulási tevékenységek automatizálását. Az alábbi lista néhány példaműveletet tartalmaz, amelyeket a parancssori felület bővítményével végezhet el:

Kísérletek futtatása gépi tanulási modellek létrehozásához
Gépi tanulási modellek regisztrálása az ügyfélhasználathoz
Gépi tanulási modellek csomagolása, üzembe helyezése és életciklusának nyomon követése

A parancssori felület nem helyettesíti az Azure Machine Tanulás SDK-t. Ez egy kiegészítő eszköz, amely úgy van optimalizálva, hogy magas paraméterekkel rendelkező feladatokat kezeljen, amelyek jól illeszkednek az automatizáláshoz.

Előfeltételek

A parancssori felület használatához Azure-előfizetéssel kell rendelkeznie. Ha még nincs Azure-előfizetése, kezdés előtt hozzon létre egy ingyenes fiókot. Próbálja ki ma az Azure Machine ingyenes vagy fizetős verzióját Tanulás.
A dokumentumban található CLI-parancsok helyi környezetből való használatához az Azure CLI-re van szükség.

Ha az Azure Cloud Shellt használja, a parancssori felület a böngészőn keresztül érhető el, és a felhőben él.

Teljes referencia-dokumentáció

Keresse meg az Azure CLI azure-cli-ml bővítményének teljes referencia-dokumentációját.

A parancssori felület Csatlakozás az Azure-előfizetéshez

Fontos

Ha az Azure Cloud Shellt használja, kihagyhatja ezt a szakaszt. A cloud shell automatikusan hitelesíti Önt az Azure-előfizetésbe bejelentkezett fiókkal.

Az Azure-előfizetését többféleképpen is hitelesítheti a parancssori felületről. A legalapvetőbb az interaktív hitelesítés böngészővel. Az interaktív hitelesítéshez nyisson meg egy parancssort vagy terminált, és használja a következő parancsot:

az login

Ha a CLI megnyithatja az alapértelmezett böngészőt, akkor megnyitja, és betölti a bejelentkezési oldalt. Ellenkező esetben meg kell nyitnia egy böngészőt, és követnie kell a parancssor utasításait. Az utasítások egy engedélyezési kód böngészésével https://aka.ms/devicelogin és beírásával járnak.

Tipp.

Bejelentkezés után megjelenik az Azure-fiókhoz társított előfizetések listája. Az előfizetés adatai isDefault: true az Azure CLI-parancsok jelenleg aktivált előfizetése. Ennek az előfizetésnek ugyanaznak kell lennie, amely az Azure Machine Tanulás-munkaterületet tartalmazza. Az előfizetés-azonosítót az Azure Portalon találja a munkaterület áttekintési oldalának megnyitásával.

Másik előfizetés kiválasztásához használja a az account set -s <subscription name or ID> parancsot, és adja meg az előfizetés nevét vagy azonosítóját, amelyre váltani szeretne. Az előfizetés kiválasztásával kapcsolatos további információkért lásd : Több Azure-előfizetés használata.

A hitelesítés egyéb módjaiért lásd: Bejelentkezés az Azure CLI-vel.

A bővítmény telepítése

A CLI (v1) bővítmény telepítése:

az extension add -n azure-cli-ml

A bővítmény frissítése

A Machine Tanulás CLI-bővítmény frissítéséhez használja a következő parancsot:

az extension update -n azure-cli-ml

A bővítmény eltávolítása

A PARANCSSOR-bővítmény eltávolításához használja a következő parancsot:

az extension remove -n azure-cli-ml

Erőforrás-kezelés

Az alábbi parancsok bemutatják, hogyan kezelheti az Azure Machine Tanulás által használt erőforrásokat a parancssori felület használatával.

Ha még nincs ilyen, hozzon létre egy erőforráscsoportot:
```
az group create -n myresourcegroup -l westus2
```
Azure Machine-Tanulás-munkaterület létrehozása:
```
az ml workspace create -w myworkspace -g myresourcegroup
```
További információ: az ml-munkaterület létrehozása.
Csatoljon egy munkaterület-konfigurációt egy mappához a parancssori felület környezetfüggőségének lehetővé tétele érdekében.
```
az ml folder attach -w myworkspace -g myresourcegroup
```
Ez a parancs létrehoz egy .azureml alkönyvtárat, amely példa runconfig és conda környezeti fájlokat tartalmaz. Olyan fájlt is tartalmazconfig.json, amely az Azure Machine Tanulás-munkaterülettel való kommunikációra szolgál.

További információ: az ml folder attach.
Azure Blob-tároló csatolása adattárként.
```
az ml datastore attach-blob  -n datastorename -a accountname -c containername
```
További információ: az ml datastore attach-blob.
Fájlok feltöltése egy adattárba.
```
az ml datastore upload  -n datastorename -p sourcepath
```
További információ: az ml datastore upload.
Csatoljon egy AKS-fürtöt számítási célként.
```
az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
```
További információ: az ml computetarget attach aks

Számítási fürtök

Hozzon létre egy új felügyelt számítási fürtöt.

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

Új felügyelt számítási fürt létrehozása felügyelt identitással

Felhasználó által hozzárendelt felügyelt identitás

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 identitás

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

Felügyelt identitás hozzáadása meglévő fürthöz:

Felhasználó által hozzárendelt felügyelt identitás

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 identitás

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

További információ: az ml computetarget create amlcompute.

Megjegyzés:

Az Azure Machine Tanulás számítási fürtök csak egy rendszer által hozzárendelt identitást vagy több felhasználó által hozzárendelt identitást támogatnak, nem egyidejűleg.

Számítási példány

Számítási példányok kezelése. Az alábbi példákban a számítási példány neve processzor

Hozzon létre egy új számítási intézményt.
```
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
```
További információ: az ml computetarget create computeinstance.
Számítási rendszer leállítása.
```
az ml computetarget computeinstance stop -n cpu -v
```
További információ: az ml computetarget computeinstance stop.
Indítsa el a computeinstance-t.
```
az ml computetarget computeinstance start -n cpu -v
```
További információ: az ml computetarget computeinstance start.
Indítsa újra a computeinstance-t.
```
az ml computetarget computeinstance restart -n cpu -v
```
További információ: az ml computetarget computeinstance restart.
Computeinstance törlése.
```
az ml computetarget delete -n cpu -v
```
További információ: az ml computetarget delete computeinstance.

Kísérletek futtatása

Indítsa el a kísérlet futtatását. A parancs használatakor adja meg a runconfig fájl nevét (a *.runconfig előtti szöveget, ha a fájlrendszert vizsgáljuk) a -c paraméterrel.
```
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.

Ha olyan Python-szkripttel rendelkezik, amely programozott módon hoz létre egy futtatási konfigurációs objektumot, a RunConfig.save() használatával runconfig fájlként mentheti.

A teljes runconfig séma ebben a JSON-fájlban található. A séma az egyes objektumok kulcsán keresztüli önaláírást is biztosítja description . Emellett a lehetséges értékek számbavétele is lehetséges, és a végén egy sablonrészlet is található.

További információ: az ml run submit-script.
Kísérletek listájának megtekintése:
```
az ml experiment list
```
További információ: az ml kísérletlista.

HyperDrive-futtatás

A HyperDrive és az Azure CLI használatával paraméter-finomhangolási futtatásokat hajthat végre. Először hozzon létre egy HyperDrive-konfigurációs fájlt az alábbi formátumban. A hiperparaméter-finomhangolási paraméterekkel kapcsolatos részletekért tekintse meg a modell cikk hiperparamétereinek finomhangolását ismertető cikket.

# 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 futtatási konfigurációs fájlok mellett. Ezután küldjön be egy HyperDrive-futtatási lehetőséget a következővel:

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

Figyelje meg a HyperDrive-konfiguráció runconfig és paraméterterületének argumentumokat bemutató szakaszát. Ezek tartalmazzák a betanítási szkriptnek továbbítandó parancssori argumentumokat. A runconfig értéke minden iterációban ugyanaz marad, míg a HyperDrive-konfiguráció tartománya át van állítva. Ne adja meg ugyanazt az argumentumot mindkét fájlban.

Adatkészletek kezelése

Az alábbi parancsok bemutatják, hogyan használhatók adathalmazok az Azure Machine Tanulás:

Adathalmaz regisztrálása:
```
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: .

További információ: az ml dataset register.
A munkaterület összes adathalmazának listázása:
```
az ml dataset list
```
További információ: az ml dataset list.
Adathalmaz részleteinek lekérése:
```
az ml dataset show -n dataset-name
```
További információ: az ml dataset show.
Adathalmaz regisztrációja törlése:
```
az ml dataset unregister -n dataset-name
```
További információ: az ml dataset unregister.

Környezetkezelés

Az alábbi parancsok bemutatják, hogyan hozhat létre, regisztrálhat és listázhat Azure Machine-Tanulás-környezeteket a munkaterületen:

Hozzon létre állványzatfájlokat egy környezethez:
```
az ml environment scaffold -n myenv -d myenvdirectory
```
További információ: az ml environment scaffold.
Környezet regisztrálása:
```
az ml environment register -d myenvdirectory
```
További információ: az ml environment register.
Regisztrált környezetek listázása:
```
az ml environment list
```
További információ: az ml environment list.
Regisztrált környezet letöltése:
```
az ml environment download -n myenv -d downloaddirectory
```
További információ: az ml environment download.

Környezeti konfigurációs séma

Ha a az ml environment scaffold parancsot használta, létrehoz egy sablonfájlt azureml_environment.json , amely módosítható, és használható egyéni környezetkonfigurációk létrehozásához a parancssori felülettel. A legfelső szintű objektum lazán leképzi az Environment osztályt a Python SDK-ban.

{
    "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
}

Az alábbi táblázat a JSON-fájl minden felső szintű mezőjét, típusát és leírását ismerteti. Ha egy objektumtípus egy Python SDK-ból származó osztályhoz van csatolva, a JSON-mezők és a Python-osztály nyilvános változójának neve között 1:1-es laza egyezés van. Bizonyos esetekben a mező konstruktor argumentumra képezhető le, nem pedig osztályváltozóra. A mező például az environmentVariablesenvironment_variables osztály változójának Environment megfelel.

JSON-mező	Type	Description
`name`	`string`	A környezet neve. Ne kezdje a nevet a Microsofttal vagy az AzureML-sel.
`version`	`string`	A környezet verziója.
`environmentVariables`	`{string: string}`	A környezeti változók nevének és értékeinek kivonattérképe.
`python`	`PythonSection`A hat a cél számítási erőforráson használni kívánt Python-környezetet és értelmezőt határozza meg.
`docker`	`DockerSection`	A környezet specifikációinak megfelelően létrehozott Docker-rendszerkép testreszabására szolgáló beállításokat határoz meg.
`spark`	`SparkSection`	A szakasz a Spark beállításait konfigurálja. Csak akkor használatos, ha a keretrendszer PySparkra van állítva.
`databricks`	`DatabricksSection`	Konfigurálja a Databricks-kódtár függőségeit.
`inferencingStackVersion`	`string`	A képhez hozzáadott következtetési veremverziót adja meg. Ha el szeretné kerülni a következtetési verem hozzáadását, hagyja meg ezt a mezőt `null`. Érvényes érték: "legújabb".

ML-folyamatkezelés

Az alábbi parancsok bemutatják a gépi tanulási folyamatok használatát:

Gépi tanulási folyamat létrehozása:
```
az ml pipeline create -n mypipeline -y mypipeline.yml
```
További információ: az ml pipeline create.

A folyamat YAML-fájljára vonatkozó további információkért lásd : Gépi tanulási folyamatok definiálása a YAML-ben.
Folyamat futtatása:
```
az ml run submit-pipeline -n myexperiment -y mypipeline.yml
```
További információ: az ml run submit-pipeline.

A folyamat YAML-fájljára vonatkozó további információkért lásd : Gépi tanulási folyamatok definiálása a YAML-ben.

Folyamat ütemezése:

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

További információ: az ml pipeline create-schedule.

Modellregisztráció, profilkészítés, üzembe helyezés

Az alábbi parancsok bemutatják, hogyan regisztrálhat egy betanított modellt, majd hogyan helyezheti üzembe éles szolgáltatásként:

Modell regisztrálása az Azure Machine Tanulás:
```
az ml model register -n mymodel -p sklearn_regression_model.pkl
```
További információ: az ml model register.
OPCIONÁLIS Profil a modellhez az optimális processzor- és memóriaértékek eléréséhez az üzembe helyezéshez.
```
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 információkért lásd az ml-modell profilját.
A modell üzembe helyezése az AKS-ben
```
az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
```
A következtetés konfigurációs fájlsémával kapcsolatos további információkért lásd az Következtetés konfigurációs sémáját.

Az üzembehelyezési konfigurációs fájlsémával kapcsolatos további információkért tekintse meg az üzembehelyezési konfigurációs sémát.

További információ: az ml-modell üzembe helyezése.

Következtetéskonfigurációs séma

A dokumentum bejegyzései megfeleltetik inferenceconfig.json az InferenceConfig osztály paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
`entryScript`	`entry_script`	A rendszerképhez futtatandó kódot tartalmazó helyi fájl elérési útja.
`sourceDirectory`	`source_directory`	Opcionális. A rendszerkép létrehozásához az összes fájlt tartalmazó mappák elérési útja, amely megkönnyíti a mappán vagy almappán belüli fájlok elérését. A webszolgáltatás függőségeiként feltölthet egy teljes mappát a helyi gépről. Megjegyzés: a entry_script, conda_file és extra_docker_file_steps elérési utak a source_directory elérési út relatív elérési útjai.
`environment`	`environment`	Opcionális. Azure Machine Tanulás környezet.

Az Azure Machine Tanulás-környezetek teljes specifikációit belefoglalhatja a következtetés konfigurációs fájljába. Ha ez a környezet nem létezik a munkaterületen, az Azure Machine Tanulás hozza létre. Ellenkező esetben az Azure Machine Tanulás szükség esetén frissíti a környezetet. A következő JSON egy példa:

{
    "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"
    }
}

Egy meglévő Azure Machine Tanulás-környezetet is használhat külön CLI-paraméterekben, és eltávolíthatja a "környezet" kulcsot a következtetés konfigurációs fájljából. Használja az -e kifejezést a környezet nevére, a --ev pedig a környezeti verzióra. Ha nem adja meg az --ev értéket, a rendszer a legújabb verziót használja. Íme egy példa egy következtetési konfigurációs fájlra:

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

Az alábbi parancs bemutatja, hogyan helyezhet üzembe egy modellt az előző következtetési konfigurációs fájllal (myInferenceConfig.json néven).

Emellett egy meglévő Azure Machine Tanulás-környezet (AzureML-Minimal) legújabb verzióját használja.

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

Üzembehelyezési konfigurációs séma

Helyi üzembehelyezési konfigurációs séma

A dokumentum bejegyzései megfeleltetik a deploymentconfig.json LocalWebservice.deploy_configuration paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
`computeType`	NA	A számítási cél. Helyi célok esetén az értéknek a következőnek kell lennie `local`: .
`port`	`port`	Az a helyi port, amelyen elérhetővé szeretné tenni a szolgáltatás HTTP-végpontját.

Ez a JSON egy példa üzembe helyezési konfiguráció a parancssori felülettel való használatra:

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

Mentse ezt a JSON-t nevű fájlként deploymentconfig.json.

Az Azure Container Instance üzembehelyezési konfigurációs sémája

A dokumentum bejegyzései megfeleltetik deploymentconfig.json a AciWebservice.deploy_configuration paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
`computeType`	NA	A számítási cél. Az ACI esetében az értéknek a következőnek kell lennie `ACI`: .
`containerResourceRequirements`	NA	Tároló a PROCESSZOR- és memóriaentitásokhoz.
`cpu`	`cpu_cores`	A lefoglalni kívánt processzormagok száma. Alapértelmezett `0.1`
`memoryInGB`	`memory_gb`	A webszolgáltatáshoz lefoglalandó memória mennyisége (GB-ban). Alapértelmezett `0.5`
`location`	`location`	A webszolgáltatás üzembe helyezéséhez szükséges Azure-régió. Ha nincs megadva, a munkaterület helye lesz használva. További részletek az elérhető régiókról itt találhatók: ACI-régiók
`authEnabled`	`auth_enabled`	Engedélyezze-e a hitelesítést ehhez a webszolgáltatáshoz. Alapértelmezett érték hamis
`sslEnabled`	`ssl_enabled`	Engedélyezze-e az SSL-t ehhez a webszolgáltatáshoz. Alapértelmezés szerint Hamis.
`appInsightsEnabled`	`enable_app_insights`	Az alkalmazás engedélyezése a webszolgáltatáshoz Elemzések. Alapértelmezett érték hamis
`sslCertificate`	`ssl_cert_pem_file`	Az SSL engedélyezése esetén szükséges tanúsítványfájl
`sslKey`	`ssl_key_pem_file`	Az SSL engedélyezése esetén szükséges kulcsfájl
`cname`	`ssl_cname`	Ha az SSL engedélyezve van, a cname értéke
`dnsNameLabel`	`dns_name_label`	A pontozási végpont dns-névfelirata. Ha nincs megadva egyedi DNS-névcímke a pontozási végponthoz.

A következő JSON egy példa üzembe helyezési konfiguráció a parancssori felülettel való használatra:

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

Az Azure Kubernetes Service üzembehelyezési konfigurációs sémája

A dokumentum bejegyzései megfeleltetik a deploymentconfig.json AksWebservice.deploy_configuration paramétereit. Az alábbi táblázat a JSON-dokumentumban szereplő entitások és a metódus paraméterei közötti leképezést ismerteti:

JSON-entitás	Metódusparaméter	Leírás
`computeType`	NA	A számítási cél. Az AKS esetében az értéknek a következőnek kell lennie `aks`: .
`autoScaler`	NA	Az automatikus skálázás konfigurációs elemeit tartalmazza. Tekintse meg az automatikus méretezési táblázatot.
`autoscaleEnabled`	`autoscale_enabled`	A webszolgáltatás automatikus skálázásának engedélyezése. Ha `numReplicas` = `0`, `True`; egyébként, `False`.
`minReplicas`	`autoscale_min_replicas`	A webszolgáltatás automatikus skálázása során használandó tárolók minimális száma. Alapértelmezett, `1`.
`maxReplicas`	`autoscale_max_replicas`	A webszolgáltatás automatikus skálázása során használandó tárolók maximális száma. Alapértelmezett, `10`.
`refreshPeriodInSeconds`	`autoscale_refresh_seconds`	Milyen gyakran próbálja az automatikus skálázó skálázni ezt a webszolgáltatást. Alapértelmezett, `1`.
`targetUtilization`	`autoscale_target_utilization`	Az automatikus skálázó által a webszolgáltatás számára fenntartott célkihasználtság (a 100-ból százalékban). Alapértelmezett, `70`.
`dataCollection`	NA	Az adatgyűjtés konfigurációs elemeit tartalmazza.
`storageEnabled`	`collect_model_data`	Engedélyezi-e a modelladatok gyűjtését a webszolgáltatás számára. Alapértelmezett, `False`.
`authEnabled`	`auth_enabled`	A webszolgáltatás kulcshitelesítésének engedélyezése. Mindkettő `tokenAuthEnabled` , és `authEnabled` nem lehet `True`. Alapértelmezett, `True`.
`tokenAuthEnabled`	`token_auth_enabled`	Engedélyezi-e a jogkivonat-hitelesítést a webszolgáltatáshoz. Mindkettő `tokenAuthEnabled` , és `authEnabled` nem lehet `True`. Alapértelmezett, `False`.
`containerResourceRequirements`	NA	Tároló a PROCESSZOR- és memóriaentitásokhoz.
`cpu`	`cpu_cores`	A webszolgáltatáshoz lefoglalandó processzormagok száma. Alapértelmezett `0.1`
`memoryInGB`	`memory_gb`	A webszolgáltatáshoz lefoglalandó memória mennyisége (GB-ban). Alapértelmezett `0.5`
`appInsightsEnabled`	`enable_app_insights`	Az alkalmazás Elemzések naplózásának engedélyezése a webszolgáltatáshoz. Alapértelmezett, `False`.
`scoringTimeoutMs`	`scoring_timeout_ms`	Időtúllépés a webszolgáltatásba irányuló pontozási hívások kényszerítéséhez. Alapértelmezett, `60000`.
`maxConcurrentRequestsPerContainer`	`replica_max_concurrent_requests`	A webszolgáltatás csomópontonkénti egyidejű kéréseinek maximális száma. Alapértelmezett, `1`.
`maxQueueWaitMs`	`max_request_wait_time`	A kérések maximális időtartama (ezredmásodpercben) az 503-at eredményező hiba visszaadása előtt. Alapértelmezett, `500`.
`numReplicas`	`num_replicas`	A webszolgáltatáshoz lefoglalandó tárolók száma. Nincs alapértelmezett érték. Ha ez a paraméter nincs beállítva, az automatikus skálázás alapértelmezés szerint engedélyezve van.
`keys`	NA	A kulcsok konfigurációs elemeit tartalmazza.
`primaryKey`	`primary_key`	A webszolgáltatáshoz használandó elsődleges hitelesítési kulcs
`secondaryKey`	`secondary_key`	A webszolgáltatáshoz használandó másodlagos hitelesítési kulcs
`gpuCores`	`gpu_cores`	A webszolgáltatáshoz lefoglalandó GPU-magok száma (tárolónkénti replikánként). Az alapértelmezett érték 1. Csak egész számértékeket támogat.
`livenessProbeRequirements`	NA	Konfigurációelemeket tartalmaz az élőségi mintavételi követelményekhez.
`periodSeconds`	`period_seconds`	Milyen gyakran (másodpercben) hajtja végre az élőség-mintavételt. Alapértelmezés szerint 10 másodperc. A minimális érték 1.
`initialDelaySeconds`	`initial_delay_seconds`	A tároló elindítása után másodpercek száma az élőségi mintavételek kezdeményezése előtt. Alapértelmezett érték: 310
`timeoutSeconds`	`timeout_seconds`	Azon másodpercek száma, amelyek után az élőség-mintavétel túllépi az időkorlátot. Alapértelmezés szerint 2 másodperc. A minimális érték 1
`successThreshold`	`success_threshold`	Az élőségi mintavétel minimális egymást követő sikerei sikeresnek tekinthetők a sikertelenség után. Alapértelmezett érték: 1. A minimális érték 1.
`failureThreshold`	`failure_threshold`	Amikor elindul egy pod, és az élőségi mintavétel meghiúsul, a Kubernetes megpróbálja a failureThreshold időpontokat, mielőtt feladná. Alapértelmezett érték: 3. A minimális érték 1.
`namespace`	`namespace`	Az a Kubernetes-névtér, amelybe a webszolgáltatás telepítve van. Legfeljebb 63 kisbetűs alfanumerikus ('a'-'z', '0'-'9') és kötőjel ('-') karakter. Az első és az utolsó karakter nem lehet kötőjel.