Telepítés > a parancssori felület (v1) használatával
A KÖVETKEZŐre vonatkozik: Azure CLI ml-bővítmény 1-es verzió
Fontos
A cikkben szereplő Azure CLI-parancsok némelyike az azure-cli-ml
Azure 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 environmentVariables
environment_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. |
A következő JSON egy példa üzembe helyezési konfiguráció a parancssori felülettel való használatra:
{
"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
}
}