Schemaläggning av pipelinejobb för maskininlärning

GÄLLER FÖR:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (aktuell)

I den här artikeln får du lära dig hur du programmatiskt schemalägger en pipeline för att köras i Azure och använder schemagränssnittet för att göra detsamma. Du kan skapa ett schema baserat på förfluten tid. Tidsbaserade scheman kan användas för att ta hand om rutinuppgifter, till exempel träna om modeller eller göra batchförutsägelser regelbundet för att hålla dem uppdaterade. När du har lärt dig hur du skapar scheman får du lära dig hur du hämtar, uppdaterar och inaktiverar dem via CLI, SDK och studiogränssnittet.

Dricks

Om du behöver schemalägga jobb med hjälp av en extern orkestrerare, till exempel Azure Data Factory eller Microsoft Fabric, kan du överväga att distribuera dina pipelinejobb under en Batch-slutpunkt. Läs mer om hur du distribuerar jobb under en batchslutpunkt och hur du använder batchslutpunkter från Microsoft Fabric.

Förutsättningar

• Du måste ha en Azure-prenumeration för att kunna använda Azure Machine Learning. Om du inte har någon Azure-prenumeration skapar du ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning idag.

Azure CLI

• Installera Azure CLI och ml tillägget. Följ installationsstegen i Installera, konfigurera och använd CLI (v2).

• Skapa en Azure Machine Learning-arbetsyta om du inte har någon. Information om hur du skapar arbetsytor finns i Installera, konfigurera och använda CLI (v2).

Python SDK

• Skapa en Azure Machine Learning-arbetsyta om du inte har någon.
• Azure Machine Learning SDK v2 för Python.

studio-användargränssnitt

• En Azure Machine Learning-arbetsyta. Se Skapa arbetsyteresurser.
• Förståelse för Azure Machine Learning-pipelines. Se vad som är maskininlärningspipelines och hur du skapar pipelinejobb i CLI v2 eller SDK v2.

Schemalägga ett pipelinejobb

Om du vill köra ett pipelinejobb regelbundet måste du skapa ett schema. En Schedule associerar ett jobb och en utlösare. Utlösaren kan antingen vara cron att använda cron-uttryck för att beskriva väntetiden mellan körningar eller recurrence som anger hur ofta jobbet ska utlösas. I varje fall måste du definiera ett pipelinejobb först, det kan vara befintliga pipelinejobb eller ett pipelinejobb som definieras infogat, se Skapa ett pipelinejobb i CLI och Skapa ett pipelinejobb i SDK.

Du kan schemalägga ett yaml-pipelinejobb i ett lokalt eller ett befintligt pipelinejobb på arbetsytan.

Skapa en tidsplan

Skapa ett tidsbaserat schema med upprepningsmönster

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_recurrence_job_schedule
display_name: Simple recurrence job schedule
description: a simple hourly recurrence job schedule

trigger:
  type: recurrence
  frequency: day #can be minute, hour, day, week, month
  interval: 1 #every day
  schedule:
    hours: [4,5,10,11,12]
    minutes: [0,30]
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

create_job: ./simple-pipeline-job.yml
# create_job: azureml:simple-pipeline-job

trigger innehåller följande egenskaper:

• (Krävs)type anger att schematypen är recurrence. Det kan också vara cron, se information i nästa avsnitt.

Listan fortsätter nedan.

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

schedule_name = "simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()
recurrence_trigger = RecurrenceTrigger(
    frequency="day",
    interval=1,
    schedule=RecurrencePattern(hours=10, minutes=[0, 1]),
    start_time=schedule_start_time,
    time_zone=TimeZone.UTC,
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=recurrence_trigger, create_job=pipeline_job
)

RecurrenceTrigger innehåller följande egenskaper:

• (Krävs) För att ge bättre kodningsupplevelse använder RecurrenceTrigger vi för upprepningsschema.

Listan fortsätter nedan.

studio-användargränssnitt

Kommentar

För närvarande stöder Endast Azure Machine Learning-scheman (v2) pipelinejobb.

Användargränssnittsfunktionerna är endast för Azure Machine Learning-scheman (v2), vilket innebär att v1-scheman som skapats baserat på publicerade pipelines eller pipelineslutpunkter inte stöds i användargränssnittet – inte visas eller nås i användargränssnittet. Du kan dock skapa v2-scheman för dina v1-pipelinejobb med hjälp av SDK/CLI v2 eller användargränssnittet.

När du har ett pipelinejobb med tillfredsställande prestanda och utdata kan du konfigurera ett schema för att automatiskt utlösa det här jobbet regelbundet.

1. På sidan med information om pipelinejobb väljer du Schema –> Skapa nytt schema för att öppna guiden skapa schema.

   

2. De grundläggande inställningarna för guiden för att skapa schema innehåller följande egenskaper.

   

   • Namn: den unika identifieraren för schemat på arbetsytan.
   • Beskrivning: beskrivning av schemat.
   • Utlösare: anger schemats upprepningsmönster, inklusive följande egenskaper.
     • Tidszon: tidszonen baserat på vilken utlösartiden ska beräknas, som standard är (UTC) Coordinated Universal Time( Coordinated Universal Time).
     • Upprepning eller Cron-uttryck: välj upprepning för att ange det återkommande mönstret. Under Återkommande kan du ange upprepningsfrekvensen som minutvis, varje timme, varje dag, varje vecka och varje månad.
     • Start: anger datumet från när schemat blir aktivt. Som standard är det det datum då du skapar det här schemat.
     • Slut: anger datumet efter när schemat blir inaktivt. Som standard är det NONE, vilket innebär att schemat alltid är aktivt tills du inaktiverar det manuellt.
     • Taggar: taggar för schemat.

   När du har konfigurerat de grundläggande inställningarna kan du välja Granska + skapa direkt och schemat skickar automatiskt jobb enligt det upprepningsmönster som du har angett.

Kommentar

Följande egenskaper som måste anges gäller för CLI och SDK.

• (Krävs)frequency anger den tidsenhet som beskriver hur ofta schemat utlöses. Kan vara minute, hour, day, week, month.

• (Krävs)interval anger hur ofta schemat utlöses baserat på frekvensen, vilket är antalet tidsenheter som ska vänta tills schemat utlöses igen.

• (Valfritt) schedule definierar upprepningsmönstret, som innehåller hours, minutesoch weekdays.

  • När frequency är daykan mönstret ange hours och minutes.
  • När frequency är week och monthkan mönstret ange hours, minutes och weekdays.
  • hours bör vara ett heltal eller en lista, från 0 till 23.
  • minutes ska vara ett heltal eller en lista, från 0 till 59.
  • weekdays kan vara en sträng eller lista från monday till sunday.
  • Om schedule utelämnas utlöses jobben enligt logiken start_timei , frequency och interval.

• (Valfritt) start_time beskriver startdatum och tid med tidszon. Om start_time utelämnas är start_time lika med den tid då jobbet skapades. Om starttiden är tidigare körs det första jobbet vid nästa beräknade körningstid.

• (Valfritt) end_time beskriver slutdatum och tid med tidszon. Om end_time utelämnas fortsätter schemat utlösarjobb tills schemat inaktiveras manuellt.

• (Valfritt) time_zone anger tidszonen för upprepningen. Om det utelämnas är UTC som standard. Mer information om tidszonsvärden finns i bilaga för tidszonsvärden.

Skapa ett tidsbaserat schema med cron-uttryck

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: simple_cron_job_schedule
display_name: Simple cron job schedule
description: a simple hourly cron job schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

# create_job: azureml:simple-pipeline-job
create_job: ./simple-pipeline-job.yml

Avsnittet trigger definierar schemainformationen och innehåller följande egenskaper:

• (Krävs)type anger att schematypen är cron.

Listan fortsätter nedan.

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

schedule_name = "simple_sdk_create_schedule_cron"

schedule_start_time = datetime.utcnow()
cron_trigger = CronTrigger(
    expression="15 10 * * *",
    start_time=schedule_start_time,  # start time
    time_zone="Eastern Standard Time",  # time zone of expression
)

job_schedule = JobSchedule(
    name=schedule_name, trigger=cron_trigger, create_job=pipeline_job
)

Avsnittet CronTrigger definierar schemainformationen och innehåller följande egenskaper:

• (Krävs) För att ge bättre kodningsupplevelse använder CronTrigger vi för upprepningsschema.

Listan fortsätter nedan.

studio-användargränssnitt

När du har ett pipelinejobb med tillfredsställande prestanda och utdata kan du konfigurera ett schema för att automatiskt utlösa det här jobbet regelbundet.

1. På sidan med information om pipelinejobb väljer du Schema –> Skapa nytt schema för att öppna guiden skapa schema.

2. De grundläggande inställningarna för guiden för att skapa schema innehåller följande egenskaper.

   • Namn: den unika identifieraren för schemat på arbetsytan.
   • Beskrivning: beskrivning av schemat.
   • Utlösare: anger schemats upprepningsmönster, inklusive följande egenskaper.
     • Tidszon: tidszonen baserat på vilken utlösartiden ska beräknas, som standard är (UTC) Coordinated Universal Time( Coordinated Universal Time).
     • Upprepning eller Cron-uttryck: välj cron-uttryck för att ange det återkommande mönstret. Med Cron-uttryck kan du ange ett mer flexibelt och anpassat upprepningsmönster.
     • Start: anger datumet från när schemat blir aktivt. Som standard är det det datum då du skapar det här schemat.
     • Slut: anger datumet efter när schemat blir inaktivt. Som standard är det NONE, vilket innebär att schemat alltid är aktivt tills du inaktiverar det manuellt.
     • Taggar: taggar för schemat.

   När du har konfigurerat de grundläggande inställningarna kan du välja Granska + skapa direkt och schemat skickar automatiskt jobb enligt det upprepningsmönster som du har angett.

• (Krävs)expression använder standarduttryck för crontab för att uttrycka ett återkommande schema. Ett enda uttryck består av fem blankstegsavgränsade fält:

  MINUTES HOURS DAYS MONTHS DAYS-OF-WEEK

  • Ett enda jokertecken (*), som täcker alla värden för fältet. Så en * i dagar innebär alla dagar i månaden (som varierar med månad och år).

  • I expression: "15 16 * * 1" exemplet ovan avses 16:15 varje måndag.

  • Tabellen nedan visar giltiga värden för varje fält:

    Fält	Intervall	Kommentar
    MINUTES	0-59	-
    HOURS	0-23	-
    DAYS	-	Stöds ej. Värdet ignoreras och behandlas som *.
    MONTHS	-	Stöds ej. Värdet ignoreras och behandlas som *.
    DAYS-OF-WEEK	0-6	Noll (0) betyder söndag. Namn på dagar accepteras också.

  • Mer information om hur du använder crontab-uttryck finns i Wiki för Crontab-uttryck på GitHub .

  Viktigt!

  DAYS och MONTH stöds inte. Om du skickar ett värde ignoreras det och behandlas som *.

• (Valfritt) start_time anger startdatum och tid med tidszonen för schemat. start_time: "2022-05-10T10:15:00-04:00" innebär att schemat börjar från 10:15:00 den 2022-05-10 i UTC-4 tidszon. Om start_time utelämnas start_time är skapandetiden lika med schemat. Om starttiden är tidigare körs det första jobbet vid nästa beräknade körningstid.

• (Valfritt) end_time beskriver slutdatum och tid med tidszon. Om end_time utelämnas fortsätter schemat utlösarjobb tills schemat inaktiveras manuellt.

• (Valfritt) time_zoneanger tidszonen för uttrycket. Om det utelämnas är UTC som standard. Se bilaga för tidszonsvärden.

Begränsningar:

• Azure Machine Learning v2-schemat stöder för närvarande inte händelsebaserad utlösare.
• Du kan ange ett komplext upprepningsmönster som innehåller flera tidsstämplar för utlösare med Hjälp av Azure Machine Learning SDK/CLI v2, medan användargränssnittet endast visar det komplexa mönstret och inte stöder redigering.
• Om du anger upprepningen som den 31:a dagen i varje månad, i månader med mindre än 31 dagar, utlöser schemat inte jobb.

Ändra körningsinställningar när du definierar scheman

När du definierar ett schema med ett befintligt jobb kan du ändra körningsinställningarna för jobbet. Med den här metoden kan du definiera flera scheman med samma jobb med olika indata.

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: cron_with_settings_job_schedule
display_name: Simple cron job schedule
description: a simple hourly cron job schedule

trigger:
  type: cron
  expression: "0 * * * *"
  start_time: "2022-07-10T10:00:00" # optional - default will be schedule creation time
  time_zone: "Pacific Standard Time" # optional - default will be UTC

create_job: 
  type: pipeline
  job: ./simple-pipeline-job.yml
  # job: azureml:simple-pipeline-job
  # runtime settings
  settings:
    #default_compute: azureml:cpu-cluster
    continue_on_step_failure: true
  inputs:
    hello_string_top_level_input: ${{name}} 
  tags: 
    schedule: cron_with_settings_schedule

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

# set run time settings
pipeline_job = pipeline_with_components_from_yaml(
    training_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    test_input=Input(type="uri_folder", path=parent_dir + "/data/"),
    training_max_epochs=20,
    training_learning_rate=1.8,
    learning_rate_schedule="time-based",
)

# set pipeline level compute
pipeline_job.settings.default_compute = "cpu-cluster"

studio-användargränssnitt

1. Ibland kanske du vill att jobben som utlöses av scheman ska ha olika konfigurationer än testjobben. I Avancerade inställningar i guiden skapa schema kan du ändra jobbindata/utdata och körningstidsinställningar baserat på det aktuella jobbet.

   I understeget Jobbindata och utdata kan du ändra indata och utdata för framtida jobb som utlöses av scheman. Du kanske vill att jobben ska utlösas av scheman som körs med dynamiska parametervärden. För närvarande kan du använda följande MAKRO-uttryck för jobbindata och utdatasökväg.

   Uttryck	beskrivning
   ${{name}}	namnet på jobbet
   ${{creation_context.trigger_time}}	utlösartid för jobbet

   

   I inställningarna för jobbkörning understeget kan du ändra beräkningsinställningar och andra körningstidsinställningar för jobb som utlöses av schemat.

   

2. Välj Granska + Skapa för att granska de schemainställningar som du har konfigurerat.

   

3. Välj Granska + Skapa för att slutföra skapandet. Det kommer att finnas ett meddelande när skapandet har slutförts.

Följande egenskaper kan ändras när du definierar schema:

Property	beskrivning
settings	En ordlista med inställningar som ska användas när du kör pipelinejobbet.
Ingångar	En ordlista med indata som ska användas när du kör pipelinejobbet.
Utgångar	En ordlista med indata som ska användas när du kör pipelinejobbet.
experiment_name	Experimentnamn för utlöst jobb.

Kommentar

Användare av studiogränssnittet kan bara ändra inställningar för indata, utdata och körning när de skapar ett schema. experiment_name kan bara ändras med hjälp av CLI eller SDK.

Uttryck som stöds i schemat

När du definierar schemat stöder vi följande uttryck som kommer att matchas till verkligt värde under jobbkörningen.

Uttryck	beskrivning	Egenskaper som stöds
${{creation_context.trigger_time}}	Den tid då schemat utlöses.	Indata för strängtyp för pipelinejobb
${{name}}	Namnet på jobbet.	outputs.path för pipelinejobb

Hantera schema

Skapa schema

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

När du har skapat schemat yaml kan du använda följande kommando för att skapa ett schema via CLI.

# This action will create related resources for a schedule. It will take dozens of seconds to complete.
az ml schedule create --file cron-schedule.yml --no-wait

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

studio-användargränssnitt

Se Skapa ett tidsbaserat schema med upprepningsmönster eller Skapa ett tidsbaserat schema med cron-uttryck.

Lista scheman på en arbetsyta

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

az ml schedule list

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

schedules = ml_client.schedules.list()
[s.name for s in schedules]

studio-användargränssnitt

I studioportalen går du till Jobbtillägget och väljer fliken Alla scheman, där du hittar alla jobbscheman som skapats av SDK/CLI/UI i en enda lista. I schemalistan kan du ha en översikt över alla scheman på den här arbetsytan.

Kontrollera schemainformation

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

az ml schedule show -n simple_cron_job_schedule

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

created_schedule = ml_client.schedules.get(name=schedule_name)
[created_schedule.name]

studio-användargränssnitt

Du kan välja ett schemanamn för att visa schemainformationssidan. Sidan med schemainformation innehåller följande flikar:

• Översikt: grundläggande information om det här schemat.

  

• Jobbdefinition: definierar jobbet som utlöses av det här schemat.

  

• Jobbhistorik: en lista över alla jobb som utlöses av det här schemat.

Uppdatera ett schema

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

az ml schedule update -n simple_cron_job_schedule  --set description="new description" --no-wait

Kommentar

Om du vill uppdatera mer än bara taggar/beskrivningar rekommenderar vi att du använder az ml schedule create --file update_schedule.yml

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

studio-användargränssnitt

Uppdatera en ny versionspipeline till befintligt schema

När du har konfigurerat ett schema för omträning eller batchinferens för produktion regelbundet kan du fortfarande arbeta med finjustering eller optimering av modellen.

När du har ett nytt versionspipelinejobb med optimerad prestanda kan du uppdatera den nya versionspipelinen till ett befintligt schema.

1. På den nya sidan med information om pipelinejobb väljer du Schemalägg ->Uppdatera till befintligt schema.

   

2. Välj ett befintligt schema i tabellen.

   

Viktigt!

Kontrollera att du väljer rätt schema som du vill uppdatera. När du har slutfört uppdateringen utlöser schemat olika jobb.

3. Du kan också ändra jobbindata/utdata och körningstidsinställningar för de framtida jobb som utlöses av schemat.

4. Välj Granska + uppdatera för att slutföra uppdateringsprocessen. Det kommer att visas ett meddelande när uppdateringen har slutförts.

5. När uppdateringen är klar kan du visa den nya jobbdefinitionen på sidan schemainformation.

Uppdatera i schemainformationssidan

På sidan med schemainformation kan du välja Uppdatera inställningar för att uppdatera de grundläggande inställningarna och de avancerade inställningarna (inklusive jobbindata/utdata och körningsinställningar) för schemat.

Inaktivera ett schema

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

az ml schedule disable -n simple_cron_job_schedule --no-wait

Python SDK

job_schedule = ml_client.schedules.begin_disable(name=schedule_name).result()
job_schedule.is_enabled

studio-användargränssnitt

På sidan schemainformation kan du inaktivera det aktuella schemat. Du kan också inaktivera scheman från fliken Alla scheman .

Aktivera ett schema

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

az ml schedule enable -n simple_cron_job_schedule --no-wait

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

# Update trigger expression
job_schedule.trigger.expression = "10 10 * * 1"
job_schedule = ml_client.schedules.begin_create_or_update(
    schedule=job_schedule
).result()
print(job_schedule)

studio-användargränssnitt

På sidan schemainformation kan du aktivera det aktuella schemat. Du kan också aktivera scheman från fliken Alla scheman .

Fråga utlösta jobb från ett schema

Alla visningsnamn för jobb som utlöses av schemat har visningsnamnet som <schedule_name-YYYYMMDDThhmmssZ>. Om till exempel ett schema med namnet named-schedule skapas med en schemalagd körning var 12:e timme med start kl. 06.00 den 1 januari 2021 blir visningsnamnen för de skapade jobben följande:

• named-schedule-20210101T060000Z
• named-schedule-20210101T180000Z
• named-schedule-20210102T060000Z
• named-schedule-20210102T180000Z och så vidare

Du kan också använda Azure CLI JMESPath-fråga för att fråga jobben som utlöses av ett schemanamn.

# query triggered jobs from schedule, please replace the simple_cron_job_schedule to your schedule name
az ml job list --query "[?contains(display_name,'simple_cron_schedule')]"

Kommentar

Ett enklare sätt att hitta alla jobb som utlöses av ett schema finns i Jobbhistorik på schemainformationssidanmed hjälp av studiogränssnittet.

---

Ta bort ett schema

Viktigt!

Ett schema måste inaktiveras för att tas bort. Borttagning är en oåterkallelig åtgärd. När ett schema har tagits bort kan du aldrig komma åt eller återställa det.

Azure CLI

GÄLLER FÖR:Azure CLI ml extension v2 (aktuell)

az ml schedule delete -n simple_cron_job_schedule

Python SDK

GÄLLER FÖR: Python SDK azure-ai-ml v2 (aktuell)

# Only disabled schedules can be deleted
ml_client.schedules.begin_disable(name=schedule_name).result()
ml_client.schedules.begin_delete(name=schedule_name).result()

studio-användargränssnitt

Du kan ta bort ett schema från schemainformationssidan eller alla scheman.

Stöd för RBAC (rollbaserad åtkomstkontroll)

Eftersom scheman vanligtvis används för produktion, för att minska effekten av felaktig användning, kan arbetsyteadministratörer vilja begränsa åtkomsten till att skapa och hantera scheman på en arbetsyta.

För närvarande finns det tre åtgärdsregler som rör scheman och du kan konfigurera i Azure-portalen. Du kan lära dig mer om hur du hanterar åtkomst till en Azure Machine Learning-arbetsyta.

Åtgärd	beskrivning	Regel
Lästa	Hämta och lista scheman i Machine Learning-arbetsytan	Microsoft.MachineLearningServices/workspaces/schedules/read
Skriva	Skapa, uppdatera, inaktivera och aktivera scheman i Machine Learning-arbetsytan	Microsoft.MachineLearningServices/workspaces/schedules/write
Delete	Ta bort ett schema i Machine Learning-arbetsytan	Microsoft.MachineLearningServices/workspaces/schedules/delete

Kostnadsöverväganden

• Scheman faktureras baserat på antalet scheman. Varje schema skapar en logikapp som är värd för Azure Machine Learning-underkonton (HOBO) för användaren.
• Kostnaden för logikappar ändras tillbaka till användarens Azure-prenumeration, och du kan hitta kostnader för HOBO-resurser debiteras med samma mätare som genereras av den ursprungliga RP. De visas under värdresursen (arbetsytan).

Vanliga frågor och svar

• Varför visas inte mina scheman som skapats av SDK i användargränssnittet?

  Användargränssnittet för scheman gäller för v2-scheman. Därför visas inte dina v1-scheman eller nås via användargränssnittet.

  V2-scheman stöder dock även v1-pipelinejobb. Du behöver inte publicera pipelinen först och du kan konfigurera scheman direkt för ett pipelinejobb.

• Varför utlöser inte mina scheman jobb vid den tidpunkt jag angav tidigare?

  • Som standard använder scheman UTC-tidszonen för att beräkna utlösartiden. Du kan ange tidszon i guiden för att skapa eller uppdatera tidszonen på schemainformationssidan.
  • Om du anger upprepningen som den 31:a dagen i varje månad, i månader med mindre än 31 dagar, utlöser schemat inte jobb.
  • Om du använder cron-uttryck stöds inte MONTH. Om du skickar ett värde ignoreras det och behandlas som *. Det här är en känd begränsning.

• Stöds händelsebaserade scheman?

  • Nej, V2-schemat stöder inte händelsebaserade scheman.

Nästa steg

• Läs mer om CLI-schemaschemat (v2).
• Lär dig hur du skapar pipelinejobb i CLI v2.
• Lär dig hur du skapar pipelinejobb i SDK v2.
• Läs mer om YAML-kärnsyntaxen för CLI (v2).
• Läs mer om pipelines.
• Läs mer om Komponent.