CLI'yi yükleme ve kullanma (v1)

  • Makale

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v1

Önemli

Bu makaledeki Azure CLI komutlarından bazıları Azure Machine Learning için uzantısını veya v1'i kullanır azure-cli-ml. v1 uzantısı desteği 30 Eylül 2025'te sona erecektir. Bu tarihe kadar v1 uzantısını yükleyebilecek ve kullanabileceksiniz.

30 Eylül 2025'e kadar , veya v2 uzantısına geçmenizi mlöneririz. v2 uzantısı hakkında daha fazla bilgi için bkz . Azure ML CLI uzantısı ve Python SDK v2.

Azure Machine Learning CLI, Azure platformu için platformlar arası bir komut satırı arabirimi olan Azure CLI'nın bir uzantısıdır. Bu uzantı, Azure Machine Learning ile çalışmaya yönelik komutlar sağlar. Makine öğrenmesi etkinliklerinizi otomatikleştirmenizi sağlar. Aşağıdaki liste, CLI uzantısıyla yapabileceğiniz bazı örnek eylemler sağlar:

  • Makine öğrenmesi modelleri oluşturmak için deneme çalıştırma

  • Makine öğrenmesi modellerini müşteri kullanımına kaydetme

  • Makine öğrenmesi modellerinizin yaşam döngüsünü paketleme, dağıtma ve izleme

CLI, Azure Machine Learning SDK'sının yerine geçemez. Otomasyona en uygun yüksek parametreli görevleri işlemek için iyileştirilmiş tamamlayıcı bir araçtır.

Önkoşullar

  • CLI'yı kullanmak için bir Azure aboneliğiniz olmalıdır. Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun. Azure Machine Learning'in ücretsiz veya ücretli sürümünü bugün deneyin.

  • Bu belgedeki CLI komutlarını yerel ortamınızdan kullanmak için Azure CLI gerekir.

    Azure Cloud Shell kullanıyorsanız CLI'ya tarayıcı üzerinden erişilir ve bulutta bulunur.

Tam başvuru belgeleri

Azure CLI'nın azure-cli-ml uzantısı için tam başvuru belgelerini bulun.

CLI'yi Azure aboneliğinize Bağlan

Önemli

Azure Cloud Shell kullanıyorsanız bu bölümü atlayabilirsiniz. Cloud Shell, Azure aboneliğinizde oturum açtığınız hesabı kullanarak kimliğinizi otomatik olarak doğrular.

CLI'dan Azure aboneliğinizde kimlik doğrulaması yapmanın çeşitli yolları vardır. En temel olan, tarayıcı kullanarak etkileşimli kimlik doğrulaması yapmaktır. Etkileşimli kimlik doğrulaması yapmak için bir komut satırı veya terminal açın ve aşağıdaki komutu kullanın:

az login

CLI varsayılan tarayıcınızı açabiliyorsa, tarayıcıyı açar ve oturum açma sayfasını yükler. Aksi takdirde, bir tarayıcı açmanız ve komut satırındaki yönergeleri izlemeniz gerekir. Yönergeler, yetkilendirme koduna https://aka.ms/devicelogin göz atmayı ve bu kodu girmeyi içerir.

Bahşiş

Oturum açtıktan sonra Azure hesabınızla ilişkili aboneliklerin listesini görürsünüz. ile isDefault: true abonelik bilgileri, Azure CLI komutları için şu anda etkinleştirilmiş olan aboneliktir. Bu abonelik, Azure Machine Learning çalışma alanınızı içeren abonelikle aynı olmalıdır. Çalışma alanınızın genel bakış sayfasını ziyaret ederek Azure portalından abonelik kimliğini bulabilirsiniz..

Başka bir abonelik seçmek için komutunu kullanın az account set -s <subscription name or ID> ve geçiş için abonelik adını veya kimliğini belirtin. Abonelik seçimi hakkında daha fazla bilgi için bkz . Birden çok Azure Aboneliği kullanma.

Diğer kimlik doğrulama yöntemleri için bkz . Azure CLI ile oturum açma.

Uzantıyı yükleme

CLI (v1) uzantısını yüklemek için:

az extension add -n azure-cli-ml

Uzantıyı güncelleştirme

Machine Learning CLI uzantısını güncelleştirmek için aşağıdaki komutu kullanın:

az extension update -n azure-cli-ml

Uzantıyı kaldırma

CLI uzantısını kaldırmak için aşağıdaki komutu kullanın:

az extension remove -n azure-cli-ml

Kaynak yönetimi

Aşağıdaki komutlar, Azure Machine Learning tarafından kullanılan kaynakları yönetmek için CLI'nin nasıl kullanılacağını gösterir.

  • Henüz bir kaynak grubunuz yoksa bir kaynak grubu oluşturun:

    az group create -n myresourcegroup -l westus2

  • Azure Machine Learning çalışma alanı oluşturma:

    az ml workspace create -w myworkspace -g myresourcegroup

    Daha fazla bilgi için bkz . az ml workspace create.

  • CLI bağlamsal farkındalığını etkinleştirmek için bir klasöre çalışma alanı yapılandırması ekleyin.

    az ml folder attach -w myworkspace -g myresourcegroup

    Bu komut, örnek runconfig ve conda ortam dosyalarını içeren bir .azureml alt dizin oluşturur. Ayrıca Azure Machine Learning çalışma alanınızla iletişim kurmak için kullanılan bir config.json dosya içerir.

    Daha fazla bilgi için bkz . az ml folder attach.

  • Azure blob kapsayıcılarını Veri deposu olarak ekleyin.

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

    Daha fazla bilgi için bkz . az ml datastore attach-blob.

  • Dosyaları Bir Veri Deposuna yükleyin.

    az ml datastore upload  -n datastorename -p sourcepath

    Daha fazla bilgi için bkz . az ml datastore upload.

  • AKS kümesini İşlem Hedefi olarak ekleyin.

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

    Daha fazla bilgi için bkz. az ml computetarget attach aks

İşlem kümeleri

  • Yeni bir yönetilen işlem kümesi oluşturun.

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

  • Yönetilen kimlikle yeni bir yönetilen işlem kümesi oluşturma

    • Kullanıcı tarafından atanan yönetilen kimlik

      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>'

    • Sistem tarafından atanan yönetilen kimlik

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

  • Mevcut kümeye yönetilen kimlik ekleme:

    • Kullanıcı tarafından atanan yönetilen kimlik

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

    • Sistem tarafından atanan yönetilen kimlik

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

Daha fazla bilgi için bkz . az ml computetarget create amlcompute.

Dekont

Azure Machine Learning işlem kümeleri, aynı anda değil, yalnızca bir sistem tarafından atanan kimliği veya kullanıcı tarafından atanan birden çok kimliği destekler.

İşlem örneği

İşlem örneklerini yönetme. Aşağıdaki tüm örneklerde işlem örneğinin adı CPU'dur

Deneme çalıştırma

  • Denemenizin bir çalıştırması başlatın. Bu komutu kullanırken, -c parametresine karşı runconfig dosyasının adını (dosya sisteminize bakıyorsanız *.runconfig'in öncesi metin) belirtin.

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

    Bahşiş

    komutu az ml folder attach , iki örnek runconfig dosyası içeren bir .azureml alt dizin oluşturur.

    Program aracılığıyla bir çalıştırma yapılandırma nesnesi oluşturan bir Python betiğiniz varsa RunConfig.save() komutunu kullanarak runconfig dosyası olarak kaydedebilirsiniz.

    Tam runconfig şeması bu JSON dosyasında bulunabilir. Şema, her nesnenin description anahtarı aracılığıyla kendi kendine belgelemedir. Ayrıca, olası değerler için sabit listeleri ve sonunda bir şablon parçacığı vardır.

    Daha fazla bilgi için bkz . az ml run submit-script.

  • Denemelerin listesini görüntüleyin:

    az ml experiment list

    Daha fazla bilgi için bkz . az ml experiment list.

HyperDrive çalıştırması

Parametre ayarlama çalıştırmaları gerçekleştirmek için Azure CLI ile HyperDrive'ı kullanabilirsiniz. İlk olarak, aşağıdaki biçimde bir HyperDrive yapılandırma dosyası oluşturun. Hiper parametre ayarlama parametreleriyle ilgili ayrıntılar için modeliniz için hiper parametreleri ayarlama makalesine bakın.

# 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.

Bu dosyayı çalıştırma yapılandırma dosyalarının yanına ekleyin. Ardından şu komutu kullanarak bir HyperDrive çalıştırması gönderin:

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

Runconfig içindeki bağımsız değişkenler bölümüne ve HyperDrive yapılandırmasındaki parametre alanına dikkat edin. Eğitim betiğine geçirilecek komut satırı bağımsız değişkenlerini içerir. Runconfig içindeki değer her yineleme için aynı kalırken, HyperDrive yapılandırmasındaki aralık yinelenir. Her iki dosyada da aynı bağımsız değişkeni belirtmeyin.

Veri kümesi yönetimi

Aşağıdaki komutlar, Azure Machine Learning'de veri kümeleriyle çalışmayı gösterir:

  • Veri kümesini kaydetme:

    az ml dataset register -f mydataset.json

    Veri kümesini tanımlamak için kullanılan JSON dosyasının biçimi hakkında bilgi için kullanın az ml dataset register --show-template.

    Daha fazla bilgi için bkz . az ml dataset register.

  • Çalışma alanındaki tüm veri kümelerini listeleme:

    az ml dataset list

    Daha fazla bilgi için bkz . az ml dataset list.

  • Veri kümesinin ayrıntılarını alın:

    az ml dataset show -n dataset-name

    Daha fazla bilgi için bkz . az ml dataset show.

  • Veri kümesinin kaydını kaldırma:

    az ml dataset unregister -n dataset-name

    Daha fazla bilgi için bkz . az ml dataset unregister.

Ortam yönetimi

Aşağıdaki komutlar, çalışma alanınız için Azure Machine Learning ortamlarını oluşturmayı, kaydetmeyi ve listelemeyi gösterir:

Ortam yapılandırma şeması

komutunu kullandıysanız az ml environment scaffold , değiştirilebilen ve CLI ile özel ortam yapılandırmaları oluşturmak için kullanılabilecek bir şablon azureml_environment.json dosyası oluşturur. Üst düzey nesne, Python SDK'sı sınıfıyla Environment gevşek bir şekilde eşler.

{
    "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
}

Aşağıdaki tabloda, JSON dosyasındaki her üst düzey alan, türü ve açıklaması ayrıntılı olarak yer alır. Bir nesne türü Python SDK'sından bir sınıfa bağlıysa, her JSON alanı ile Python sınıfındaki ortak değişken adı arasında gevşek bir 1:1 eşleşmesi vardır. Bazı durumlarda, alan bir sınıf değişkeni yerine oluşturucu bağımsız değişkeniyle eşlenebilir. Örneğin, environmentVariables alan sınıfındaki environment_variables değişkenle Environment eşler.

JSON alanı Türü Açıklama
name string Ortamın adı. Microsoft veya AzureML ile ad başlatma.
version string Ortamın sürümü.
environmentVariables {string: string} Ortam değişkeni adlarının ve değerlerinin karma eşlemesi.
python PythonSectionhat, hedef işlem kaynağında kullanılacak Python ortamını ve yorumlayıcısını tanımlar.
docker DockerSection Ortamın belirtimlerine göre oluşturulmuş Docker görüntüsünü özelleştirme ayarlarını tanımlar.
spark SparkSection bölümünde Spark ayarları yapılandırılır. Yalnızca çerçeve PySpark olarak ayarlandığında kullanılır.
databricks DatabricksSection Databricks kitaplık bağımlılıklarını yapılandırıyor.
inferencingStackVersion string Görüntüye eklenen çıkarım yığını sürümünü belirtir. Çıkarım yığını eklemekten kaçınmak için bu alandan nullçıkın. Geçerli değer: "latest".

ML işlem hattı yönetimi

Aşağıdaki komutlar, makine öğrenmesi işlem hatlarıyla çalışmayı gösterir:

  • Makine öğrenmesi işlem hattı oluşturma:

    az ml pipeline create -n mypipeline -y mypipeline.yml

    Daha fazla bilgi için bkz . az ml pipeline create.

    İşlem hattı YAML dosyası hakkında daha fazla bilgi için bkz . YAML'de makine öğrenmesi işlem hatlarını tanımlama.

  • İşlem hattı çalıştırma:

    az ml run submit-pipeline -n myexperiment -y mypipeline.yml

    Daha fazla bilgi için bkz . az ml run submit-pipeline.

    İşlem hattı YAML dosyası hakkında daha fazla bilgi için bkz . YAML'de makine öğrenmesi işlem hatlarını tanımlama.

  • İşlem hattı zamanlayın:

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

    Daha fazla bilgi için bkz . az ml pipeline create-schedule.

Model kaydı, profil oluşturma, dağıtım

Aşağıdaki komutlar, eğitilmiş bir modeli kaydetmeyi ve ardından üretim hizmeti olarak dağıtmayı gösterir:

  • Azure Machine Learning ile model kaydetme:

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

    Daha fazla bilgi için bkz . az ml model register.

  • İsteğE BAĞLI Dağıtım için en uygun CPU ve bellek değerlerini elde etmek için modelinizin profilini oluşturma.

    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

    Daha fazla bilgi için bkz . az ml model profile.

  • Modelinizi AKS'ye dağıtma

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

    Çıkarım yapılandırma dosyası şeması hakkında daha fazla bilgi için bkz . Çıkarım yapılandırma şeması.

    Dağıtım yapılandırma dosyası şeması hakkında daha fazla bilgi için bkz . Dağıtım yapılandırma şeması.

    Daha fazla bilgi için bkz . az ml model deploy.

Çıkarım yapılandırma şeması

Belgedeki inferenceconfig.json girdiler, InferenceConfig sınıfının parametreleriyle eşler . Aşağıdaki tabloda JSON belgesindeki varlıklar arasındaki eşleme ve yönteminin parametreleri açıklanmaktadır:

JSON varlığı Yöntem parametresi Açıklama
entryScript entry_script Görüntü için çalıştırılacak kodu içeren yerel dosyanın yolu.
sourceDirectory source_directory isteğe bağlı. Görüntüyü oluşturmak için tüm dosyaları içeren klasörlerin yolu, bu klasör veya alt klasör içindeki dosyalara erişmeyi kolaylaştırır. Yerel makinenizden bir klasörün tamamını Web hizmeti bağımlılıkları olarak karşıya yükleyebilirsiniz. Not: entry_script, conda_file ve extra_docker_file_steps yollarınız source_directory yolunun göreli yollarıdır.
environment environment isteğe bağlı. Azure Machine Learning ortamı.

Çıkarım yapılandırma dosyasına Azure Machine Learning ortamının tam belirtimlerini ekleyebilirsiniz. Bu ortam çalışma alanınızda yoksa Azure Machine Learning ortamı oluşturur. Aksi takdirde Azure Machine Learning gerekirse ortamı güncelleştirir. Aşağıdaki JSON bir örnektir:

{
    "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"
    }
}

Ayrıca, ayrılmış CLI parametrelerinde mevcut bir Azure Machine Learning ortamını kullanabilir ve çıkarım yapılandırma dosyasından "ortam" anahtarını kaldırabilirsiniz. Ortam adı için -e ve ortam sürümü için --ev kullanın. --ev belirtmezseniz en son sürüm kullanılır. Çıkarım yapılandırma dosyası örneği aşağıda verilmiştir:

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

Aşağıdaki komut, önceki çıkarım yapılandırma dosyasını (myInferenceConfig.json adlı) kullanarak modelin nasıl dağıtılacağı gösterilmektedir.

Ayrıca mevcut bir Azure Machine Learning ortamının (AzureML-Minimal adlı) en son sürümünü de kullanır.

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

Dağıtım yapılandırma şeması

Yerel dağıtım yapılandırma şeması

Belgedeki deploymentconfig.json girdiler LocalWebservice.deploy_configuration parametreleriyle eşler. Aşağıdaki tabloda, JSON belgesindeki varlıklar ile yöntemi için parametreler arasındaki eşleme açıklanmaktadır:

JSON varlığı Yöntem parametresi Açıklama
computeType NA İşlem hedefi. Yerel hedefler için değeri olmalıdır local.
port port Hizmetin HTTP uç noktasını kullanıma sunan yerel bağlantı noktası.

Bu JSON, CLI ile kullanım için örnek bir dağıtım yapılandırmasıdır:

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

Bu JSON dosyasını adlı deploymentconfig.jsonbir dosya olarak kaydedin.

Azure Container Instance dağıtım yapılandırma şeması

Belgedeki deploymentconfig.json girdiler AciWebservice.deploy_configuration parametreleriyle eşler. Aşağıdaki tabloda, JSON belgesindeki varlıklar ile yöntemi için parametreler arasındaki eşleme açıklanmaktadır:

JSON varlığı Yöntem parametresi Açıklama
computeType NA İşlem hedefi. ACI için değeri olmalıdır ACI.
containerResourceRequirements NA CPU ve bellek varlıkları için kapsayıcı.
  cpu cpu_cores Ayrılacak CPU çekirdeği sayısı. Varsayılan 0.1
  memoryInGB memory_gb Bu web hizmeti için ayrılacak bellek miktarı (GB cinsinden). Varsayılan 0.5
location location Bu Web hizmetini dağıtılacak Azure bölgesi. Belirtilmezse Çalışma alanı konumu kullanılır. Kullanılabilir bölgeler hakkında daha fazla ayrıntıya buradan ulaşabilirsiniz: ACI Bölgeleri
authEnabled auth_enabled Bu Web hizmeti için kimlik doğrulamasının etkinleştirilip etkinleştirilmeyileceği. Varsayılan değer False'tur
sslEnabled ssl_enabled Bu Web hizmeti için SSL'nin etkinleştirilip etkinleştirilmeyileceği. Varsayılan değer False'tur.
appInsightsEnabled enable_app_insights Bu Web hizmeti için Uygulama Analizler etkinleştirilip etkinleştirilmeyileceği. Varsayılan değer False'tur
sslCertificate ssl_cert_pem_file SSL etkinse gereken sertifika dosyası
sslKey ssl_key_pem_file SSL etkinse gereken anahtar dosyası
cname ssl_cname SSL etkinse için cname
dnsNameLabel dns_name_label Puanlama uç noktasının dns adı etiketi. Belirtilmezse puanlama uç noktası için benzersiz bir dns adı etiketi oluşturulur.

Aşağıdaki JSON, CLI ile kullanım için örnek bir dağıtım yapılandırmasıdır:

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

Azure Kubernetes Service dağıtım yapılandırma şeması

Belgedeki deploymentconfig.json girdiler AksWebservice.deploy_configuration parametreleriyle eşler. Aşağıdaki tabloda, JSON belgesindeki varlıklar ile yöntemi için parametreler arasındaki eşleme açıklanmaktadır:

JSON varlığı Yöntem parametresi Açıklama
computeType NA İşlem hedefi. AKS için değeri olmalıdır aks.
autoScaler NA Otomatik ölçeklendirme için yapılandırma öğelerini içerir. Otomatik ölçeklendirici tablosuna bakın.
  autoscaleEnabled autoscale_enabled Web hizmeti için otomatik ölçeklendirmenin etkinleştirilip etkinleştirilmeyileceği. Ise numReplicas = 0, True; değilse, False.
  minReplicas autoscale_min_replicas Bu web hizmetini otomatik ölçeklendirme sırasında kullanılacak en az kapsayıcı sayısı. Varsayılan, 1.
  maxReplicas autoscale_max_replicas Bu web hizmetini otomatik ölçeklendirme sırasında kullanılacak kapsayıcı sayısı üst sınırı. Varsayılan, 10.
  refreshPeriodInSeconds autoscale_refresh_seconds Otomatik ölçeklendiricinin bu web hizmetini ölçeklendirmeye çalışma sıklıkları. Varsayılan, 1.
  targetUtilization autoscale_target_utilization Otomatik ölçeklendiricinin bu web hizmeti için korumayı denemesi gereken hedef kullanım (100'ün yüzdesinde). Varsayılan, 70.
dataCollection NA Veri toplama için yapılandırma öğelerini içerir.
  storageEnabled collect_model_data Web hizmeti için model veri toplamanın etkinleştirilip etkinleştirilmeyileceği. Varsayılan, False.
authEnabled auth_enabled Web hizmeti için anahtar kimlik doğrulamasının etkinleştirilip etkinleştirilmeyileceği. Hem hem de tokenAuthEnabledauthEnabled olamaz True. Varsayılan, True.
tokenAuthEnabled token_auth_enabled Web hizmeti için belirteç kimlik doğrulamasını etkinleştirip etkinleştirmeme. Hem hem de tokenAuthEnabledauthEnabled olamaz True. Varsayılan, False.
containerResourceRequirements NA CPU ve bellek varlıkları için kapsayıcı.
  cpu cpu_cores Bu web hizmeti için ayrılacak CPU çekirdeği sayısı. Varsayılan 0.1
  memoryInGB memory_gb Bu web hizmeti için ayrılacak bellek miktarı (GB cinsinden). Varsayılan 0.5
appInsightsEnabled enable_app_insights Web hizmeti için Uygulama Analizler günlüğünün etkinleştirilip etkinleştirilmeyileceği. Varsayılan, False.
scoringTimeoutMs scoring_timeout_ms Web hizmetine yapılan puanlama çağrıları için zorunlu kılınacak zaman aşımı. Varsayılan, 60000.
maxConcurrentRequestsPerContainer replica_max_concurrent_requests Bu web hizmeti için düğüm başına en fazla eşzamanlı istek. Varsayılan, 1.
maxQueueWaitMs max_request_wait_time 503 hatası döndürülmeden önce isteğin kuyrukta kalacağı en uzun süre (milisaniye cinsinden). Varsayılan, 500.
numReplicas num_replicas Bu web hizmeti için ayrılacak kapsayıcı sayısı. Varsayılan değer yoktur. Bu parametre ayarlanmazsa, otomatik ölçeklendirici varsayılan olarak etkinleştirilir.
keys NA Anahtarlar için yapılandırma öğelerini içerir.
  primaryKey primary_key Bu Web hizmeti için kullanılacak birincil kimlik doğrulama anahtarı
  secondaryKey secondary_key Bu Web hizmeti için kullanılacak ikincil kimlik doğrulama anahtarı
gpuCores gpu_cores Bu Web hizmeti için ayrılacak GPU çekirdeği sayısı (kapsayıcı başına çoğaltma). Varsayılan değer 1'dir. Yalnızca tamsayı değerlerini destekler.
livenessProbeRequirements NA Canlılık yoklaması gereksinimleri için yapılandırma öğelerini içerir.
  periodSeconds period_seconds Canlılık araştırmasını gerçekleştirmek için ne sıklıkta (saniye olarak). Varsayılan olarak 10 saniyedir. En düşük değer 1'dir.
  initialDelaySeconds initial_delay_seconds Canlılık yoklamaları başlatılmadan önce kapsayıcı başlatıldıktan sonraki saniye sayısı. Varsayılan değer: 310
  timeoutSeconds timeout_seconds Canlılık araştırmasının zaman aşımına uğradıktan sonraki saniye sayısı. Varsayılan değer 2 saniyedir. En düşük değer 1'dir
  successThreshold success_threshold Canlılık araştırmasının başarısız olduktan sonra başarılı olarak kabul edilmesi için en düşük ardışık başarı. Varsayılan değer 1'tir. En düşük değer 1'dir.
  failureThreshold failure_threshold Bir Pod başlatıldığında ve canlılık yoklaması başarısız olduğunda Kubernetes vazgeçmeden önce failureThreshold sürelerini dener. Varsayılan değer 3'tir. En düşük değer 1'dir.
namespace namespace Web hizmetinin dağıtılacağı Kubernetes ad alanı. En fazla 63 küçük harf alfasayısal ('a'-'z', '0'-'9') ve kısa çizgi ('-') karakter. İlk ve son karakterler kısa çizgi olamaz.

Aşağıdaki JSON, CLI ile kullanım için örnek bir dağıtım yapılandırmasıdır:

{
    "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
    }
}

Sonraki adımlar