Installieren und Verwenden der CLI (v1)

Artikel
09/01/2024

GILT FÜR: Azure CLI-ML-Erweiterung v1

Wichtig

Einige Azure CLI-Befehle in diesem Artikel verwenden die Erweiterung azure-cli-ml oder v1 für Azure Machine Learning. Der Support für die v1-Erweiterung endet am 30. September 2025. Sie können die v1-Erweiterung bis zu diesem Datum installieren und verwenden.

Es wird empfohlen, vor dem 30. September 2025 zur ml- oder v2-Erweiterung zu wechseln. Weitere Informationen zur v2-Erweiterung finden Sie unter Was sind die Azure Machine Learning CLI und das Python SDK v2?.

Der Azure Machine Learning-CLI ist eine Erweiterung der Azure CLI, eine plattformübergreifende Befehlszeilenschnittstelle für die Azure-Plattform. Diese Erweiterung unterstützt Befehle für die Arbeit mit Azure Machine Learning. Sie ermöglicht Ihnen die Automatisierung Ihrer Machine Learning-Aktivitäten. Die folgende Liste enthält einige Beispielaktionen, die Sie mit der CLI-Erweiterung ausführen können:

Ausführen von Experimenten zum Erstellen von Machine Learning-Modellen
Registrieren von Machine Learning-Modellen zur Verwendung durch Kunden
Paketieren, Bereitstellen und Nachverfolgen des Lebenszyklus Ihrer Machine Learning-Modelle

Die CLI ist kein Ersatz für das Azure Machine Learning SDK. Sie stellt ein ergänzendes Tool dar, das für die Verarbeitung hochgradig parametrisierter Aufgaben optimiert ist, die sich gut für die Automatisierung eignen.

Voraussetzungen

Für die Verwendung der CLI benötigen Sie ein Azure-Abonnement. Wenn Sie nicht über ein Azure-Abonnement verfügen, können Sie ein kostenloses Konto erstellen, bevor Sie beginnen. Probieren Sie die kostenlose oder kostenpflichtige Version von Azure Machine Learning noch heute aus.
Um die CLI-Befehle in diesem Dokument aus Ihrer lokalen Umgebung zu verwenden, benötigen Sie die Azure CLI.

Wenn Sie die Azure Cloud Shell verwenden, befindet sich die CLI in der Cloud, und der Zugriff erfolgt über den Browser.

Vollständige Referenzdokumentation

Hier finden Sie die vollständige Referenzdokumentation für die Erweiterung „azure-cli-ml“ der Azure CLI.

Herstellen einer Verbindung zwischen der CLI und Ihrem Azure-Abonnement

Wichtig

Wenn Sie Azure Cloud Shell verwenden, können Sie diesen Abschnitt überspringen. Die Cloud Shell authentifiziert Sie automatisch mit dem Konto, mit dem Sie sich bei Ihrem Azure-Abonnement anmelden.

Ihnen stehen mehrere Möglichkeiten zur Verfügung, sich über die CLI bei Ihrem Azure-Abonnement zu authentifizieren. Die grundlegendste ist die interaktive Authentifizierung mithilfe eines Browsers. Öffnen Sie zur interaktiven Authentifizierung eine Befehlszeile oder ein Terminal, und verwenden Sie den folgenden Befehl:

az login

Die CLI öffnet Ihren Standardbrowser, sofern sie dazu in der Lage ist, und lädt eine Anmeldeseite. Andernfalls müssen Sie einen Browser öffnen und die Anweisungen in der Befehlszeile befolgen. Die Anweisungen umfassen das Navigieren zu https://aka.ms/devicelogin und Eingeben eines Autorisierungscodes.

Tipp

Nach der Anmeldung sehen Sie eine Liste der mit Ihrem Azure-Konto verknüpften Abonnements. Die Abonnementinformation mit isDefault: true ist das derzeit aktivierte Abonnement für Azure CLI-Befehle. Dieses Abonnement muss dasselbe sein, das Ihren Azure Machine Learning-Arbeitsbereich enthält. Sie finden die Abonnementinformationen im Azure-Portal auf der Übersichtsseite Ihres Arbeitsbereichs.

Um ein anderes Abonnement für die Azure CLI-Befehle auszuwählen, führen Sie den Befehl az account set -s <subscription> aus, und geben Sie den Namen oder die ID des Abonnements an, zu dem Sie wechseln möchten. Weitere Informationen zur Abonnementauswahl finden Sie unter Verwenden mehrerer Azure-Abonnements.

Andere Methoden zur Authentifizierung finden Sie unter Anmelden mit der Azure CLI.

Installieren der Erweiterung

So installieren Sie die CLI-Erweiterung (v1):

az extension add -n azure-cli-ml

Aktualisieren der Erweiterung

Um die Machine Learning-CLI-Erweiterung zu aktualisieren, verwenden Sie den folgenden Befehl:

az extension update -n azure-cli-ml

Entfernen der Erweiterung

Verwenden Sie zum Entfernen der CLI-Erweiterung den folgenden Befehl:

az extension remove -n azure-cli-ml

Ressourcenverwaltung

Die folgenden Befehle veranschaulichen, wie Sie mit der CLI Ressourcen verwalten, die von Azure Machine Learning verwendet werden.

Erstellen Sie eine Ressourcengruppe, wenn Sie noch keine haben:
```
az group create -n myresourcegroup -l westus2
```
Erstellen Sie einen Azure Machine Learning-Arbeitsbereich:
```
az ml workspace create -w myworkspace -g myresourcegroup
```
Weitere Informationen finden Sie unter az ml workspace create.
Fügen Sie eine Arbeitsbereichskonfiguration einem Ordner hinzu, um CLI-Kontextfähigkeit zu aktivieren.
```
az ml folder attach -w myworkspace -g myresourcegroup
```
Dieser Befehl erstellt ein .azureml-Unterverzeichnis, das RUNCONFIG-Beispieldateien und Conda-Umgebungsdateien enthält. Es enthält auch eine config.json-Datei, die für die Kommunikation mit dem Azure Machine Learning-Arbeitsbereich verwendet wird.

Weitere Informationen finden Sie unter az ml folder attach.
Fügen Sie einen Azure-Blobcontainer als Datenspeicher an.
```
az ml datastore attach-blob  -n datastorename -a accountname -c containername
```
Weitere Informationen finden Sie unter az ml datastore attach-blob.
Laden Sie Dateien in einen Datenspeicher hoch.
```
az ml datastore upload  -n datastorename -p sourcepath
```
Weitere Informationen finden Sie unter az ml datastore upload.
Fügen Sie einen AKS-Cluster als Computeziel an.
```
az ml computetarget attach aks -n myaks -i myaksresourceid -g myresourcegroup -w myworkspace
```
Weitere Informationen finden Sie unter az ml computetarget attach aks.

Computecluster

Erstellen Sie einen neuen verwalteten Computecluster.

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

Erstellen eines neuen verwalteten Computeclusters mit einer verwalteten Identität

Benutzerseitig zugewiesene verwaltete Identität

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>'

Systemseitig zugewiesene verwaltete Identität

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

Hinzufügen einer verwalteten Identität zu einem vorhandenen Cluster:

Benutzerseitig zugewiesene verwaltete Identität

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

Systemseitig zugewiesene verwaltete Identität

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

Weitere Informationen finden Sie unter az ml computetarget create amlcompute.

Hinweis

Azure Machine Learning-Computecluster unterstützen nur eine systemseitig zugewiesene Identität oder mehrere benutzerseitig zugewiesene Identitäten, nicht beides gleichzeitig.

Compute-Instanz

Verwalten von Computeinstanzen. In allen untenstehenden Beispielen lautet der Name der Computeinstanz cpu.

Erstellen Sie eine neue computeinstance-Klasse.
```
az ml computetarget create computeinstance -n cpu -s "STANDARD_D3_V2" -v
```
Weitere Informationen finden Sie unter az ml computetarget create computeinstance.
Stoppen Sie eine computeinstance-Klasse.
```
az ml computetarget computeinstance stop -n cpu -v
```
Weitere Informationen finden Sie unter az ml computetarget computeinstance stop.
Starten Sie eine computeinstance-Klasse.
```
az ml computetarget computeinstance start -n cpu -v
```
Weitere Informationen finden Sie unter az ml computetarget computeinstance start.
Starten Sie eine computeinstance-Klasse neu.
```
az ml computetarget computeinstance restart -n cpu -v
```
Weitere Informationen finden Sie unter az ml computetarget computeinstance restart.
Löschen Sie eine computeinstance-Klasse.
```
az ml computetarget delete -n cpu -v
```
Weitere Informationen finden Sie unter az ml computetarget delete computeinstance.

Ausführen von Experimenten

Starten Sie eine Ausführung Ihres Experiments. Geben Sie in diesem Befehl für den Parameter -c den Namen der runconfig-Datei an (dies ist die Zeichenfolge, die in Ihrem Dateisystem vor *.runconfig angezeigt wird).
```
az ml run submit-script -c sklearn -e testexperiment train.py
```
Tipp

Der Befehl az ml folder attach erstellt ein .azureml-Unterverzeichnis, das zwei RUNCONFIG-Beispieldateien enthält.

Wenn Sie ein Python-Skript haben, das programmgesteuert ein Laufzeitkonfigurationsobjekt erstellt, können Sie es mit RunConfig.save() als RUNCPNFIG-Datei speichern.

Das vollständige RUNCONFIG-Schema finden Sie in dieser JSON-Datei. Das Schema ist durch den description-Schlüssel der einzelnen Objekte selbstdokumentierend. Zusätzlich gibt es Enumerationen für mögliche Werte und einen Vorlagencodeausschnitt am Ende.

Weitere Informationen finden Sie unter az ml run submit-script.
Zeigen Sie eine Liste der Experimente an:
```
az ml experiment list
```
Weitere Informationen finden Sie unter az ml experiment list.

HyperDrive-Ausführung

Sie können HyperDrive mit der Azure CLI verwenden, um Parameteroptimierungsausführungen auszuführen. Erstellen Sie zunächst eine HyperDrive-Konfigurationsdatei im folgenden Format. Weitere Informationen zu den Hyperparameter-Optimierungsparametern finden Sie im Artikel Optimieren von Hyperparametern für Ihr Modell.

# 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.

Fügen Sie diese Datei den Laufzeitkonfigurationsdateien hinzu. Übermitteln Sie dann eine HyperDrive-Ausführung:

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

Beachten Sie den Abschnitt arguments in der Laufzeitkonfiguration and parameter space in der HyperDrive-Konfiguration. Diese Abschnitte enthalten die Befehlszeilenargumente, die an das Trainingsskript übergeben werden sollen. Der Wert in der Laufzeitkonfiguration bleibt für jede Iteration gleich, während der Bereich in der HyperDrive-Konfiguration iteriert wird. Geben Sie nicht das gleiche Argument in beiden Dateien an.

Datasetverwaltung

Die folgenden Befehle veranschaulichen die Arbeit mit Datasets in Azure Machine Learning:

Registrieren eines Datasets:
```
az ml dataset register -f mydataset.json
```
Informationen zum Format der JSON-Datei, mit der das Dataset definiert wird, finden Sie unter az ml dataset register --show-template.

Weitere Informationen finden Sie unter az ml dataset register.
Auflisten aller Datasets in einem Arbeitsbereich:
```
az ml dataset list
```
Weitere Informationen finden Sie unter az ml dataset list.
Abrufen der Details zu einem Dataset:
```
az ml dataset show -n dataset-name
```
Weitere Informationen finden Sie unter az ml dataset show.
Aufheben der Registrierung eines Datasets:
```
az ml dataset unregister -n dataset-name
```
Weitere Informationen finden Sie unter az ml dataset unregister.

Umgebungsverwaltung

Anhand der folgenden Befehle wird veranschaulicht, wie Sie Azure Machine Learning-Umgebungen für Ihren Arbeitsbereich erstellen, registrieren und auflisten:

Erstellen Sie die Gerüstdateien für eine Umgebung:
```
az ml environment scaffold -n myenv -d myenvdirectory
```
Weitere Informationen finden Sie unter az ml environment scaffold.
Registrieren Sie eine Umgebung:
```
az ml environment register -d myenvdirectory
```
Weitere Informationen finden Sie unter az ml environment register.
Listen Sie die registrierten Umgebungen auf:
```
az ml environment list
```
Weitere Informationen finden Sie unter az ml environment list.
Laden Sie eine registrierte Umgebung herunter:
```
az ml environment download -n myenv -d downloaddirectory
```
Weitere Informationen finden Sie unter az ml environment download.

Umgebungskonfigurationsschema

Wenn Sie den Befehl az ml environment scaffold verwendet haben, wird eine azureml_environment.json-Vorlagendatei generiert, die geändert und zum Erstellen von benutzerdefinierten Umgebungskonfigurationen mit der Befehlszeilenschnittstelle verwendet werden kann. Das Objekt der obersten Ebene wird lose der Environment-Klasse im Python-SDK zugeordnet.

{
    "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
}

In der folgenden Tabelle ist jedes Feld der obersten Ebene in der JSON-Datei, sein Typ und eine Beschreibung aufgeführt. Wenn ein Objekttyp mit einer Klasse aus dem Python-SDK verknüpft ist, gibt es eine lose 1:1-Übereinstimmung zwischen den einzelnen JSON-Feldern und dem öffentlichen Variablennamen in der Python-Klasse. In einigen Fällen wird das Feld möglicherweise eher einem Konstruktorargument als einer Klassenvariablen zugeordnet. Das Feld environmentVariables wird z. B. der Variablen environment_variables in der Environment-Klasse zugeordnet.

JSON-Feld	type	BESCHREIBUNG
`name`	`string`	Der Name der Umgebung. Beginnen Sie den Namen nicht mit Microsoft oder AzureML.
`version`	`string`	Die Version der Umgebung.
`environmentVariables`	`{string: string}`	Eine Hashzuordnung mit Namen und Werten von Umgebungsvariablen.
`python`	`PythonSection`, das die Python-Umgebung und den Interpreter definiert, die auf der Zielcomputeressource verwendet werden sollen.
`docker`	`DockerSection`	Definiert Einstellungen zum Anpassen des Docker-Images, das nach den Spezifikationen der Umgebung erstellt wird.
`spark`	`SparkSection`	Der Abschnitt konfiguriert die Spark-Einstellungen. Er wird nur verwendet, wenn das Framework auf PySpark festgelegt ist.
`databricks`	`DatabricksSection`	Konfiguriert die Abhängigkeiten der Databricks-Bibliothek.
`inferencingStackVersion`	`string`	Gibt die dem Image hinzugefügte Version des Rückschlussstapels an. Um das Hinzufügen eines Rückschlussstapels zu vermeiden, belassen Sie dieses Feld `null`. Gültiger Wert: „latest“ (Aktuellste).

Verwaltung von ML-Pipelines

Die folgenden Befehle veranschaulichen, wie mit Machine Learning-Pipelines gearbeitet wird.

Erstellen Sie eine Machine Learning-Pipeline:
```
az ml pipeline create -n mypipeline -y mypipeline.yml
```
Weitere Informationen finden Sie unter az ml pipeline create.

Weitere Informationen zur Pipeline-YAML-Datei finden Sie unter Definieren von Machine Learning-Pipelines in YAML.
Führen Sie eine Pipeline aus:
```
az ml run submit-pipeline -n myexperiment -y mypipeline.yml
```
Weitere Informationen finden Sie unter az ml run submit-pipeline.

Weitere Informationen zur Pipeline-YAML-Datei finden Sie unter Definieren von Machine Learning-Pipelines in YAML.

Planen Sie eine Pipeline:

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

Weitere Informationen finden Sie unter az ml pipeline create-schedule.

Registrierung von Modellen, Profilerstellung und Bereitstellung

Die folgenden Befehle veranschaulichen, wie ein trainiertes Modell registriert und dann als Produktionsdienst bereitgestellt wird:

Hiermit registrieren Sie ein Modell bei Azure Machine Learning:
```
az ml model register -n mymodel -p sklearn_regression_model.pkl
```
Weitere Informationen finden Sie unter az ml model register.
OPTIONAL Erstellen Sie ein Profil für Ihr Modell, um optimale CPU- und Arbeitsspeicherwerte für die Bereitstellung zu erzielen.
```
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
```
Weitere Informationen finden Sie unter az ml model profile.
Bereitstellen Ihrer Modelldatei für AKS
```
az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json --ct akscomputetarget
```
Weitere Informationen zum Rückschlusskonfigurationsdatei-Schema finden Sie unter Inference configuration schema (Rückschlusskonfigurationsschema).

Weitere Informationen zum Bereitstellungskonfigurationsdatei-Schema finden Sie unter Deployment configuration schema (Bereitstellungskonfigurationsschema).

Weitere Informationen finden Sie unter az ml model deploy.

Rückschlusskonfigurationsschema

Die Einträge im inferenceconfig.json-Dokument werden den Parametern für die InferenceConfig-Klasse zugeordnet. In der folgenden Tabelle wird die Zuordnung zwischen den Entitäten im JSON-Dokument und den Parametern für die Methode beschrieben:

JSON-Entität	Methodenparameter	Beschreibung
`entryScript`	`entry_script`	Pfad zu einer lokalen Datei, die den Code zum Ausführen für das Image enthält.
`sourceDirectory`	`source_directory`	Optional. Pfad zu Ordnern, die alle Dateien zum Erstellen des Bilds enthalten, wodurch der Zugriff auf Dateien in diesem Ordner oder Unterordner vereinfacht wird. Sie können einen vollständigen Ordner von Ihrem lokalen Computer als Abhängigkeiten für den Webdienst hochladen. Hinweis: Ihre „entry_script“-, „conda_file“- und „extra_docker_file_steps“-Pfad sind relative Pfade zum „source_directory“-Pfad.
`environment`	`environment`	Optional. Die Umgebung für Azure Machine Learning.

Sie können die vollständigen Spezifikationen einer Azure Machine Learning-Umgebung in die Rückschlusskonfigurationsdatei aufnehmen. Wenn diese Umgebung in Ihrem Arbeitsbereich nicht vorhanden ist, erstellt Azure Machine Learning sie. Andernfalls aktualisiert Azure Machine Learning die Umgebung bei Bedarf. Nachfolgend finden Sie ein JSON-Beispiel:

{
    "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"
    }
}

Sie können auch eine vorhandene Azure Machine Learning-Umgebung in getrennten CLI-Parametern verwenden und den Schlüssel „Environment“ aus der Rückschlusskonfigurationsdatei entfernen. Verwenden Sie „-e“ für den Umgebungsnamen und „--ev“ für die Umgebungsversion. Wenn Sie „--ev“ nicht angeben, wird die neueste Version verwendet. Hier sehen Sie ein Beispiel für eine Rückschlusskonfigurationsdatei:

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

Der folgende Befehl veranschaulicht, wie Sie ein Modell mithilfe der vorherigen Rückschlusskonfigurationsdatei (namens „myInferenceConfig.json“) bereitstellen.

Außerdem wird die neueste Version einer vorhandenen Azure Machine Learning-Umgebung (namens „AzureML-Minimal“) verwendet.

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

Bereitstellungskonfigurationsschema

Konfigurationsschema zur lokalen Bereitstellung

Die Einträge im Dokument deploymentconfig.json werden den Parametern für LocalWebservice.deploy_configuration zugeordnet. In der folgenden Tabelle wird die Zuordnung zwischen den Entitäten im JSON-Dokument und den Parametern für die Methode beschrieben:

JSON-Entität	Methodenparameter	Beschreibung
`computeType`	Nicht verfügbar	Das Computeziel. Für lokale Ziele ist der Wert `local` erforderlich.
`port`	`port`	Der lokale Port, auf dem der HTTP-Endpunkt des Diensts verfügbar gemacht werden soll.

Dieser JSON-Code ist ein Beispiel für eine Bereitstellungskonfiguration für die Verwendung mit der CLI:

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

Speichern Sie diese JSON-Datei unter dem Namen deploymentconfig.json.

Konfigurationsschema zur Bereitstellung einer Azure-Containerinstanz

Die Einträge im Dokument deploymentconfig.json werden den Parametern für AciWebservice.deploy_configuration zugeordnet. In der folgenden Tabelle wird die Zuordnung zwischen den Entitäten im JSON-Dokument und den Parametern für die Methode beschrieben:

JSON-Entität	Methodenparameter	Beschreibung
`computeType`	Nicht verfügbar	Das Computeziel. Für ACI muss der Wert `ACI` sein.
`containerResourceRequirements`	Nicht verfügbar	Der Container für die CPU- und Arbeitsspeicherentitäten.
`cpu`	`cpu_cores`	Die Anzahl der zuzuordnenden CPU-Kerne. Standardwert: `0.1`
`memoryInGB`	`memory_gb`	Der Arbeitsspeicherumfang (in GB), der für diesen Webdienst zugeordnet werden soll. Standardwert: `0.5`.
`location`	`location`	Die Azure-Region, in der dieser Webdienst bereitgestellt werden soll. Wenn keine Region angegeben ist, wird der Standort des Arbeitsbereichs verwendet. Weitere Informationen zu verfügbaren Regionen finden Sie hier: ACI-Regionen.
`authEnabled`	`auth_enabled`	Gibt an, ob die Authentifizierung für diesen Webdienst aktiviert werden soll. Der Standardwert ist „FALSE“.
`sslEnabled`	`ssl_enabled`	Gibt an, ob für diesen Webdienst SSL aktiviert werden soll. Der Standardwert lautet „False“.
`appInsightsEnabled`	`enable_app_insights`	Gibt an, ob für diesen Webdienst AppInsights aktiviert werden soll. Der Standardwert ist „FALSE“.
`sslCertificate`	`ssl_cert_pem_file`	Die benötigte CERT-Datei, wenn SSL aktiviert ist
`sslKey`	`ssl_key_pem_file`	Die benötigte KEY-Datei, wenn SSL aktiviert ist
`cname`	`ssl_cname`	Der CNAME, wenn SSL aktiviert ist
`dnsNameLabel`	`dns_name_label`	Die DNS-Namensbezeichnung für den Bewertungsendpunkt. Wenn keine eindeutige DNS-Namensbezeichnung angegeben ist, wird eine für den Bewertungsendpunkt generiert.

Der folgende JSON-Code ist ein Beispiel für eine Bereitstellungskonfiguration für die Verwendung mit der CLI:

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

Konfigurationsschema zur Bereitstellung von Azure Kubernetes Service

Die Einträge im Dokument deploymentconfig.json werden den Parametern für AksWebservice.deploy_configuration zugeordnet. In der folgenden Tabelle wird die Zuordnung zwischen den Entitäten im JSON-Dokument und den Parametern für die Methode beschrieben:

JSON-Entität	Methodenparameter	Beschreibung
`computeType`	Nicht verfügbar	Das Computeziel. Für AKS muss der Wert `aks` sein.
`autoScaler`	Nicht verfügbar	Enthält Konfigurationselemente für die automatische Skalierung. Weitere Informationen finden Sie in der Tabelle zur automatischen Skalierung.
`autoscaleEnabled`	`autoscale_enabled`	Gibt an, ob die automatische Skalierung für den Webdienst aktiviert werden soll. Wenn `numReplicas` = `0`, dann `True`; andernfalls `False`.
`minReplicas`	`autoscale_min_replicas`	Die Mindestanzahl von Containern, die bei der automatischen Skalierung dieses Webdiensts verwendet werden sollen. Standardwert: `1`.
`maxReplicas`	`autoscale_max_replicas`	Die maximale Anzahl von Containern, die bei der automatischen Skalierung dieses Webdiensts verwendet werden sollen. Standardwert: `10`.
`refreshPeriodInSeconds`	`autoscale_refresh_seconds`	Gibt an, wie oft die automatische Skalierung versucht, diesen Webdienst zu skalieren. Standardwert: `1`.
`targetUtilization`	`autoscale_target_utilization`	Die Zielauslastung (in Prozent), die von der automatischen Skalierung für diesen Webdienst beibehalten werden soll. Standardwert: `70`.
`dataCollection`	Nicht verfügbar	Enthält Konfigurationselemente für die Datensammlung.
`storageEnabled`	`collect_model_data`	Gibt an, ob die Modelldatensammlung für den Webdienst aktiviert werden soll. Standardwert: `False`.
`authEnabled`	`auth_enabled`	Gibt an, ob die Schlüsselauthentifizierung für den Webdienst aktiviert werden soll. Weder `tokenAuthEnabled` noch `authEnabled` dürfen den Wert `True` aufweisen. Standardwert: `True`.
`tokenAuthEnabled`	`token_auth_enabled`	Gibt an, ob die Tokenauthentifizierung für den Webdienst aktiviert werden soll. Weder `tokenAuthEnabled` noch `authEnabled` dürfen den Wert `True` aufweisen. Standardwert: `False`.
`containerResourceRequirements`	Nicht verfügbar	Der Container für die CPU- und Arbeitsspeicherentitäten.
`cpu`	`cpu_cores`	Die Anzahl der CPU-Kerne, die für diesen Webdienst zuzuordnen sind. Standardwert: `0.1`
`memoryInGB`	`memory_gb`	Der Arbeitsspeicherumfang (in GB), der für diesen Webdienst zugeordnet werden soll. Standardwert: `0.5`.
`appInsightsEnabled`	`enable_app_insights`	Gibt an, ob für den Webdienst die Application Insights-Protokollierung aktiviert werden soll. Standardwert: `False`.
`scoringTimeoutMs`	`scoring_timeout_ms`	Ein Zeitlimit zum Erzwingen der Bewertung von Aufrufen des Webdiensts. Standardwert: `60000`.
`maxConcurrentRequestsPerContainer`	`replica_max_concurrent_requests`	Die maximale Anzahl gleichzeitiger Anforderungen pro Knoten für diesen Webdienst. Standardwert: `1`.
`maxQueueWaitMs`	`max_request_wait_time`	Die maximale Zeit, die eine Anforderung in der Warteschlange (in Millisekunden) verbleibt, bevor der Fehler 503 zurückgegeben wird. Standardwert: `500`.
`numReplicas`	`num_replicas`	Die Anzahl der Container, die für diesen Webdienst zuzuordnen sind. Für dieses Feld gibt es keinen Standardwert. Wenn dieser Parameter nicht festgelegt ist, wird die automatische Skalierung standardmäßig aktiviert.
`keys`	Nicht verfügbar	Enthält Konfigurationselemente für Schlüssel.
`primaryKey`	`primary_key`	Ein primärer Authentifizierungsschlüssel, der für diesen Webdienst verwendet werden soll.
`secondaryKey`	`secondary_key`	Ein sekundärer Authentifizierungsschlüssel, der für diesen Webdienst verwendet werden soll.
`gpuCores`	`gpu_cores`	Die Anzahl der GPU-Kerne (containerbezogenes Replikat), die diesem Webdienst zuzuordnen sind. Der Standardwert ist 1. Unterstützt nur ganze Zahlen.
`livenessProbeRequirements`	Nicht verfügbar	Enthält Konfigurationselemente für die Anforderungen an Livetests.
`periodSeconds`	`period_seconds`	Gibt an, wie häufig (in Sekunden) ein Livetest durchgeführt werden soll. Der Standardwert ist 10 Sekunden. Der Mindestwert ist 1.
`initialDelaySeconds`	`initial_delay_seconds`	Die Anzahl der Sekunden, die nach dem Start des Containers vergehen, bevor Livetests initiiert werden. Der Standardwert ist 310.
`timeoutSeconds`	`timeout_seconds`	Die Anzahl der Sekunden, nach denen das Zeitlimit für den Livetest überschritten ist. Der Standardwert ist 2 Sekunden. Der Mindestwert ist 1.
`successThreshold`	`success_threshold`	Die Anzahl der Erfolge, die mindestens aufeinander folgen müssen, damit ein Livetest nach einem Fehler wieder als erfolgreich betrachtet wird. Der Standardwert lautet 1. Der Mindestwert ist 1.
`failureThreshold`	`failure_threshold`	Wenn ein Pod startet und der Livetest fehlschlägt, versucht Kubernetes, die Zeiten des Parameters FailureThreshold zu verwenden, bevor aufgegeben wird. Der Standardwert ist 3. Der Mindestwert ist 1.
`namespace`	`namespace`	Der Kubernetes-Namespace, in dem der Webdienst bereitgestellt wird. Bis zu 63 alphanumerische Zeichen in Kleinbuchstaben (a–z, 0–9) und Bindestriche (-). Bindestriche dürfen nicht als erstes und letztes Zeichen verwendet werden.