YAML-schema för hanterad onlinedistribution CLI (v2)

Artikel
11/23/2024

GÄLLER FÖR: Azure CLI ml-tillägget v2 (aktuellt)

JSON-källschemat finns på https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json.

Kommentar

YAML-syntaxen som beskrivs i det här dokumentet baseras på JSON-schemat för den senaste versionen av ML CLI v2-tillägget. Den här syntaxen är garanterad att endast fungera med den senaste versionen av ML CLI v2-tillägget. Du hittar scheman för äldre tilläggsversioner på https://azuremlschemasprod.azureedge.net/.

YAML-syntax

Nyckel	Typ	Beskrivning	Tillåtna värden	Standardvärde
`$schema`	sträng	YAML-schemat. Om du använder Azure Machine Learning VS Code-tillägget för att skapa YAML-filen, inklusive `$schema` längst upp i filen, kan du anropa schema- och resursavslutningar.
`name`	sträng	Obligatoriskt. Namn på distributionen. Namngivningsregler definieras här.
`description`	sträng	Beskrivning av distributionen.
`tags`	objekt	Ordlista med taggar för distributionen.
`endpoint_name`	sträng	Obligatoriskt. Namnet på slutpunkten som distributionen ska skapas under.
`model`	sträng eller objekt	Den modell som ska användas för distributionen. Det här värdet kan antingen vara en referens till en befintlig version av modellen på arbetsytan eller en infogad modellspecifikation. Om du vill referera till en befintlig modell använder du syntaxen `azureml:<model-name>:<model-version>` . Om du vill definiera en modell infogad följer du modellschemat. Som bästa praxis för produktionsscenarier bör du skapa modellen separat och referera till den här. Det här fältet är valfritt för scenarier för anpassad containerdistribution .
`model_mount_path`	sträng	Sökvägen för att montera modellen i en anpassad container. Gäller endast för scenarier för distribution av anpassade containrar. Om fältet `model` anges monteras det på den här sökvägen i containern.
`code_configuration`	objekt	Konfiguration för bedömningskodlogik. Det här fältet är valfritt för scenarier för anpassad containerdistribution .
`code_configuration.code`	sträng	Lokal sökväg till källkodskatalogen för bedömning av modellen.
`code_configuration.scoring_script`	sträng	Relativ sökväg till bedömningsfilen i källkodskatalogen.
`environment_variables`	objekt	Ordlista över nyckel/värde-par för miljövariabler som ska anges i distributionscontainern. Du kan komma åt dessa miljövariabler från dina bedömningsskript.
`environment`	sträng eller objekt	Obligatoriskt. Den miljö som ska användas för distributionen. Det här värdet kan antingen vara en referens till en befintlig version av miljön på arbetsytan eller en infogad miljöspecifikation. Om du vill referera till en befintlig miljö använder du syntaxen `azureml:<environment-name>:<environment-version>` . Om du vill definiera en infogad miljö följer du miljöschemat. Som bästa praxis för produktionsscenarier bör du skapa miljön separat och referera till den här.
`instance_type`	sträng	Obligatoriskt. Den VM-storlek som ska användas för distributionen. Listan över storlekar som stöds finns i SKU-listan för hanterade onlineslutpunkter.
`instance_count`	integer	Obligatoriskt. Antalet instanser som ska användas för distributionen. Ange värdet baserat på den arbetsbelastning du förväntar dig. För hög tillgänglighet rekommenderar Microsoft att du ställer in den på minst `3`. `instance_count` kan uppdateras när distributionen har skapats med hjälp av `az ml online-deployment update` kommandot . Vi reserverar ytterligare 20 % för att utföra uppgraderingar. Mer information finns i kvotallokering för virtuella datorer för distribution.
`app_insights_enabled`	boolean	Om du vill aktivera integrering med Azure Application Insights-instansen som är associerad med din arbetsyta.		`false`
`scale_settings`	objekt	Skalningsinställningarna för distributionen. För närvarande stöds endast skalningstypen `default` , så du behöver inte ange den här egenskapen. Med den här `default` skalningstypen kan du antingen skala antalet instanser manuellt upp och ned efter att distributionen `instance_count` har skapats genom att uppdatera egenskapen eller skapa en autoskalningsprincip.
`scale_settings.type`	sträng	Skalningstypen.	`default`	`default`
`data_collector`	objekt	Inställningar för datainsamling för distributionen. Se DataCollector för uppsättningen konfigurerbara egenskaper.
`request_settings`	objekt	Bedömningsinställningar för begäran för distributionen. Se RequestSettings för uppsättningen konfigurerbara egenskaper.
`liveness_probe`	objekt	Inställningar för livenessavsökning för att regelbundet övervaka containerns hälsotillstånd. Se ProbeSettings för uppsättningen konfigurerbara egenskaper.
`readiness_probe`	objekt	Inställningar för beredskapsavsökning för validering om containern är redo att hantera trafik. Se ProbeSettings för uppsättningen konfigurerbara egenskaper.
`egress_public_network_access`	sträng	Obs! Den här nyckeln gäller när du använder den äldre metoden för nätverksisolering för att skydda utgående kommunikation för en distribution. Vi rekommenderar starkt att du skyddar utgående kommunikation för distributioner med hjälp av ett arbetsytehanterat virtuellt nätverk i stället. Den här flaggan skyddar distributionen genom att begränsa kommunikationen mellan distributionen och de Azure-resurser som används av den. Ange för att `disabled` säkerställa att nedladdningen av modellen, koden och avbildningarna som krävs av distributionen skyddas med en privat slutpunkt. Den här flaggan gäller endast för hanterade onlineslutpunkter.	`enabled`, `disabled`	`enabled`

RequestSettings

Nyckel	Typ	Beskrivning	Standardvärde
`request_timeout_ms`	integer	Tidsgränsen för bedömning i millisekunder. Observera att det högsta tillåtna värdet är `180000` millisekunder. Mer information finns i begränsningar för onlineslutpunkter .	`5000`
`max_concurrent_requests_per_instance`	integer	Det maximala antalet samtidiga begäranden per instans som tillåts för distributionen. Obs! Om du använder Azure Machine Learning Inference Server eller Azure Machine Learning Inference Images måste din modell konfigureras för att hantera samtidiga begäranden. Det gör du genom att skicka `WORKER_COUNT: <int>` som en miljövariabel. Mer information om `WORKER_COUNT`finns i Azure Machine Learning-slutsatsdragningsserverparametrar Obs! Ange till antalet begäranden som din modell kan bearbeta samtidigt på en enda nod. Om du anger det här värdet högre än modellens faktiska samtidighet kan det leda till längre svarstider. Om du anger det här värdet för lågt kan det leda till underutnyttjade noder. Om du ställer in för lågt kan det också leda till att begäranden avvisas med en HTTP-statuskod på 429, eftersom systemet väljer att misslyckas snabbt. Mer information finns i Felsöka onlineslutpunkter: HTTP-statuskoder.	`1`
`max_queue_wait_ms`	integer	(Inaktuell) Den maximala tiden i millisekunder som en begäran kommer att stanna i kön. (Öka nu `request_timeout_ms` till konto för eventuella nätverks-/köfördröjningar)	`500`

ProbeSettings

Nyckel	Typ	Beskrivning	Standardvärde
`initial_delay`	integer	Antalet sekunder efter att containern har startats innan avsökningen initieras. Minimivärdet är `1`.	`10`
`period`	integer	Hur ofta (i sekunder) avsökningen ska utföras.	`10`
`timeout`	integer	Antalet sekunder efter vilken avsökningen överskrider tidsgränsen. Minimivärdet är `1`.	`2`
`success_threshold`	integer	Minsta lyckade resultat i följd för att avsökningen ska anses vara lyckad efter att ha misslyckats. Minsta värde är `1` för beredskapsavsökning. Värdet för liveness-avsökningen har åtgärdats som `1`.	`1`
`failure_threshold`	integer	När en avsökning misslyckas försöker systemet gånger `failure_threshold` innan det ger upp. Om du ger upp vid en liveness-avsökning kommer containern att startas om. När det gäller en beredskapsavsökning markeras containern Som oläst. Minimivärdet är `1`.	`30`

DataCollector

Nyckel	Typ	Beskrivning	Standardvärde
`sampling_rate`	flyttal	Procentandelen, som representeras som ett decimaltal, för data som ska samlas in. Till exempel representerar värdet 1,0 att samla in 100 % av data.	`1.0`
`rolling_rate`	sträng	Hastigheten för partitionering av data i lagringen. Värdet kan vara: Minut, Timme, Dag, Månad, År.	`Hour`
`collections`	objekt	Uppsättning enskilda `collection_name`och deras respektive inställningar för den här distributionen.
`collections.<collection_name>`	objekt	Logisk gruppering av produktionsinferensdata att samla in (exempel: `model_inputs`). Det finns två reserverade namn: `request` och `response`, som motsvarar http-begärande- respektive svarsnyttolastens datainsamling. Alla andra namn är godtyckliga och kan definieras av användaren. Obs! Var och `collection_name` en bör motsvara namnet på det `Collector` objekt som används i distributionen `score.py` för att samla in produktionsinferensdata. Mer information om insamling av nyttolastdata och datainsamling med den angivna Python-SDK: t finns i Samla in data från modeller i produktion.
`collections.<collection_name>.enabled`	boolean	Om du vill aktivera datainsamling för den angivna `collection_name`.	`'False''`
`collections.<collection_name>.data.name`	sträng	Namnet på den datatillgång som ska registreras med de insamlade data.	`<endpoint>-<deployment>-<collection_name>`
`collections.<collection_name>.data.path`	sträng	Den fullständiga Azure Machine Learning-datalagersökvägen där insamlade data ska registreras som en datatillgång.	`azureml://datastores/workspaceblobstore/paths/modelDataCollector/<endpoint_name>/<deployment_name>/<collection_name>`
`collections.<collection_name>.data.version`	integer	Den version av datatillgången som ska registreras med insamlade data i Blob Storage.	`1`

Kommentarer

Kommandona az ml online-deployment kan användas för att hantera azure machine learning-hanterade onlinedistributioner.

Exempel

Exempel är tillgängliga i GitHub-exempellagringsplatsen. Flera visas nedan.

YAML: basic

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
endpoint_name: my-endpoint
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score.py
environment: 
  conda_file: ../../model-1/environment/conda.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: green
endpoint_name: my-endpoint
model:
  path: ../../model-2/model/
code_configuration:
  code: ../../model-2/onlinescoring/
  scoring_script: score.py
environment:
  conda_file: ../../model-2/environment/conda.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1

YAML: systemtilldelad identitet

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score_managedidentity.py
environment:
  conda_file: ../../model-1/environment/conda-managedidentity.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1
environment_variables:
  STORAGE_ACCOUNT_NAME: "storage_place_holder"
  STORAGE_CONTAINER_NAME: "container_place_holder"
  FILE_NAME: "file_place_holder"

YAML: användartilldelad identitet

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score_managedidentity.py
environment: 
  conda_file: ../../model-1/environment/conda-managedidentity.yaml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
instance_type: Standard_DS3_v2
instance_count: 1
environment_variables:
  STORAGE_ACCOUNT_NAME: "storage_place_holder"
  STORAGE_CONTAINER_NAME: "container_place_holder"
  FILE_NAME: "file_place_holder"
  UAI_CLIENT_ID: "uai_client_id_place_holder"

YAML: data_collector

$schema: http://azureml/sdk-2-0/OnlineDeployment.json

endpoint_name: my_endpoint 
name: blue 
model: azureml:my-model-m1:1 
environment: azureml:env-m1:1 
data_collector:
   collections:
       model_inputs:
           enabled: 'True' 
       model_outputs:
           enabled: 'True'

$schema: http://azureml/sdk-2-0/OnlineDeployment.json

endpoint_name: my_endpoint
name: blue 
model: azureml:my-model-m1:1 
environment: azureml:env-m1:1 
data_collector:
   collections:
     request: 
         enabled: 'True'
         data: 
           name: my_request_data_asset 
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/request 
           version: 1 
     response:
         enabled: 'True' 
         data: 
           name: my_response_data_asset
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/response
           version: 1 
     model_inputs:
         enabled: 'True'
         data: 
           name: my_model_inputs_data_asset
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/model_inputs
           version: 1 
     model_outputs:
         enabled: 'True'
         data: 
           name: my_model_outputs_data_asset
           path: azureml://datastores/workspaceblobstore/paths/modelDataCollector/my_endpoint/blue/model_outputs
           version: 1

Nästa steg

Installera och använda CLI (v2)

Dela via