Azure 机器学习 CLI (v2) 发行说明
本文介绍 Azure 机器学习 CLI (v2) 版本。
RSS 源:通过将以下 URL 复制并粘贴到源阅读器中,可以在页面更新时收到通知:https://learn.microsoft.com/api/search/rss?search=%22Azure+machine+learning+release+notes-v2%22&locale=en-us
2024-09-18
Azure 机器学习 CLI (v2) v2.30.0
az ml workspace outbound-rule set
- 增加了对可选
--fqdns
属性的支持,用于在工作区托管网络中创建 private_endpoint 出站规则。 与支持应用程序网关 PE 目标相关。 - 增加了对可选
--address-prefixes
属性的支持,用于在工作区托管网络中创建 service_tag 出站规则。
- 增加了对可选
2024-08-14
Azure 机器学习 CLI (v2) v2.29.0
az ml compute enable-sso
- 增加了 enable-sso,允许用户启用计算实例的 sso 设置,而无需对计算设置任何写入权限。
2024-06-21
Azure 机器学习 CLI (v2) v2.27.0
az ml workspace create --system-datastores-auth-mode
- 已增加
--system-datastores-auth-mode
以创建 AzureML 工作区。
- 已增加
az ml workspace update --system-datastores-auth-mode
- 已增加
--system-datastores-auth-mode
以更新 AzureML 工作区。
- 已增加
az ml workspace create --allow-roleassignment-on-rg
- 已增加
--allow-roleassignment-on-rg
以创建 AzureML 工作区,可在 RG 级别允许/禁止角色分配。
- 已增加
az ml workspace update --allow-roleassignment-on-rg
- 已增加
--allow-roleassignment-on-rg
以更新 AzureML 工作区,可在 RG 级别允许/禁止角色分配。
- 已增加
2023-10-18
Azure 机器学习 CLI (v2) v2.21.1
- pydash 依赖项版本已升级至 >=6.0.0,以修补 6.0.0 以下版本中的安全漏洞
2023-09-11
Azure 机器学习 CLI (v2) v2.20.0
az ml feature-store provision-network
- [公开评论]增加了此命令以允许用户为特征存储预配托管网络
az ml feature-store create
- 已增加
--not-grant-permissions
以允许用户不授予特征存储的具体化身分访问权限
- 已增加
az ml feature-store update
- 已增加
--not-grant-permissions
以允许用户不授予特征存储的具体化身分访问权限
- 已增加
az ml feature-set
- 已增加
--feature-store-name
并弃用--workspace-name
,6 个月后将取消向后兼容性
- 已增加
az ml feature-store-entity
- 已增加
--feature-store-name
并弃用--workspace-name
,6 个月后将取消向后兼容性
- 已增加
az configure
- 已增加
--defaults feature-store=<name>
以允许用户配置默认特征存储
- 已增加
az ml job connect-ssh
- 已增加
--ssh-args/-c
以允许指定其他 ssh 选项和命令,例如向正在运行的进程发送信号或附加到交互式终端
- 已增加
2023-05-09
Azure 机器学习 CLI (v2) v2.17.0
az ml online-deployment create
- 增加了
--local-enable-gpu
以允许 gpu 访问本地部署。
- 增加了
az ml online-deployment update
- 增加了
--local-enable-gpu
以允许 gpu 访问本地部署。
- 增加了
2023-05-01
Azure 机器学习 CLI (v2) v2.16.0
az ml job connect-ssh
- 此命令标记为 GA。
az ml job show-services
- 此命令标记为 GA。
az ml model download
- 修正了通过
--registry-name
参数从注册表下载模型时,workspace_name
是强制性的问题。
- 修正了通过
az ml model create
- 添加
--stage(-s)
标志以添加模型的阶段。
- 添加
az ml model update
- 添加
--stage(-s)
标志以更新模型的阶段。
- 添加
az ml model list
- 按模型的阶段将
--stage(-s)
标志添加到列表中。
- 按模型的阶段将
az ml workspace delete
- 添加
--purge(-p)
标志以强制清除而不是软删除。
- 添加
az ml workspace create
- 添加
--enable-data-isolation(-e)
标志以确定工作区是否启用了数据隔离。
- 添加
2023-03-21
Azure 机器学习 CLI (v2) v2.15.0
az ml compute
- 已添加
--tags
以创建和更新 Azure 机器学习计算。
- 已添加
az ml data import
- 支持通过首先将数据从数据库和 file_system 导入 Azure 云存储空间来创建数据资产版本。
az ml data list-materialization-status
- 支持通过
--name
参数创建 <asset_name> 的数据资产版本的数据导入具体化作业的列表状态。
- 支持通过
az ml online-deployment update
- 已添加
--skip-script-validation
以创建 Azure 机器学习在线部署。
- 已添加
az ml workspace provision-network
- 支持为工作区提供托管网络
2023-02-03
Azure 机器学习 CLI (v2) v2.14.0
az ml compute
- 已添加
--location
以创建 Azure 机器学习计算。 - 已添加
--enable-node-public-ip
以为计算进行创建。
- 已添加
az ml data
- 对帮助文本进行小的编辑
az ml data list
- 已添加通过
--registry-name
参数在注册表中列出数据资产的支持
- 已添加通过
az ml data show
- 已添加通过
--registry-name
参数在注册表中显示数据资产的支持
- 已添加通过
az ml data create
- 已添加通过
--registry-name
参数在注册表中创建数据资产的支持 - 已添加对将数据资产从工作区提升到注册表的支持
- 已添加通过
az ml workspace create
- 已添加对使用具有
--managed-network
参数的托管网络创建工作区的支持
- 已添加对使用具有
az ml workspace update
- 已添加对使用具有
--managed-network
参数的托管网络更新工作区的支持
- 已添加对使用具有
az ml compute connect-ssh
- 已添加对通过 SSH 连接到计算实例的支持
az ml workspace outbound-rule
- 已添加对列出工作区
az ml workspace outbound-rule list
的托管网络出站规则的支持 - 已添加对显示工作区
az ml workspace outbound-rule show
的托管网络出站规则的支持 - 已添加对移除工作区
az ml workspace outbound-rule remove
的托管网络出站规则的支持 - 添加了对创建或更新工作区
az ml workspace outbound-rule set
的托管网络出站规则的支持
- 已添加对列出工作区
2022-12-06
Azure 机器学习 CLI (v2) v2.12.0
- 当既不传递工作区也不传递注册表名称时,改进了已启用注册表的
az ml
命令的错误消息。 az ml compute
- 修复了 no-wait 参数导致的问题。
2022-11-08
Azure 机器学习 CLI (v2) v2.11.0
- CLI 取决于 azure-ai-ml 1.1.0。
az ml registry
- 添加了
ml registry delete
命令。 - 调整了注册表实验性标记和导入,以避免不相关操作的警告打印输出。
- 添加了
az ml environment
- 阻止了注册引用 conda 文件的现有环境。
2022-10-10
Azure 机器学习 CLI (v2) v2.10.0
- CLI 取决于 azure-ai-ml 的正式版。
- 放弃了对 Python 3.6 的支持。
az ml registry
- 添加了用于管理 ML 资产注册表的新命令组。
az ml job
- 添加了
az ml job show-services
命令。 - 向 AutoML NLP 作业添加了模型扫描和超参数优化。
- 添加了
az ml schedule
- 在定期计划中添加了
month_days
属性。
- 在定期计划中添加了
az ml compute
- 添加了对计算实例的自定义设置脚本支持。
2022-09-22
Azure 机器学习 CLI (v2) v2.8.0
az ml job
- 添加了 spark 作业支持。
- 向作业添加了 shm_size 和 docker_args。
az ml compute
- 计算实例支持托管标识。
- 添加了对计算实例的空闲关闭时间支持。
az ml online-deployment
- 添加了对事件中心和数据存储数据收集的支持。
- 添加了评分脚本的语法验证。
az ml batch-deployment
- 添加了评分脚本的语法验证。
2022-08-10
Azure 机器学习 CLI (v2) v2.7.0
az ml component
- 添加了 AutoML 组件。
az ml dataset
- 已弃用命令组(请改用
az ml data
)。
- 已弃用命令组(请改用
2022-07-16
Azure 机器学习 CLI (v2) v2.6.0
- 添加了 MoonCake 云支持。
az ml job
- 允许将 Git 存储库 URL 用作代码。
- AutoML 作业使用与其他作业类型相同的输入架构。
- 管道作业现在支持注册表资产。
az ml component
- 允许将 Git 存储库 URL 用作代码。
az ml online-endpoint
- MIR 现在支持注册表资产。
2022-05-24
Azure 机器学习 CLI (v2) v2.4.0
- Azure 机器学习 CLI (v2) 现已正式发布。
az ml job
- 命令组被标记为 GA。
- 在公共预览版中添加了 AutoML 作业类型。
- 在公共预览版中向管道作业添加了
schedules
属性。 - 添加了仅列出已存档作业的选项。
- 提高了
az ml job download
命令的可靠性。
az ml data
- 命令组被标记为 GA。
- 在公共预览版中添加了 MLTable 数据类型。
- 添加了仅列出已存档数据资产的选项。
az ml environment
- 添加了仅列出已存档环境的选项。
az ml model
- 命令组被标记为 GA。
- 允许从作业输出创建模型。
- 添加了仅列出已存档模型的选项。
az ml online-deployment
- 命令组被标记为 GA。
- 删除了等待创建部署的超时。
- 改进了联机部署列表视图。
az ml online-endpoint
- 命令组被标记为 GA。
- 在公共预览版中向联机终结点添加了
mirror_traffic
属性。 - 改进了联机终结点列表视图。
az ml batch-deployment
- 命令组被标记为 GA。
- 添加了对
uri_file
和uri_folder
作为调用输入的支持。 - 修复了批处理部署更新中的 bug。
- 修复了批处理部署列表作业输出中的 bug。
az ml batch-endpoint
- 命令组被标记为 GA。
- 添加了对
uri_file
和uri_folder
作为调用输入的支持。 - 修复了批处理终结点更新中的 bug。
- 修复了批处理终结点列表作业输出中的 bug。
az ml component
- 命令组被标记为 GA。
- 添加了仅列出已存档组件的选项。
az ml code
- 此命令组已删除。
2022-03-14
Azure 机器学习 CLI (v2) v2.2.1
az ml job
- 对于所有作业类型,平展了 YAML 架构的
code
部分。 不再使用code.local_path
来指定源代码目录的路径,现在只是code
- 对于所有作业类型,更改了用于在作业 YAML 中定义作业数据输入的架构。 不再使用
file
或folder
字段指定数据路径,而是使用path
字段指定本地路径、包含数据的云路径的 URI 或通过path: azureml:<data_name>:<data_version>
对现有已注册 Azure 机器学习数据资产的引用。 还指定了type
字段以阐明数据源是单个文件 (uri_file
) 还是文件夹 (uri_folder
)。 如果省略type
字段,则默认为type: uri_folder
。 有关详细信息,请参阅讨论用于指定输入数据的架构的任何作业 YAML 参考部分。 - 在扫描作业 YAML 架构中,已将
sampling_algorithm
字段从字符串更改为对象,以支持随机采样算法类型的更多配置 - 删除了组件作业 YAML 架构。 在此版本中,如果要在使用组件的管道内运行命令作业,只需将组件指定给命令作业 YAML 定义的
component
字段。 - 对于所有作业类型,增加了对在作业 YAML 配置中引用最新版本的嵌套资产的支持。 在引用已注册的环境或数据资产以用作某个作业中的输入时,可以按最新版本设定别名,而不必显式指定版本。 例如:
environment: azureml:AzureML-Minimal@latest
- 对于管道作业,引入了
${{ parent }}
上下文,用于在管道中的步骤之间绑定输入和输出。 有关详细信息,请参阅用于在管道作业中的步骤之间绑定输入和输出的表达式语法。 - 增加了对通过
az ml job download
命令的--output-name
参数下载作业的命名输出的支持
- 对于所有作业类型,平展了 YAML 架构的
az ml data
- 弃用了
az ml dataset
子组,现在改用az ml data
- 现在可以从单个文件源 (
type: uri_file
) 或文件夹 (type: uri_folder
) 创建两种类型的数据。 在创建数据资产时,可以从本地文件/文件夹或从云路径位置的 URI 指定数据源。 有关完整架构,请参阅数据 YAML 架构
- 弃用了
az ml environment
- 在环境 YAML 架构中,已将
build.local_path
字段重命名为build.path
- 删除了
build.context_uri
字段,当返回环境时,上传的生成上下文位置的 URI 将可以通过build.path
进行访问
- 在环境 YAML 架构中,已将
az ml model
- 在模型 YAML 架构中,删除了
model_uri
和local_path
字段,并将它们合并为一个path
字段,此字段可以采用本地路径或云路径 URI。 已将model_format
字段重命名为type
;默认类型为custom_model
,但你可以指定其他类型(mlflow_model
、triton_model
)之一,以在无代码部署方案中使用该模型 - 对于
az ml model create
,删除了--model-uri
和--local-path
参数,并将它们合并为一个--path
参数,此参数可以采用本地路径或云路径 URI - 添加了
az ml model download
命令用于下载模型的项目文件
- 在模型 YAML 架构中,删除了
az ml online-deployment
- 在联机部署 YAML 架构中,平展了
code_configuration
字段的code
部分。 不再使用code_configuration.code.local_path
来指定包含评分文件的源代码目录的路径,现在只是code_configuration.code
- 向联机部署 YAML 架构添加了一个
environment_variables
字段,用来支持为联机部署配置环境变量
- 在联机部署 YAML 架构中,平展了
az ml batch-deployment
- 在批量部署 YAML 架构中,平展了
code_configuration
字段的code
部分。 不再使用code_configuration.code.local_path
来指定包含评分文件的源代码目录的路径,现在只是code_configuration.code
- 在批量部署 YAML 架构中,平展了
az ml component
- 平展了命令组件 YAML 架构的
code
部分。 不再使用code.local_path
来指定源代码目录的路径,现在只是code
- 增加了以下支持:引用已注册环境的最新版本以在组件 YAML 配置中使用。 在引用已注册的环境时,可以按最新版本设定别名,而不必显式指定版本。 例如:
environment: azureml:AzureML-Minimal@latest
- 对于在定义组件输入或输出时的
type
字段,已将组件输入和输出类型值从path
重命名为uri_folder
- 平展了命令组件 YAML 架构的
- 删除了用于资产(模型、组件、数据、环境)的
delete
命令。 现有的删除功能只是软删除,因此一旦支持硬删除,delete
命令将在以后的版本中重新引入 - 增加了对存档和还原资产(模型、组件、数据、环境)和作业的支持,例如
az ml model archive
和az ml model restore
。 现在,可以存档资产和作业,这将从列表查询(例如az ml model list
)中隐藏已存档的实体。
2021-10-04
Azure 机器学习 CLI (v2) v2.0.2
az ml workspace
- 更新了工作区 YAML 架构
az ml compute
- 更新了 AmlCompute 和计算实例的 YAML 架构
- 删除了对旧版 AKS 附加(通过
az ml compute attach
)的支持。
az ml datastore
更新了 Azure blob、Azure 文件和 Azure Data Lake Gen2 数据存储的 YAML 架构
添加了对创建 Azure Data Lake Storage Gen2 数据存储的支持
az ml job
- 更新了命令作业和扫描作业的 YAML 架构
- 添加了对运行管道作业(管道作业 YAML 架构)的支持
- 添加了对所有作业类型的作业输入文本和输入数据 URI 的支持
- 添加了对所有作业类型的作业输出的支持
- 将表达式语法从
{ <expression> }
更改为${{ <expression> }}
。 有关详细信息,请参阅用于配置 Azure 机器学习作业的表达式语法
az ml environment
- 更新了环境 YAML 架构
- 添加了对从 Docker 生成上下文创建环境的支持
az ml model
- 更新了模型 YAML 架构
- 向无代码部署方案的模型添加了新的
model_format
属性
az ml dataset
- 将
az ml data
子组重命名为az ml dataset
- 更新了数据集 YAML 架构
- 将
az ml component
- 已添加用于管理 Azure 机器学习组件的
az ml component
命令 - 添加了对命令组件(命令组件 YAML 架构)的支持
- 已添加用于管理 Azure 机器学习组件的
az ml online-endpoint
az ml endpoint
子组已拆分为两个不同的组:az ml online-endpoint
和az ml batch-endpoint
- 更新了联机终结点 YAML 架构
- 添加了对开发/测试方案的本地终结点的支持
- 添加了对本地终结点的交互式 VS Code 调试支持(向
az ml batch-endpoint create/update
添加了--vscode-debug
标志)
az ml online-deployment
az ml deployment
子组已拆分为两个不同的组:az ml online-deployment
和az ml batch-deployment
- 更新了托管联机部署 YAML 架构
- 通过与 Azure Monitor 自动缩放集成添加了自动缩放支持
- 添加了对在同一更新操作中更新多个联机部署属性的支持
- 添加了对同一终结点下的不同部署执行并发操作的支持
az ml batch-endpoint
az ml endpoint
子组已拆分为两个不同的组:az ml online-endpoint
和az ml batch-endpoint
- 更新了批处理终结点 YAML 架构
- 删除了
traffic
属性;已替换为可配置的默认部署属性 - 添加了对
az ml batch-endpoint invoke
输入数据 URI 的支持 - 添加了对 VNet 流入量(专用链接)的支持
az ml batch-deployment
az ml deployment
子组已拆分为两个不同的组:az ml online-deployment
和az ml batch-deployment
- 更新了批量部署 YAML 架构
2021-05-25
宣布推出适用于 Azure 机器学习的 CLI (v2)
Azure CLI 的 ml
扩展是适用于 Azure 机器学习的下一代接口。 该扩展可让你从命令行训练和部署模型,并提供了在跟踪模型生命周期时加快数据科学纵向和横向扩展的功能。 安装并开始使用。