Veri içeri aktarma işlerini zamanlama (önizleme)

• Azure CLI'yi ve uzantıyı ml yükleyin. CLI'yı (v2) yükleme, ayarlama ve kullanma makalesindeki yükleme adımlarını izleyin.

• Azure Machine Learning çalışma alanınız yoksa oluşturun. Çalışma alanı oluşturmak için bkz . CLI'yi (v2) yükleme, ayarlama ve kullanma.

• Azure Machine Learning çalışma alanınız yoksa oluşturun.
• Python için Azure Machine Learning SDK v2.

• Azure Machine Learning çalışma alanı. Bkz . Çalışma alanı kaynakları oluşturma.
• Azure Machine Learning işlem hatlarını anlama. Makine öğrenmesi işlem hatlarının ne olduğunu ve CLI v2 veya SDK v2'de işlem hattı işi oluşturmayı öğrenin.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

YAML: Yinelenme deseniyle veri içeri aktarma zamanlaması

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

import_data: ./my-snowflake-import-data.yaml

YAML: Yönetilen veri deposunda yinelenenlik deseni ile satır içi veri içeri aktarma tanımını zamanlama

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_recurrence_import_schedule
display_name: Inline recurrence import schedule
description: an inline hourly recurrence import 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

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspacemanagedstore
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

A trigger şu özellikleri içerir:

• (Gerekli) type veya recurrence cronzamanlama türünü belirtir. Aşağıdaki bölümde daha fazla bilgi bulunmaktadır.

Ardından, CLI'da şu komutu çalıştırın:

> az ml schedule create -f <file-name>.yml

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import (
    ImportDataSchedule,
    RecurrenceTrigger,
    RecurrencePattern,
)
from datetime import datetime

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_recurrence"

schedule_start_time = datetime.utcnow()

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

import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=recurrence_trigger, import_data=my_data
)

ml_client.schedules.begin_create_or_update(import_schedule).result()

RecurrenceTrigger aşağıdaki özellikleri içerir:

• (Gerekli) Daha iyi bir kodlama deneyimi için yinelenme zamanlaması için kullanın RecurrenceTrigger .

Veri içeri aktarma işleminizin performansı ve çıkışları tatmin edici olduğunda, bu içeri aktarmayı otomatik olarak tetikleyen bir zamanlama ayarlayabilirsiniz.

1. Azure Machine Learning stüdyosu

2. Sol gezinti bölmesindeki Varlıklar'ın altında Veri'yi seçin. Veri içeri aktarma sekmesinde, zamanlama eklemek istediğiniz içeri aktarılan veri varlığını seçin. İşleri içeri aktar geçmişi sayfası, bu ekran görüntüsünde gösterildiği gibi görünmelidir:

   

3. İşleri içeri aktar geçmişi sayfasında, bu ekran görüntüsünde gösterildiği gibi işlem hatları iş ayrıntıları sayfasını açmak için en son İçeri aktarma işi adı köprü URL'sini seçin:

   

4. Herhangi bir veri içeri aktarma işleminin işlem hattı işi ayrıntıları sayfasında Zamanlama ->Yeni zamanlama oluştur'u seçerek bu ekran görüntüsünde gösterildiği gibi zamanlama oluşturma sihirbazını açın:

   

5. Zamanlama oluşturma sihirbazının Temel ayarları şu ekran görüntüsünde gösterilen özelliklere sahiptir:

   

• Ad: Çalışma alanı içindeki zamanlamanın benzersiz tanımlayıcısı.

• Açıklama: zamanlama açıklaması.

• Tetikleyici: Zamanlamanın şu özellikleri içeren yinelenme deseni:

  • Saat dilimi: Tetikleyici saat hesaplaması bu saat dilimini temel alır; (UTC) Eşgüdümlü Evrensel Saat varsayılan olarak.
  • Yinelenme veya Cron ifadesi: Yinelenen düzeni belirtmek için yinelenmeyi seçin. Yinelenme altında, yinelenme sıklığını dakika, saat, gün, hafta veya aya göre belirtebilirsiniz.
  • Başlangıç: Zamanlama ilk olarak bu tarihte etkin hale gelir. Varsayılan olarak, bu zamanlamanın oluşturma tarihidir.
  • Bitiş: Zamanlama bu tarihten sonra etkin olmayacaktır. Varsayılan olarak NONE değeridir ve siz el ile devre dışı bırakılıncaya kadar zamanlamanın etkin kalacağı anlamına gelir.
  • Etiketler: Seçilen zamanlama etiketleri.

  Temel ayarları yapılandırdıktan sonra Gözden Geçir + Oluştur'u seçebilirsiniz. Zamanlama, belirttiğiniz yinelenme düzenine göre verileri içeri aktarma işlemini otomatik olarak gönderir. Ayrıca İleri'yi seçip sihirbazda gezinerek veri içeri aktarma parametrelerini seçebilir veya güncelleştirebilirsiniz.

YAML: Cron ifadesiyle veri içeri aktarma zamanlaması

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

YAML: Cron ifadesiyle veri içeri aktarma zamanlaması (önizleme)

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

import_data: ./my-snowflake-import-data.yaml

YAML: Cron ifadesiyle satır içi veri içeri aktarma tanımını zamanlama (önizleme)

$schema: https://azuremlschemas.azureedge.net/latest/schedule.schema.json
name: inline_cron_import_schedule
display_name: Inline cron import schedule
description: an inline hourly cron import 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

import_data:
  type: mltable
  name: my_snowflake_ds
  path: azureml://datastores/workspaceblobstore/paths/snowflake/${{name}}
  source:
    type: database
    query: select * from TPCH_SF1.REGION
    connection: azureml:my_snowflake_connection

trigger bölümü zamanlama ayrıntılarını tanımlar ve şu özellikleri içerir:

• (Gerekli) type cron zamanlama türünü belirtir.

> az ml schedule create -f <file-name>.yml

Liste burada devam eder:

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

from azure.ai.ml.data_transfer import Database
from azure.ai.ml.constants import TimeZone
from azure.ai.ml.entities import CronTrigger, ImportDataSchedule

source = Database(connection="azureml:my_sf_connection", query="select * from my_table")

path = "azureml://datastores/workspaceblobstore/paths/snowflake/schedule/${{name}}"


my_data = DataImport(
    type="mltable", source=source, path=path, name="my_schedule_sfds_test"
)

schedule_name = "my_simple_sdk_create_schedule_cron"

cron_trigger = CronTrigger(
    expression="15 10 * * 1",
    start_time=datetime.utcnow(),
    end_time="2023-12-03T18:40:00",
)
import_schedule = ImportDataSchedule(
    name=schedule_name, trigger=cron_trigger, import_data=my_data
)
ml_client.schedules.begin_create_or_update(import_schedule).result()

CronTrigger bölümü zamanlama ayrıntılarını tanımlar ve şu özellikleri içerir:

• (Gerekli) Daha iyi bir kodlama deneyimi için yinelenme zamanlaması için kullanın CronTrigger .

Liste burada devam eder:

Veri içeri aktarma işleminizin performansı ve çıkışları tatmin edici olduğunda, bu içeri aktarmayı otomatik olarak tetikleyen bir zamanlama ayarlayabilirsiniz.

1. Azure Machine Learning stüdyosu

2. Sol gezinti bölmesindeki Varlıklar'ın altında Veri'yi seçin. Veri içeri aktarma sekmesinde, zamanlama eklemek istediğiniz içeri aktarılan veri varlığını seçin. İşleri içeri aktar geçmişi sayfası, bu ekran görüntüsünde gösterildiği gibi görünmelidir:

   

3. İşleri içeri aktar geçmişi sayfasında, bu ekran görüntüsünde gösterildiği gibi işlem hatları iş ayrıntıları sayfasını açmak için en son İçeri aktarma işi adı köprü URL'sini seçin:

   

4. Herhangi bir veri içeri aktarma işleminin işlem hattı işi ayrıntıları sayfasında Zamanlama ->Yeni zamanlama oluştur'u seçerek bu ekran görüntüsünde gösterildiği gibi zamanlama oluşturma sihirbazını açın:

   

5. Zamanlama oluşturma sihirbazının Temel ayarları şu ekran görüntüsünde gösterilen özelliklere sahiptir:

   

• Ad: Çalışma alanı içindeki zamanlamanın benzersiz tanımlayıcısı.

• Açıklama: zamanlama açıklaması.

• Tetikleyici: Zamanlamanın şu özellikleri içeren yinelenme deseni:

  • Saat dilimi: Tetikleyici saat hesaplaması bu saat dilimini temel alır; (UTC) Eşgüdümlü Evrensel Saat varsayılan olarak.
  • Yinelenme veya Cron ifadesi: Yinelenen düzeni belirtmek için yinelenmeyi seçin. Cron ifadesiyle daha esnek ve özelleştirilmiş bir yinelenme deseni belirtebilirsiniz.
  • Başlangıç: Zamanlama ilk olarak bu tarihte etkin hale gelir. Varsayılan olarak, bu zamanlamanın oluşturma tarihidir.
  • Bitiş: Zamanlama bu tarihten sonra etkin olmayacaktır. Varsayılan olarak NONE değeridir ve siz el ile devre dışı bırakılıncaya kadar zamanlamanın etkin kalacağı anlamına gelir.
  • Etiketler: Seçilen zamanlama etiketleri.

  Temel ayarları yapılandırdıktan sonra Gözden Geçir + Oluştur'u seçebilirsiniz. Zamanlama, belirttiğiniz yinelenme düzenine göre verileri içeri aktarma işlemini otomatik olarak gönderir. Ayrıca İleri'yi seçip sihirbazda gezinerek veri içeri aktarma parametrelerini seçebilir veya güncelleştirebilirsiniz.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule list

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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

Stüdyo portalında İşler uzantısının altında Tüm zamanlamalar sekmesini seçin. Bu sekme, SDK/cli/UI tarafından oluşturulan tüm iş zamanlamalarınızı tek bir listede gösterir. Zamanlama listesinde, bu ekran görüntüsünde gösterildiği gibi bu çalışma alanında tüm zamanlamalara genel bir bakış elde etmiş olursunuz:

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule show -n simple_cron_data_import_schedule

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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

Zamanlama ayrıntıları sayfasını göstermek için bir zamanlama adı seçebilirsiniz. Zamanlama ayrıntıları sayfası, bu ekran görüntüsünde gösterildiği gibi aşağıdaki sekmeleri içerir:

• Genel bakış: Belirtilen zamanlama için temel bilgiler.

  

• İş tanımı: Bu ekran görüntüsünde gösterildiği gibi belirtilen zamanlamanın tetiklediği işi tanımlar:

  

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

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

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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

Veri içeri aktarma tanımını mevcut zamanlamaya güncelleştirme

İçeri aktarma sıklığını değiştirmek veya veri içeri aktarma işi için yeni bir ilişkilendirme oluşturmak için, var olan bir zamanlamanın içeri aktarma tanımını güncelleştirebilirsiniz.

1. Azure Machine Learning stüdyosu

2. Sol gezinti bölmesindeki Varlıklar'ın altında Veri'yi seçin. Veri içeri aktarma sekmesinde, zamanlama eklemek istediğiniz içeri aktarılan veri varlığını seçin. İşleri içeri aktar geçmişi sayfası, bu ekran görüntüsünde gösterildiği gibi görünmelidir:

   

3. İşleri içeri aktar geçmişi sayfasında en son İş adını içeri aktar bağlantısını seçerek işlem hatları iş ayrıntıları sayfasını şu ekran görüntüsünde gösterildiği gibi açın:

   

4. Herhangi bir veri içeri aktarma işleminin işlem hattı işi ayrıntıları sayfasında, bu ekran görüntüsünde gösterildiği gibi Zamanlama ->Mevcut zamanlamaya güncelleştirildi'yi seçerek Zamanlama seç sihirbazını açın:

   

5. Bu ekran görüntüsünde gösterildiği gibi listeden mevcut bir zamanlamayı seçin:

   

   Önemli

   Güncelleştirilecek doğru zamanlamayı seçtiğinizden emin olun. Güncelleştirmeyi tamamladıktan sonra zamanlama farklı veri içeri aktarmalarını tetikler.

6. Zamanlamanın tetikleeceği gelecekteki veri içeri aktarma işlemleri için kaynağı değiştirebilir, hedef yolu sorgulayabilir ve değiştirebilirsiniz.

7. Güncelleştirme işlemini tamamlamak için Gözden Geçir + Güncelleştir'i seçin. Tamamlanan güncelleştirme bir bildirim gönderir.

8. Güncelleştirme tamamlandığında zamanlama ayrıntıları sayfasında yeni veri içeri aktarma tanımını görüntüleyebilirsiniz.

Zamanlama ayrıntı sayfasında güncelleştirme

Zamanlama ayrıntıları sayfasında, bu ekran görüntüsünde gösterildiği gibi, zamanlamanın iş girişi/çıkışı ve çalışma zamanı ayarları dahil olmak üzere hem temel ayarları hem de gelişmiş ayarları güncelleştirmek için Ayarları güncelleştir'i seçebilirsiniz:

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

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

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

Geçerli zamanlamayı zamanlama ayrıntıları sayfasında devre dışı bırakabilirsiniz. Ayrıca Tüm zamanlamalar sekmesinde zamanlamaları devre dışı bırakabilirsiniz.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

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

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

# 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)

Zamanlama ayrıntıları sayfasında geçerli zamanlamayı etkinleştirebilirsiniz. Zamanlamaları Tüm zamanlamalar sekmesinden de etkinleştirebilirsiniz.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

az ml schedule delete -n simple_cron_data_import_schedule

ŞUNLAR IÇIN GEÇERLIDIR: Python SDK'sı azure-ai-ml v2 (geçerli)

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

Zamanlama ayrıntıları sayfasından veya tüm zamanlamalar sekmesinden bir zamanlamayı silebilirsiniz.