Skip to main content
NetApp Solutions
本繁體中文版使用機器翻譯，譯文僅供參考，若與英文版本牴觸，應以英文版本為準。

線道偵測–採用RUN：AI的分散式訓練

貢獻者
PDF

本節詳細說明如何使用RUN：AI Orchestrator設定平台、以大規模執行線上偵測分散式訓練。我們將討論如何在上述平台上安裝所有解決方案元素、以及執行分散式訓練工作。使用與RUN：AI實驗連結的NetApp SnapshotTM來完成ML版本管理、以實現資料與模型的可重複性。ML版本管理在追蹤模型、團隊成員之間的共享工作、結果的重現性、將新的模型版本推向正式作業、以及資料來源等方面扮演著重要角色。NetApp ML版本控制（Snapshot）可擷取與每個實驗相關的資料、訓練模型和記錄的時間點版本。它提供豐富的API支援、可輕鬆與RUN：AI平台整合、您只需根據訓練狀態觸發事件即可。您也必須擷取整個實驗的狀態、而不需變更程式碼或在Kubernetes（K8s）上執行的容器中的任何內容。

最後、本技術報告會在各個高架（大量）的多個GPU節點上進行效能評估、以做為總結。

使用TuSimple資料集的線道偵測使用案例分散式訓練

在本技術報告中、我們會在TuSimple資料集上執行分散式訓練、以偵測線道。Horovod用於訓練程式碼、可在Kubernetes叢集中的多個GPU節點上同時透過高層管理程式進行資料分散式訓練。程式碼會封裝成容器映像、以便下載及處理TuSimple資料。已處理的資料儲存在NetApp Trident外掛程式所配置的持續磁碟區上。在訓練過程中、會再建立一個容器映像、並使用下載資料時所建立之持續磁碟區中儲存的資料。

若要提交資料和訓練工作、請使用RUN：AI來協調資源分配和管理。RUN：AI可讓您執行Horovod所需的訊息傳遞介面（MPI）作業。此配置可讓多個GPU節點彼此通訊、以便在每次訓練迷你批次後更新訓練權重。它也能透過UI和CLI監控訓練、讓您輕鬆監控實驗進度。

NetApp Snapshot已整合於訓練程式碼中、可擷取每個實驗的資料狀態和訓練模式。此功能可讓您追蹤所使用的資料和程式碼版本、以及所產生的相關訓練模型。

設定與安裝

如需設定及安裝AKS叢集、請前往 "建立一個高效能叢集"。接著、請遵循下列一系列步驟：

  1. 選取節點類型（無論是系統（CPU）或工作（GPU）節點）時、請選取下列項目：

    1. 在「tandard_DS2_v2」大小新增名為「agentpool」的主要系統節點。使用預設的三個節點。

    2. 使用「Standard_NC6s_v3」資源池大小新增工作節點「gp池」。GPU節點至少使用三個節點。

      錯誤：缺少圖形影像

    註 部署需要5–10分鐘。

  2. 部署完成後、按一下「Connect to Cluster（連線至叢集）」。若要連線至新建立的高層叢集、請從本機環境（筆記型電腦/電腦）安裝Kubernetes命令列工具。請造訪 "安裝工具" 以根據您的作業系統進行安裝。

  3. "在您的本機環境中安裝Azure CLI"。

  4. 若要從終端機存取高層叢集、請先輸入「AZ登入」、然後輸入認證資料。

  5. 執行下列兩個命令：

    az account set --subscription xxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxxxx
aks get-credentials --resource-group resourcegroup --name aksclustername

  6. 在Azure CLI中輸入此命令：

    kubectl get nodes
    註 如果這六個節點都已啟動並執行、則您的高效能叢集已準備就緒並連線至本機環境。

    錯誤：缺少圖形影像

建立委派子網路Azure NetApp Files 以供使用

若要建立Azure NetApp Files 委派的子網路以供使用、請依照下列一系列步驟操作：

  1. 瀏覽至Azure入口網站內的虛擬網路。尋找您新建立的虛擬網路。它應該有一個前置詞、例如：在此處看到的；按一下虛擬網路的名稱。

    錯誤：缺少圖形影像

  2. 按一下子網路、然後從頂端工具列選取+子網路。

    錯誤：缺少圖形影像

  3. 在子網路委派標題下、輸入名稱「anf.sn」、然後選取Microsoft.NetApp/volumes。請勿變更任何其他項目。按一下「確定」。

    錯誤：缺少圖形影像

將實體磁碟區分配給應用程式叢集、並作為Kubernetes中的持續磁碟區宣告（PVCS）使用。Azure NetApp Files而這項配置則可讓我們靈活地將磁碟區對應到不同的服務、無論是Jupyter筆記型電腦、無伺服器功能等等

服務使用者可從平台使用多種儲存設備。此功能的主要優點Azure NetApp Files 包括：

  • 提供使用者使用快照的能力。

  • 可讓使用者將大量資料儲存在Azure NetApp Files 功能區上。

  • 在Azure NetApp Files 大量檔案上執行機型時、請取得效能優勢。

系統設定Azure NetApp Files

若要完成Azure NetApp Files 設定、您必須先依照中所述進行設定 "快速入門：設定Azure NetApp Files 功能以建立NFS磁碟區"。

不過、您可以略過建立Azure NetApp Files NFS Volume以供使用的步驟、因為您將透過Trident建立Volume。在繼續之前、請確定您已：

  1. "已註冊Azure NetApp Files 為NetApp資源供應商（透過Azure Cloud Shell）"。

  2. "在Azure NetApp Files 不執行任何作業的情況下建立帳戶"。

  3. "設定容量資源池" （視您的需求而定、最低4TiB標準或Premium）。

利用虛擬網路和Azure NetApp Files 虛擬化網路來對等化

接下來、Azure NetApp Files 請依照下列步驟、將使用者虛擬網路（vnet）與該虛擬網路（vnet）對等：

  1. 在Azure入口網站頂端的搜尋方塊中、輸入虛擬網路。

  2. 按一下vnet aks-vnet-name、然後在搜尋欄位中輸入「服務」。

  3. 按一下「+新增」、然後輸入下表所提供的資訊：

    欄位 價值或說明

    對等連結名稱

    aks-vnet-name_to_anf

    訂閱ID

    訂閱Azure NetApp Files 您所要登入的物件網

    vnet對等合作夥伴

    網版Azure NetApp Files
    註 保留所有非星號區段的預設值

  4. 按一下「新增」或「確定」、將對等新增至虛擬網路。

如需詳細資訊、請造訪 "建立、變更或刪除虛擬網路對等關係"。

Trident

Trident是NetApp為應用程式容器持續儲存所維護的開放原始碼專案。Trident已實作為外部資源配置程式控制器、以Pod本身的形式執行、監控磁碟區、並將資源配置程序完全自動化。

NetApp Trident可建立及附加持續容量、以儲存訓練資料集和訓練模型、順利與K8s整合。這項功能可讓資料科學家和資料工程師更輕鬆地使用K8s、而不需費心手動儲存和管理資料集。Trident也不需要資料科學家學習管理新的資料平台、因為它透過邏輯API整合來整合資料管理相關工作。

安裝Trident

若要安裝Trident軟體、請完成下列步驟：

  1. "第一次安裝Helm"。

  2. 下載並解壓縮Trident 21.01.1安裝程式。

    wget https://github.com/NetApp/trident/releases/download/v21.01.1/trident-installer-21.01.1.tar.gz
tar -xf trident-installer-21.01.1.tar.gz

  3. 將目錄變更為「Trident安裝程式」。

    cd trident-installer

  4. 將「tridentctl」複製到系統「$path」中的目錄

    cp ./tridentctl /usr/local/bin

  5. 使用Helm在K8s叢集上安裝Trident：

    1. 將目錄變更為helm目錄。

      cd helm

    2. 安裝Trident。

      helm install trident trident-operator-21.01.1.tgz --namespace trident --create-namespace

    3. 以一般的K8s方法檢查Trident Pod的狀態：

      kubectl -n trident get pods

    4. 如果所有的Pod都已啟動且正在執行、則會安裝Trident、您可以繼續向前邁進。

設定Azure NetApp Files 不中斷的後端與儲存類別

若要設定Azure NetApp Files 不完整的後端與儲存類別、請完成下列步驟：

  1. 切換回主目錄。

    cd ~

  2. 複製 "專案儲存庫" 「lane detection-SCNN-Horovod」。

  3. 移至「trident組態」目錄。

    cd ./lane-detection-SCNN-horovod/trident-config

  4. 建立Azure服務原則（服務原則是Trident如何與Azure通訊以存取Azure NetApp Files 您的整套資源）。

    az ad sp create-for-rbac --name

    輸出應如下所示：

    {
  "appId": "xxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
   "displayName": "netapptrident",
    "name": "http://netapptrident",
    "password": "xxxxxxxxxxxxxxx.xxxxxxxxxxxxxx",
    "tenant": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxx"
 }

  5. 建立Trident的「後端json」檔案。

  6. 使用偏好的文字編輯器、從「anf-backend.json」檔案中的下表填寫下列欄位。

    欄位 價值

    訂閱ID

    您的Azure訂閱ID

    TenantId

    您的Azure租戶ID（上一步AZ廣告服務輸出）

    ClientID

    您的應用程式ID（從上一步AZ廣告服務輸出）

    用戶端機密

    您的密碼（取自上一步AZ廣告服務的輸出）

    檔案應如下所示：

    {
    "version": 1,
    "storageDriverName": "azure-netapp-files",
    "subscriptionID": "fakec765-4774-fake-ae98-a721add4fake",
    "tenantID": "fakef836-edc1-fake-bff9-b2d865eefake",
    "clientID": "fake0f63-bf8e-fake-8076-8de91e57fake",
    "clientSecret": "SECRET",
    "location": "westeurope",
    "serviceLevel": "Standard",
    "virtualNetwork": "anf-vnet",
    "subnet": "default",
    "nfsMountOptions": "vers=3,proto=tcp",
    "limitVolumeSize": "500Gi",
    "defaults": {
    "exportRule": "0.0.0.0/0",
    "size": "200Gi"
}

  7. 指示Trident在Azure NetApp Files 「Trident」命名空間中建立「支援」後端、使用「anf-backend.json」做為組態檔、如下所示：

    tridentctl create backend -f anf-backend.json -n trident

  8. 建立儲存類別：

    1. K8使用者使用以名稱指定儲存類別的PVCS來配置磁碟區。指示K8s建立儲存類別「azurenetappfiless」、以參照Azure NetApp Files 上一步建立的「背後」、使用下列項目：

      kubectl create -f anf-storage-class.yaml

    2. 使用下列命令檢查是否已建立儲存類別：

      kubectl get sc azurenetappfiles

      輸出應如下所示：

    錯誤：缺少圖形影像

在高效能上部署及設定Volume Snapshot元件

如果叢集未預先安裝正確的Volume Snapshot元件、您可以執行下列步驟、手動安裝這些元件：

註 若為AKS 1.18.14、則不會預先安裝Snapshot控制器。

  1. 使用下列命令安裝Snapshot Beta客戶需求日：

    kubectl create -f https://raw.githubusercontent.com/kubernetes-csi/external-snapshotter/release-3.0/client/config/crd/snapshot.storage.k8s.io_volumesnapshotclasses.yaml
kubectl create -f https://raw.githubusercontent.com/kubernetes-csi/external-snapshotter/release-3.0/client/config/crd/snapshot.storage.k8s.io_volumesnapshotcontents.yaml
kubectl create -f https://raw.githubusercontent.com/kubernetes-csi/external-snapshotter/release-3.0/client/config/crd/snapshot.storage.k8s.io_volumesnapshots.yaml

  2. 使用GitHub提供的下列文件來安裝Snapshot控制器：

    kubectl apply -f https://raw.githubusercontent.com/kubernetes-csi/external-snapshotter/release-3.0/deploy/kubernetes/snapshot-controller/rbac-snapshot-controller.yaml
kubectl apply -f https://raw.githubusercontent.com/kubernetes-csi/external-snapshotter/release-3.0/deploy/kubernetes/snapshot-controller/setup-snapshot-controller.yaml

  3. 設定K8s「volumesnapshotClass」：在建立Volume Snapshot之前、請先 "Volume Snapshot類別" 必須設定。建立適用於Azure NetApp Files 功能不全的Volume Snapshot類別、並使用NetApp Snapshot技術來達到ML版本管理。建立「volumesnapshotClass NetApp-csi快照類別」、並將其設為預設的「volumesnapshotClass」、例如：

    kubectl create -f netapp-volume-snapshot-class.yaml

    輸出應如下所示：

    錯誤：缺少圖形影像

  4. 使用下列命令檢查是否已建立Volume Snapshot複本類別：

    kubectl get volumesnapshotclass

    輸出應如下所示：

    錯誤：缺少圖形影像

執行：AI安裝

若要安裝RUN：AI、請完成下列步驟：

  1. "安裝RUN：AI叢集於AKS上"。

  2. 前往app.runai.ai、按一下「Create New Project（建立新專案）」、然後將其命名為「lane detection（線道偵測）它將在K8s叢集上建立命名空間、開頭為「Runai」、後面接著專案名稱。在這種情況下、建立的命名空間將會是Runae-lane偵測。

    錯誤：缺少圖形影像

  3. "安裝RUN：AI CLI"。

  4. 在終端機上、使用下列命令將lane偵測設為預設執行：AI project：

    `runai config project lane-detection`

    輸出應如下所示：

    錯誤：缺少圖形影像

  5. 為專案命名空間（例如「lane detection」）建立ClusterRole和Cluster勞力 綁定、因此屬於「Runae-lane detection」命名空間的預設服務帳戶、在工作執行期間有權執行「volumesnapshot」作業：

    1. 使用以下命令列出命名空間、檢查是否存在「Runae-lane偵測」：

      kubectl get namespaces

      輸出應如下所示：

    錯誤：缺少圖形影像

  6. 使用下列命令建立ClusterRole「netappsnapshot（netappsnapshot）、和Cluster勞力 綁定「netappsnapshot（netappsnapshot））：

    `kubectl create -f runai-project-snap-role.yaml`
`kubectl create -f runai-project-snap-role-binding.yaml`

下載並處理TuSimple資料集、做為RUN：AI工作

下載和處理TuSimple資料集的流程為RUN：AI工作是選用的。其中包括下列步驟：

  1. 建置並推送Docker映像檔、或是如果您想要使用現有的Docker映像檔（例如「muneer7589/download-tuSimple：1.0」）、請省略此步驟

    1. 切換至主目錄：

      cd ~

    2. 前往「lane detection-SCNN-Horovod」專案的資料目錄：

      cd ./lane-detection-SCNN-horovod/data

    3. 修改「build」（建置）「image」（映像）「sh」（sh）Shell指令碼、並將Docker儲存庫變更為您的。例如、將「muneer7589」取代為您的泊塢視窗儲存庫名稱。您也可以變更泊塢視窗的影像名稱和標記（例如「下載tusimple」和「1.0」）：

      錯誤：缺少圖形影像

    4. 執行指令碼以建立泊塢視窗映像、並使用下列命令將其推送到泊塢視窗儲存庫：

      chmod +x build_image.sh
./build_image.sh

  2. 提交RUN：AI工作以下載、擷取、預先處理及儲存TuSimple lane偵測資料集至「PVC'」、這是由NetApp Trident動態建立的：

    1. 使用下列命令提交RUN：AI工作：

      runai submit
--name download-tusimple-data
--pvc azurenetappfiles:100Gi:/mnt
--image muneer7589/download-tusimple:1.0

    2. 輸入下表中的資訊、以提交RUN：AI工作：

      欄位 價值或說明

      -name

      工作名稱

      -PVC

      格式為[StorageClassName]的PVc：大小：ContainerMountPath在上述工作提交中、您將使用Trident搭配儲存類別azurenetappFiles、根據需求建立一個PVc。持續磁碟區容量為100Gi、安裝於路徑/mnt.

      映像

      建立此工作的容器時要使用的Docker影像

      輸出應如下所示：

      錯誤：缺少圖形影像

    3. 列出提交的RUN：AI工作。

      runai list jobs

      錯誤：缺少圖形影像

    4. 檢查提交的工作記錄。

      runai logs download-tusimple-data -t 10

      錯誤：缺少圖形影像

    5. 列出所建立的「PVC'」。請使用這個「PVC'」命令進行下一步的訓練。

      kubectl get pvc | grep download-tusimple-data

      輸出應如下所示：

    錯誤：缺少圖形影像

    1. 檢查執行中的工作：AI UI（或「app.run.ai`」）。

      錯誤：缺少圖形影像

使用Horovod執行分散式線道偵測訓練

使用Horovod進行分散式通道偵測訓練是一項選擇性程序。不過、以下是相關步驟：

  1. 建置並推送泊塢視窗映像、或是如果您想要使用現有的泊塢視窗映像（例如「muneer7589/der-lane detection:3.1」）、請跳過此步驟

    1. 切換到主目錄。

      cd ~

    2. 轉到專案目錄「lane detection-SCNN-Horovod.」

      cd ./lane-detection-SCNN-horovod

    3. 修改「build」（建置）「image」（映像）「sh」（sh）Shell指令碼、並將泊塢視窗儲存庫變更為您的（例如、將「muneer7589」取代為您的泊塢視窗儲存庫名稱）。您也可以變更泊塢視窗的影像名稱和標記（例如「dist-lane detection」和「3.1」）。

      錯誤：缺少圖形影像

    4. 執行指令碼以建立泊塢視窗映像、然後推送至泊塢視窗儲存庫。

      chmod +x build_image.sh
./build_image.sh

  2. 提交RUN：AI工作以執行分散式訓練（MPI）：

    1. 使用提交執行：AI在上一步（用於下載資料）自動建立永久虛擬基礎架構、僅允許您存取Rwo、這不允許多個Pod或節點存取相同的永久虛擬基礎架構以進行分散式訓練。將存取模式更新為ReadWriteMany、並使用Kubernetes修補程式來執行此作業。

    2. 首先、請執行下列命令來取得PVc的Volume名稱：

      kubectl get pvc | grep download-tusimple-data

      錯誤：缺少圖形影像

    3. 修補磁碟區、並將存取模式更新為ReadWriteMany（以下列命令取代Volume名稱）：

      kubectl patch pv pvc-bb03b74d-2c17-40c4-a445-79f3de8d16d5 -p '{"spec":{"accessModes":["ReadWriteMany"]}}'

    4. 提交RUN：AI MPI工作、以便使用下表中的資訊來執行分散式訓練工作：

      runai submit-mpi
--name dist-lane-detection-training
--large-shm
--processes=3
--gpu 1
--pvc pvc-download-tusimple-data-0:/mnt
--image muneer7589/dist-lane-detection:3.1
-e USE_WORKERS="true"
-e NUM_WORKERS=4
-e BATCH_SIZE=33
-e USE_VAL="false"
-e VAL_BATCH_SIZE=99
-e ENABLE_SNAPSHOT="true"
-e PVC_NAME="pvc-download-tusimple-data-0"
      欄位 價值或說明

      名稱

      分散式訓練工作的名稱

      大型shm

      掛載大型的開發/ shm裝置這是安裝在RAM上的共享檔案系統、提供足夠大的共享記憶體、讓多個CPU工作者能夠處理批次並將其載入CPU RAM。

      程序

      分散式訓練程序的數量

      GPU

      要分配給此工作的GPU /程序數目、有三個GPU工作程序（--Processes=3）、每個都分配一個GPU（-GPU 1）

      PVC

      使用先前工作（download-tuSimple資料）所建立的現有持續磁碟區（PVC-download-tuSimple、data、PVC-download-tue-tuSimple）、並安裝在路徑/mnt

      映像

      建立此工作的容器時要使用的Docker影像

      定義要在容器中設定的環境變數

      使用工作者

      將引數設為true會開啟多重程序資料載入

      員工人數

      資料載入器工作程序的數目

      批次大小

      訓練批次大小

      US_VAL

      將引數設為true可進行驗證

      Val_batch_size

      驗證批次大小

      啟用快照

      將引數設為true可取得資料和訓練模型快照、以利ML版本管理

      PVC_name

      要擷取快照的PVc名稱。在上述提交工作時、您將取得PVC-download-tuSimple資料0的快照、其中包含資料集和訓練模型

      輸出應如下所示：

      錯誤：缺少圖形影像

    5. 列出已提交的工作。

      runai list jobs

      錯誤：缺少圖形影像

    6. 提交的工作記錄：

      runai logs dist-lane-detection-training

      錯誤：缺少圖形影像

    7. 請在RUN（執行）中檢查訓練工作：AI GUI（或app.runai.ai): RUN：AI儀表板）、如下圖所示。第一張圖詳細說明分配給分散式訓練工作的三個GPU、分別位於下列三個節點上、以及第二個RUN：AI工作：

      錯誤：缺少圖形影像

      錯誤：缺少圖形影像

    8. 訓練完成後、請查看已建立並連結RUN：AI job.的NetApp Snapshot複本。

      runai logs dist-lane-detection-training --tail 1

      錯誤：缺少圖形影像

    kubectl get volumesnapshots | grep download-tusimple-data-0

從NetApp Snapshot複本還原資料

若要從NetApp Snapshot複本還原資料、請完成下列步驟：

  1. 切換到主目錄。

    cd ~

  2. 轉到項目目錄"lane detection-SCNN-Horovod"。

    cd ./lane-detection-SCNN-horovod

  3. 修改「REstore-snaphot-PVC.yaml」、並將「data來源」「名稱」欄位更新為您要從中還原資料的Snapshot複本。您也可以變更要將資料還原到的PVc名稱、例如「restore-tuSimple」。

    錯誤：缺少圖形影像

  4. 使用「REstore-snapshot -PVC.yaml」建立新的PVc。

    kubectl create -f restore-snapshot-pvc.yaml

    輸出應如下所示：

    錯誤：缺少圖形影像

  5. 如果您想要使用剛還原的資料進行訓練、則提交工作內容與之前相同；提交訓練工作時、只能以還原的「PVC_name」取代「PVC_name」、如下列命令所示：

    runai submit-mpi
--name dist-lane-detection-training
--large-shm
--processes=3
--gpu 1
--pvc restored-tusimple:/mnt
--image muneer7589/dist-lane-detection:3.1
-e USE_WORKERS="true"
-e NUM_WORKERS=4
-e BATCH_SIZE=33
-e USE_VAL="false"
-e VAL_BATCH_SIZE=99
-e ENABLE_SNAPSHOT="true"
-e PVC_NAME="restored-tusimple"

效能評估

為了顯示解決方案的線性擴充性、我們針對兩種情境進行了效能測試：一種GPU和三種GPU。GPU配置、GPU和記憶體使用率、在TuSimple lane偵測資料集的訓練中、已擷取不同的單節點和三節點測量數據。資料增加五倍、只是為了在訓練過程中分析資源使用率。

此解決方案可讓客戶從小型資料集和幾個GPU開始著手。當資料量和GPU需求增加時、客戶可以在標準層中動態橫向擴充TB、並快速擴充至頂級層、以獲得每TB 4倍的處理量、而無需移動任何資料。本節將進一步說明此程序： "服務層級Azure NetApp Files"。

單一GPU的處理時間為12小時45分鐘。三個節點上的三個GPU處理時間約為4小時30分鐘。

本文件其餘部分所顯示的數字、說明根據個別業務需求而提供的效能與擴充性範例。

下圖說明1 GPU配置與記憶體使用率。

錯誤：缺少圖形影像

下圖說明單一節點GPU使用率。

錯誤：缺少圖形影像

下圖說明單一節點記憶體大小（16GB）。

錯誤：缺少圖形影像

下圖說明單一節點GPU數（1）。

錯誤：缺少圖形影像

下圖說明單一節點GPU配置（%）。

錯誤：缺少圖形影像

下圖說明三個節點的三個GPU：GPU配置與記憶體。

錯誤：缺少圖形影像

下圖說明三個節點使用率的三個GPU（%）。

錯誤：缺少圖形影像

下圖說明三個節點的三個GPU記憶體使用率（%）。

錯誤：缺少圖形影像

服務層級Azure NetApp Files

您可以將磁碟區移至另一個使用的容量集區、以變更現有磁碟區的服務層級 "服務層級" 您想要的磁碟區。此磁碟區現有的服務層級變更不需要移轉資料。這也不會影響對磁碟區的存取。

動態變更磁碟區的服務層級

若要變更Volume的服務層級、請執行下列步驟：

  1. 在「Volumes（磁碟區）」頁面上、以滑鼠右鍵按一下您要變更其服務層級的磁碟區。選取變更資源池。

    錯誤：缺少圖形影像

  2. 在「變更資源池」視窗中、選取您要將磁碟區移至的容量資源池。然後按一下「OK（確定）」。

    錯誤：缺少圖形影像

自動化服務層級變更

動態服務層級變更目前仍在「公開預覽」中、但預設不會啟用。若要在Azure訂閱上啟用此功能、請依照文件中提供的步驟執行 "動態變更磁碟區的服務層級"。」

  • 您也可以針對Azure使用下列命令：CLI。如需變更Azure NetApp Files 資源池大小的詳細資訊、請造訪 "AZ netappFiles Volume：管理Azure NetApp Files fz（anf）Volume資源"。

    az netappfiles volume pool-change -g mygroup
--account-name myaccname
-pool-name mypoolname
--name myvolname
--new-pool-resource-id mynewresourceid

  • 此處顯示的「set-aznetappfilesvolumepool」指令程式可變更Azure NetApp Files 一個現象區的集區。如需變更Volume Pool大小和Azure PowerShell的詳細資訊、請參閱 "變更Azure NetApp Files 適用於某個需求量的資源池"。

    Set-AzNetAppFilesVolumePool
-ResourceGroupName "MyRG"
-AccountName "MyAnfAccount"
-PoolName "MyAnfPool"
-Name "MyAnfVolume"
-NewPoolResourceId 7d6e4069-6c78-6c61-7bf6-c60968e45fbf