Vytváření úloh a vstupních dat pro dávkové koncové body

Článek
01/30/2025

Když ve službě Azure Machine Learning používáte dávkové koncové body, můžete provádět dlouhé dávkové operace nad velkými objemy vstupních dat. Data se můžou nacházet na různých místech, například v různých oblastech. Některé typy dávkových koncových bodů mohou také přijímat literály jako vstupy.

Tento článek popisuje, jak zadat vstupy parametrů pro dávkové koncové body a vytvořit úlohy nasazení. Tento proces podporuje práci s daty z různých zdrojů, jako jsou datové prostředky, úložiště dat, účty úložiště a místní soubory.

Požadavky

Dávkové koncové body a nasazení. Pokud chcete tyto prostředky vytvořit, přečtěte si téma Nasazení modelů MLflow v dávkových nasazeních ve službě Azure Machine Learning.
Oprávnění ke spuštění dávkového nasazení koncového bodu Ke spuštění nasazení můžete použít role azureML Datoví vědci, přispěvatele a vlastníka. Pokud chcete zkontrolovat konkrétní oprávnění požadovaná pro vlastní definice rolí, přečtěte si téma Autorizace v dávkových koncových bodech.
Přihlašovací údaje pro vyvolání koncového bodu Další informace naleznete v tématu Vytvoření ověřování.
Čtení přístupu ke vstupním datům z výpočetního clusteru, kde je koncový bod nasazený.

Tip

V některých situacích se jako vstup dat vyžaduje použití úložiště dat bez přihlašovacích údajů nebo externího účtu azure Storage. V těchto scénářích se ujistěte, že nakonfigurujete výpočetní clustery pro přístup k datům, protože spravovaná identita výpočetního clusteru se používá pro připojení účtu úložiště. Stále máte podrobné řízení přístupu, protože identita úlohy (invoker) se používá ke čtení podkladových dat.

Navázání ověřování

K vyvolání koncového bodu potřebujete platný token Microsoft Entra. Když vyvoláte koncový bod, Azure Machine Learning vytvoří úlohu dávkového nasazení pod identitou přidruženou k tokenu.

Pokud k vyvolání koncových bodů používáte azure Machine Learning CLI (v2) nebo sadu Azure Machine Learning SDK pro Python (v2), nemusíte token Microsoft Entra získat ručně. Během přihlašování systém ověřuje vaši identitu uživatele. Také za vás načte a předá token.
Pokud k vyvolání koncových bodů použijete rozhraní REST API, musíte token získat ručně.

Pro vyvolání můžete použít vlastní přihlašovací údaje, jak je popsáno v následujících postupech.

Pomocí Azure CLI se přihlaste pomocí interaktivního ověřování kódu nebo pomocí kódu zařízení:

az login

Přihlaste se pomocí sady Azure Machine Learning SDK pro Python:

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient.from_config(DefaultAzureCredential())

Pokud konfigurace běží mimo výpočetní instanci služby Azure Machine Learning, musíte zadat pracovní prostor, ve kterém je koncový bod nasazený:

from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

subscription_id = "<subscription-ID>"
resource_group = "<resource-group-name>"
workspace = "<workspace-name>"

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)

Nejjednodušší způsob, jak získat platný token pro uživatelský účet, je použít Azure CLI. V konzole spusťte následující příkaz Azure CLI:

az account get-access-token --resource https://ml.azure.com --query "accessToken" --output tsv

Tip

Při práci s požadavky REST doporučujeme použít instanční objekt k vyvolání dávkových koncových bodů. Další informace naleznete v tématu Spouštění úloh pomocí instančního objektu.

Další informace o různých typech přihlašovacích údajů najdete v tématu Spouštění úloh pomocí různých typů přihlašovacích údajů.

Vytvoření základních úloh

Pokud chcete vytvořit úlohu z dávkového koncového bodu, vyvoláte koncový bod. Volání je možné provést pomocí azure Machine Learning CLI, sady Azure Machine Learning SDK pro Python nebo volání rozhraní REST API.

Následující příklady ukazují základy vyvolání dávkového koncového bodu, který přijímá jednu vstupní složku dat ke zpracování. Příklady, které zahrnují různé vstupy a výstupy, najdete v tématu Vysvětlení vstupů a výstupů.

invoke Použijte operaci v rámci dávkových koncových bodů:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Použijte metodu MLClient.batch_endpoints.invoke() k vyvolání dávkového koncového bodu. V následujícím kódu endpoint je objekt koncového bodu.

from azure.ai.ml import Input

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_data": Input(path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

POST Vytvořte požadavek na adresu URL vyvolání koncového bodu. Pokud chcete získat adresu URL pro vyvolání, přejděte na studio Azure Machine Learning a otevřete stránku podrobností koncového bodu.

V požadavku použijte následující text:

{
    "properties": {
        "InputData": {
           "heart_data": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Vytvořte svou žádost:

POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json

Vyvolání konkrétního nasazení

Koncové body služby Batch můžou hostovat více nasazení ve stejném koncovém bodu. Výchozí koncový bod se použije, pokud uživatel nezadá jinak. Pomocí následujících postupů můžete změnit nasazení, které používáte.

Použijte argument --deployment-name nebo -d zadejte název nasazení:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --deployment-name $DEPLOYMENT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Pomocí parametru deployment_name zadejte název nasazení. V následujícím kódu deployment je objekt nasazení.

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment.name,
    inputs={
        "heart_data": Input(path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

V požadavku použijte následující text:

{
    "properties": {
        "InputData": {
           "heart_data": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Přidejte do požadavku klíč azureml-model-deployment hlavičky. Jako hodnotu použijte název nasazení, které chcete vyvolat.

POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json
azureml-model-deployment: <deployment-name>

Konfigurace vlastností úlohy

Některé vlastnosti úlohy můžete nakonfigurovat při vyvolání.

Poznámka:

V současné době můžete konfigurovat vlastnosti úlohy pouze v dávkových koncových bodech s nasazeními součástí kanálu.

Konfigurace názvu experimentu

Ke konfiguraci názvu experimentu použijte následující postupy.

Pomocí argumentu --experiment-name zadejte název experimentu:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --experiment-name "my-batch-job-experiment" \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Pomocí parametru experiment_name zadejte název experimentu:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    experiment_name="my-batch-job-experiment",
    inputs={
        "heart_data": Input(path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"),
    }
)

Zadejte název experimentu experimentName pomocí klíče v properties části textu:

{
    "properties": {
        "InputData": {
           "heart_data": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "properties":
        {
            "experimentName": "my-batch-job-experiment"
        }
    }
}

Vytvořte svou žádost:

POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json

Vysvětlení vstupů a výstupů

Koncové body služby Batch poskytují odolné rozhraní API, které uživatelé můžou použít k vytváření dávkových úloh. Stejné rozhraní lze použít k určení vstupů a výstupů, které vaše nasazení očekává. Pomocí vstupů předejte všechny informace, které koncový bod potřebuje k provedení úlohy.

Diagram znázorňující, jak se vstupy a výstupy používají v dávkových koncových bodech

Koncové body služby Batch podporují dva typy vstupů:

Vstupy dat nebo ukazatele na konkrétní umístění úložiště nebo prostředek služby Azure Machine Learning
Literální vstupy nebo hodnoty literálů, jako jsou čísla nebo řetězce, které chcete předat úloze

Počet a typ vstupů a výstupů závisí na typu dávkového nasazení. Nasazení modelu vždy vyžadují jeden vstup dat a vytvoří jeden výstup dat. Vstupy literálů nejsou podporovány v nasazeních modelů. Nasazení součástí kanálu naproti tomu poskytují obecnější konstruktor pro vytváření koncových bodů. V nasazení komponenty kanálu můžete zadat libovolný počet vstupů dat, literálových vstupů a výstupů.

Následující tabulka shrnuje vstupy a výstupy pro dávkové nasazení:

Typ nasazení	Počet vstupů	Podporované vstupní typy	Počet výstupů	Podporované typy výstupu
Nasazení modelu	0	Vstupy dat	0	Výstupy dat
Nasazení součásti kanálu	0-N	Datové vstupy a literální vstupy	0-N	Výstupy dat

Tip

Vstupy a výstupy jsou vždy pojmenovány. Každý název slouží jako klíč pro identifikaci dat a předání hodnoty během vyvolání. Vzhledem k tomu, že nasazení modelu vždy vyžadují jeden vstup a výstup, názvy se při vyvolání v nasazení modelu ignorují. Můžete přiřadit název, který nejlépe popisuje váš případ použití, například sales_estimation.

Prozkoumání datových vstupů

Vstupy dat odkazují na vstupy, které odkazují na umístění, kde jsou data umístěna. Vzhledem k tomu, že dávkové koncové body obvykle spotřebovávají velké objemy dat, nemůžete vstupní data předávat jako součást žádosti o vyvolání. Místo toho zadáte umístění, kam má koncový bod dávky přejít, aby vyhledaly data. Vstupní data se připojují a streamují do cílové výpočetní instance, aby se zlepšil výkon.

Koncové body služby Batch mohou číst soubory, které jsou umístěné v následujících typech úložiště:

Datové prostředky služby Azure Machine Learning, včetně typů složek (uri_folder) a souborů (uri_file).
Úložiště dat Azure Machine Learning, včetně Azure Blob Storage, Azure Data Lake Storage Gen1 a Azure Data Lake Storage Gen2.
Účty Azure Storage, včetně služby Blob Storage, Data Lake Storage Gen1 a Data Lake Storage Gen2.
Místní datové složky a soubory, když k vyvolání koncových bodů použijete Azure Machine Learning CLI nebo sadu Azure Machine Learning SDK pro Python. Místní data se ale nahrají do výchozího úložiště dat vašeho pracovního prostoru Azure Machine Learning.

Důležité

Oznámení o vyřazení: Datové prostředky typu FileDataset (V1) jsou zastaralé a v budoucnu se vyřadí z provozu. Stávající dávkové koncové body, které spoléhají na tuto funkci, budou i nadále fungovat. V dávkových koncových bodech vytvořených pomocí:

Verze azure Machine Learning CLI verze 2, které jsou obecně dostupné (2.4.0 a novější).
Obecně dostupné verze rozhraní REST API (2022-05-01 a novější).

Prozkoumání vstupů literálů

Literální vstupy odkazují na vstupy, které lze reprezentovat a přeložit při vyvolání, jako jsou řetězce, čísla a logické hodnoty. Jako součást nasazení komponenty kanálu se obvykle používají literální vstupy k předávání parametrů do koncového bodu. Koncové body služby Batch podporují následující typy literálů:

string
boolean
float
integer

Vstupy literálů jsou podporovány pouze v nasazeních součástí kanálu. Pokud chcete zjistit, jak zadat koncové body literálu, přečtěte si téma Vytváření úloh s literálními vstupy.

Prozkoumání výstupů dat

Výstupy dat odkazují na umístění, kde jsou umístěny výsledky dávkové úlohy. Každý výstup má identifikovatelný název a Azure Machine Learning automaticky přiřadí každému pojmenovaného výstupu jedinečnou cestu. Pokud potřebujete, můžete zadat jinou cestu.

Důležité

Koncové body služby Batch podporují pouze zápis výstupů v úložištích dat Blob Storage. Pokud potřebujete zapisovat do účtu úložiště s povolenými hierarchickými obory názvů, jako je Data Lake Storage Gen2, můžete službu úložiště zaregistrovat jako úložiště dat Blob Storage, protože služby jsou plně kompatibilní. Tímto způsobem můžete zapisovat výstupy z dávkových koncových bodů do Data Lake Storage Gen2.

Vytváření úloh s datovými vstupy

Následující příklady ukazují, jak vytvářet úlohy při přebírání datových vstupů z datových prostředků, úložišť dat a účtů Azure Storage.

Použití vstupních dat z datového assetu

Datové prostředky Azure Machine Learning (dříve označované jako datové sady) se podporují jako vstupy pro úlohy. Pomocí těchto kroků spusťte úlohu dávkového koncového bodu, která používají vstupní data uložená v registrovaném datovém assetu ve službě Azure Machine Learning.

Upozorňující

Datové prostředky tabulky typu (MLTable) se v současné době nepodporují.

Vytvořte datový asset. V tomto příkladu se skládá ze složky, která obsahuje více souborů CSV. K paralelnímu zpracování souborů použijete dávkové koncové body. Tento krok můžete přeskočit, pokud jsou vaše data už zaregistrovaná jako datový prostředek.
1. Vytvořte definici datového prostředku v souboru YAML s názvem heart-data.yml:
```
$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
name: heart-data
description: An unlabeled data asset for heart classification.
type: uri_folder
path: data
```
2. Vytvoření datového assetu:
```
az ml data create -f heart-data.yml
```
1. Vytvoření definice datového assetu:
```
from azure.ai.ml.constants import AssetTypes
from azure.ai.ml.entities import Data

data_path = "heart-classifier-mlflow/data"
data_asset_name = "heart-data"

heart_data_object = Data(
    path=data_path,
    type=AssetTypes.URI_FOLDER,
    description="An unlabeled data asset for heart classification",
    name=data_asset_name
)
```
2. Vytvoření datového assetu:
```
ml_client.data.create_or_update(heart_data_object)
```
  K načtení nově vytvořeného datového prostředku použijte následující příkaz:
```
heart_data_asset = ml_client.data.get(name=data_asset_name, label="latest")
```
K vytvoření datového prostředku použijte azure Machine Learning CLI nebo sadu Azure Machine Learning SDK pro Python.
Nastavte vstup:
```
DATA_ASSET_ID=$(az ml data show -n heart-data --label latest | jq -r .id)
```
```
input = Input(path=heart_data_asset.id)
```
Vyhledejte následující hodnoty a pak vytvořte ID datového assetu:
- ID předplatného
- Název skupiny prostředků
- Název pracovního prostoru
- Název datového assetu
- Verze datového assetu
ID datového assetu má formát /subscriptions/<subscription-ID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>/data/<data-asset-name>/versions/<data-asset-version>.
Spusťte koncový bod:
--set K zadání vstupu použijte argument. Nejprve nahraďte všechny pomlčky v názvu datového assetu podtržítkem. Klíče můžou obsahovat pouze alfanumerické znaky a podtržítka.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_data.type="uri_folder" inputs.heart_data.path=$DATA_ASSET_ID
```
U koncového bodu, který obsluhuje nasazení modelu, můžete použít --input argument k určení vstupu dat, protože nasazení modelu vždy vyžaduje pouze jeden vstup dat.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $DATA_ASSET_ID
```
--set Argument má tendenci vytvářet dlouhé příkazy při zadávání více vstupů. V takových případech můžete vypsat vstupy v souboru a při vyvolání koncového bodu odkazovat na soubor. Můžete například vytvořit soubor YAML s názvem inputs.yml, který obsahuje následující řádky:
```
inputs:
  heart_data:
    type: uri_folder
    path: /subscriptions/<subscription-ID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>/data/heart-data/versions/1
```
Pak můžete spustit následující příkaz, který pomocí argumentu --file určí vstupy:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
Zavolejte metodu invoke a pomocí parametru inputs určete požadované vstupy:
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_data": input
    }
)
```
Pokud chcete zjednodušit invoke volání nasazení modelu, použijte input parametr k určení umístění vstupních dat:
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input
)
```
Tip

Jaký je rozdíl mezi parametrem inputs při input vyvolání koncového bodu?

Obecně můžete pomocí parametru slovníku inputs = {}invoke s metodou poskytnout libovolný počet požadovaných vstupů do dávkového koncového bodu, který obsahuje nasazení modelu nebo nasazení kanálu.

Pro nasazení modelu můžete parametr použít input jako kratší způsob určení umístění vstupních dat pro nasazení. Tento přístup funguje, protože nasazení modelu vždy přijímá pouze jeden vstup dat.
V požadavku použijte následující text:
```
{
    "properties": {
        "InputData": {
            "heart_data": {
                "JobInputType" : "UriFolder",
                "Uri": "<data-asset-ID>"
            }
        }
    }
}
```
Vytvořte svou žádost:
```
POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json
```

Použití vstupních dat z úložiště dat

Úlohy dávkového nasazení můžou přímo odkazovat na data, která jsou v registrovaných úložištích dat služby Azure Machine Learning. V tomto příkladu nejprve nahrajete některá data do úložiště dat v pracovním prostoru Služby Azure Machine Learning. Pak na tato data spustíte dávkové nasazení.

Tento příklad používá výchozí úložiště dat, ale můžete použít jiné úložiště dat. V jakémkoli pracovním prostoru Azure Machine Learning je název výchozího úložiště dat objektů blob pracovní prostorblobstore. Pokud chcete v následujících krocích použít jiné úložiště dat, nahraďte workspaceblobstore ho názvem upřednostňovaného úložiště dat.

Nahrajte ukázková data do úložiště dat. Ukázková data jsou k dispozici v úložišti azureml-examples . Data najdete ve složce sdk/python/endpoints/batch/deploy-models/heart-classifier-mlflow/data daného úložiště.
1. V studio Azure Machine Learning otevřete stránku datových prostředků pro výchozí úložiště dat objektů blob a vyhledejte název kontejneru objektů blob.
2. Pomocí nástroje, jako je Průzkumník služby Azure Storage nebo AzCopy, nahrajte ukázková data do složky s názvem heart-disease-uci-unlabeled v tomto kontejneru.

Nastavení vstupních informací:

Umístěte cestu k souboru do INPUT_PATH proměnné:

DATA_PATH="heart-disease-uci-unlabeled"
INPUT_PATH="azureml://datastores/workspaceblobstore/paths/$DATA_PATH"

Umístěte cestu k souboru do input proměnné:

data_path = "heart-disease-uci-unlabeled"
input = Input(type=AssetTypes.URI_FOLDER, path=f"azureml://datastores/workspaceblobstore/paths/{data_path}")

Pokud jsou vaše data v souboru, změňte přiřazení vstupního typu na type=AssetTypes.URI_FILE.

V požadavku použijte následující text. Nejdřív zástupné symboly nahraďte příslušnými hodnotami. <data-path> Zástupný symbol nahraďte znakem heart-disease-uci-unlabeled.

{
    "properties": {
        "InputData": {
            "heart_data": {
                "JobInputType" : "UriFolder",
                "Uri": "/subscriptions/<subscription-ID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>/datastores/workspaceblobstore/paths/<data-path>"
            }
        }
    }
}

Pokud jsou vaše data v souboru, použijte UriFile typ hodnoty JobInputType .

Všimněte si, jak paths je složka součástí vstupní cesty. Tento formát označuje, že následující hodnota je cesta.

Spusťte koncový bod:
Pomocí argumentu --set zadejte vstup:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_data.type="uri_folder" inputs.heart_data.path=$INPUT_PATH
```
U koncového bodu, který obsluhuje nasazení modelu, můžete použít --input argument k určení vstupu dat, protože nasazení modelu vždy vyžaduje pouze jeden vstup dat.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_PATH --input-type uri_folder
```
--set Argument má tendenci vytvářet dlouhé příkazy při zadávání více vstupů. V takových případech můžete vypsat vstupy v souboru a při vyvolání koncového bodu odkazovat na soubor. Můžete například vytvořit soubor YAML s názvem inputs.yml, který obsahuje následující řádky:
```
inputs:
  heart_data:
    type: uri_folder
    path: azureml://datastores/workspaceblobstore/paths/<data-path>
```
Pokud jsou vaše data v souboru, použijte uri_file místo toho typ pro vstup.

Pak můžete spustit následující příkaz, který pomocí argumentu --file určí vstupy:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
invoke Volání metody pomocí parametru inputs k určení požadovaných vstupů:
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_data": input
    }
)
```
Pokud chcete zjednodušit invoke volání nasazení modelu, použijte input parametr k určení umístění vstupních dat:
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input
)
```
Tip

Jaký je rozdíl mezi parametrem inputs při input vyvolání koncového bodu?

Obecně můžete pomocí parametru slovníku inputs = {}invoke s metodou poskytnout libovolný počet požadovaných vstupů do dávkového koncového bodu, který obsahuje nasazení modelu nebo nasazení kanálu.

Pro nasazení modelu můžete parametr použít input jako kratší způsob určení umístění vstupních dat pro nasazení. Tento přístup funguje, protože nasazení modelu vždy přijímá pouze jeden vstup dat.
Vytvořte svou žádost:
```
POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json
```

Použití vstupních dat z účtu Azure Storage

Koncové body služby Azure Machine Learning batch můžou číst data z cloudových umístění v účtech Azure Storage, a to jak ve veřejném, tak privátním. Pomocí následujících kroků spusťte úlohu dávkového koncového bodu s daty v účtu úložiště.

Další informace o dalších požadovaných konfiguracích pro čtení dat z účtů úložiště najdete v tématu Konfigurace výpočetních clusterů pro přístup k datům.

Nastavte vstup:

Nastavte proměnnou INPUT_DATA :

INPUT_DATA="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

Pokud jsou vaše data v souboru, použijte k definování vstupní cesty formát podobný následujícímu:

INPUT_DATA="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"

Nastavte proměnnou input :

input = Input(
    type=AssetTypes.URI_FOLDER, 
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
)

Pokud jsou vaše data v souboru, změňte přiřazení vstupního typu na type=AssetTypes.URI_FILE:

input = Input(
    type=AssetTypes.URI_FILE,
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
)

V požadavku použijte následující text:

{
   "properties": {
       "InputData": {
           "heart_data": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
       }
   }
}

Pokud jsou vaše data v souboru, změňte JobInputType hodnotu na UriFile:

{
   "properties": {
       "InputData": {
           "heart_data": {
               "JobInputType" : "UriFile",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
           }
       }
   }
}

Spusťte koncový bod:
Pomocí argumentu --set zadejte vstup:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_data.type="uri_folder" inputs.heart_data.path=$INPUT_DATA
```
U koncového bodu, který obsluhuje nasazení modelu, můžete použít --input argument k určení vstupu dat, protože nasazení modelu vždy vyžaduje pouze jeden vstup dat.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_DATA --input-type uri_folder
```
Argument --set má tendenci vytvářet dlouhé příkazy při zadávání více vstupů. V takových případech můžete vypsat vstupy v souboru a při vyvolání koncového bodu odkazovat na soubor. Můžete například vytvořit soubor YAML s názvem inputs.yml, který obsahuje následující řádky:
```
inputs:
  heart_data:
    type: uri_folder
    path: https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data
```
Pak můžete spustit následující příkaz, který pomocí argumentu --file určí vstupy:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
Pokud jsou vaše data v souboru, použijte uri_file pro vstup dat typ v souboru inputs.yml.
invoke Volání metody pomocí parametru inputs k určení požadovaných vstupů:
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_data": input
    }
)
```
Pokud chcete zjednodušit invoke volání nasazení modelu, použijte input parametr k určení umístění vstupních dat:
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input
)
```
Tip

Jaký je rozdíl mezi parametrem inputs při input vyvolání koncového bodu?

Obecně můžete pomocí parametru slovníku inputs = {}invoke s metodou poskytnout libovolný počet požadovaných vstupů do dávkového koncového bodu, který obsahuje nasazení modelu nebo nasazení kanálu.

Pro nasazení modelu můžete parametr použít input jako kratší způsob určení umístění vstupních dat pro nasazení. Tento přístup funguje, protože nasazení modelu vždy přijímá pouze jeden vstup dat.
Vytvořte svou žádost:
```
POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json
```

Vytváření úloh s literálními vstupy

Nasazení komponent kanálu můžou přijímat literální vstupy. Příklad dávkového nasazení, které obsahuje základní kanál, najdete v tématu Postup nasazení kanálů s koncovými body dávky.

Následující příklad ukazuje, jak zadat vstup s názvem score_mode, typu string, s hodnotou append:

Umístěte vstupy do souboru YAML, například do souboru s názvem inputs.yml:

inputs:
  score_mode:
    type: string
    default: append

Spusťte následující příkaz, který pomocí argumentu --file určuje vstupy.

az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml

Argument můžete použít --set také k určení typu a výchozí hodnoty. Tento přístup ale při zadávání více vstupů obvykle vytváří dlouhé příkazy:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.score_mode.type="string" inputs.score_mode.default="append"

Pomocí parametru inputs zadejte informace o vstupu literálu.

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, 
    inputs = { 
        'score_mode': Input(type="string", default="append")
        }
)

V požadavku použijte následující text:

{
    "properties": {
        "InputData": {
            "score_mode": {
                "JobInputType" : "Literal",
                "Value": "append"
            }
        }
    }
}

Vytvořte svou žádost:

POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json

Vytváření úloh s výstupy dat

Následující příklad ukazuje, jak změnit umístění výstupu s názvem score. Pro úplnost příklad také nakonfiguruje vstup s názvem heart_data.

V tomto příkladu se používá výchozí úložiště dat workspaceblobstore. V pracovním prostoru ale můžete použít jakékoli jiné úložiště dat, pokud se jedná o účet Blob Storage. Pokud chcete použít jiné úložiště dat, nahraďte workspaceblobstore ho v následujících krocích názvem upřednostňovaného úložiště dat.

Získejte ID úložiště dat.
```
DATA_STORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
```
```
from azure.ai.ml import Output

default_ds = ml_client.datastores.get_default()
```
Vyhledejte následující hodnoty a pak vytvořte ID úložiště dat:
- ID předplatného
- Název skupiny prostředků
- Název pracovního prostoru
ID úložiště dat má formát /subscriptions/<subscription-ID>/resourceGroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>/datastores/workspaceblobstore.

Vytvoření výstupu dat:

Definujte vstupní a výstupní hodnoty v souboru s názvem inputs-and-outputs.yml. Ve výstupní cestě použijte ID úložiště dat. Pro úplnost také definujte vstup dat.

inputs:
  heart_data:
    type: uri_folder
    path: https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data
outputs:
  score:
    type: uri_file
    path: <data-store-ID>/paths/batch-jobs/my-unique-path

Nastavte proměnnou output cesty:

data_path = "batch-jobs/my-unique-path"
output = Output(type=AssetTypes.URI_FILE, path=f"{default_ds.id}/paths/{data_path}")

Pro úplnost vytvořte také vstup dat:

input = Input(
    type=AssetTypes.URI_FOLDER,
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
)

V požadavku použijte následující text. Nejprve nahraďte <data-path> zástupný symbol jedinečnou cestou, například batch-jobs/my-unique-path. Zástupný symbol nahraďte <data-store-ID> také ID vašeho úložiště dat.

{
    "properties": {
        "InputData": {
           "heart_data": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "OutputData": {
            "score": {
                "JobOutputType" : "UriFile",
                "Uri": "<data-store-ID>/paths/<data-path>"
            }
        }
    }
}

Poznámka:

Všimněte si, jak paths je složka součástí výstupní cesty. Tento formát označuje, že následující hodnota je cesta.

Spusťte nasazení:

Pomocí argumentu --file zadejte vstupní a výstupní hodnoty:

az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs-and-outputs.yml

Pomocí parametru outputs zadejte informace o výstupu.

job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   inputs={ "heart_data": input },
   outputs={ "score": output }
)

Vytvořte svou žádost:

POST HTTP/1.1
Host: <endpoint-URI>
Authorization: Bearer <token>
Content-Type: application/json

Sdílet prostřednictvím

Vytváření úloh a vstupních dat pro dávkové koncové body

Požadavky

Navázání ověřování

Vytvoření základních úloh

Vyvolání konkrétního nasazení

Konfigurace vlastností úlohy

Konfigurace názvu experimentu

Vysvětlení vstupů a výstupů

Prozkoumání datových vstupů

Prozkoumání vstupů literálů

Prozkoumání výstupů dat

Vytváření úloh s datovými vstupy

Použití vstupních dat z datového assetu

Použití vstupních dat z úložiště dat

Použití vstupních dat z účtu Azure Storage

Vytváření úloh s literálními vstupy

Vytváření úloh s výstupy dat

Váš názor

Další materiály

Sdílet prostřednictvím

Vytváření úloh a vstupních dat pro dávkové koncové body

Požadavky

Navázání ověřování

Vytvoření základních úloh

Vyvolání konkrétního nasazení

Konfigurace vlastností úlohy

Konfigurace názvu experimentu

Vysvětlení vstupů a výstupů

Prozkoumání datových vstupů

Prozkoumání vstupů literálů

Prozkoumání výstupů dat

Vytváření úloh s datovými vstupy

Použití vstupních dat z datového assetu

Použití vstupních dat z úložiště dat

Použití vstupních dat z účtu Azure Storage

Vytváření úloh s literálními vstupy

Vytváření úloh s výstupy dat

Související obsah

Váš názor

Další materiály