Sdílet prostřednictvím

Vytvoření koncových bodů pro nasazené webové služby Machine Learning Studio (Classic)

  • Článek

PLATÍ PRO: Platí pro. Machine Learning Studio (Classic) Nevztahuje se na.Azure Machine Learning

Důležité

Podpora studia Machine Learning (Classic) skončí 31. srpna 2024. Doporučujeme do tohoto data přejít na službu Azure Machine Learning.

Od 1. prosince 2021 nebude možné vytvářet nové prostředky studia Machine Learning (Classic). Do 31. srpna 2024 můžete pokračovat v používání stávajících prostředků studia Machine Learning (Classic).

Dokumentace ke studiu ML (Classic) se vyřazuje z provozu a v budoucnu se nemusí aktualizovat.

Po nasazení webové služby je pro tuto službu vytvořen koncový bod. Výchozí koncový bod je možné volat pomocí klíče rozhraní API. Další koncové body s vlastními klíči můžete přidat z portálu webových služeb. Každý koncový bod ve webové službě se nezávisle řeší, omezuje a spravuje. Každý koncový bod je jedinečná adresa URL s autorizačním klíčem, který můžete distribuovat zákazníkům.

Přidání koncových bodů do webové služby

Koncový bod můžete do webové služby přidat pomocí portálu služby Machine Learning Web Services. Po vytvoření koncového bodu ho můžete využívat prostřednictvím synchronních rozhraní API, dávkových rozhraní API a excelových listů.

Poznámka:

Pokud jste do webové služby přidali další koncové body, nemůžete výchozí koncový bod odstranit.

  1. V nástroji Machine Learning Studio (classic) v levém navigačním sloupci klikněte na Webové služby.
  2. V dolní části řídicího panelu webové služby klikněte na Spravovat koncové body. Portál Webové služby Machine Learning se otevře na stránce koncových bodů pro webovou službu.
  3. Klepněte na možnost Nový.
  4. Zadejte název a popis nového koncového bodu. Názvy koncových bodů musí mít délku 24 znaků a musí se skládat z malých písmen nebo čísel. Vyberte úroveň protokolování a určete, jestli jsou povolená ukázková data. Další informace o protokolování naleznete v tématu Povolení protokolování pro webové služby Machine Learning.

Škálování webové služby přidáním dalších koncových bodů

Ve výchozím nastavení je každá publikovaná webová služba nakonfigurovaná tak, aby podporovala 20 souběžných požadavků a může být až 200 souběžných požadavků. Machine Learning Studio (Classic) automaticky optimalizuje nastavení tak, aby poskytovalo nejlepší výkon webové služby a hodnota portálu se ignoruje.

Pokud plánujete volat rozhraní API s vyšším zatížením než maximální hodnota souběžných volání 200, měli byste ve stejné webové službě vytvořit více koncových bodů. Pak můžete náhodně distribuovat zatížení mezi všechny.

Škálování webové služby je běžnou úlohou. Mezi důvody škálování patří podpora více než 200 souběžných požadavků, zvýšení dostupnosti prostřednictvím více koncových bodů nebo poskytnutí samostatných koncových bodů pro webovou službu. Škálování můžete zvýšit přidáním dalších koncových bodů pro stejnou webovou službu prostřednictvím portálu služby Machine Learning Web Service .

Mějte na paměti, že použití vysokého počtu souběžnosti může být škodlivé, pokud nevoláte rozhraní API s odpovídajícím vysokým tempem. Pokud nastavíte relativně nízké zatížení rozhraní API nakonfigurovaného pro vysoké zatížení, může se v latenci zobrazovat občasné časové limity nebo špičky.

Synchronní rozhraní API se obvykle používají v situacích, kdy je požadovaná nízká latence. Latence zde znamená dobu potřebnou k dokončení jednoho požadavku rozhraní API a nezpokládá zpoždění v síti. Řekněme, že máte rozhraní API s latencí 50 ms. Pokud chcete plně využívat dostupnou kapacitu s úrovní omezování Vysoké a Maximální počet souběžných volání = 20, musíte volat toto rozhraní API 20 * 1000 / 50 = 400krát za sekundu. Rozšířením tohoto rozšíření je maximální počet souběžných volání 200 umožňující volat rozhraní API 4000krát za sekundu za předpokladu latence 50 ms.

Další kroky

Jak využívat webovou službu Machine Learning