Aufrufen von und Behandeln von Problemen bei Batchendpunkten

Abgeschlossen

Wenn Sie einen Batchendpunkt aufrufen, lösen Sie einen Azure Machine Learning-Pipelineauftrag aus. Der Auftrag erwartet einen Eingabeparameter, der auf das Dataset verweist, das Sie bewerten möchten.

Auslösen des Batchbewertungsauftrags

Um Daten für Batchvorhersagen vorzubereiten, können Sie im Azure Machine Learning-Arbeitsbereich einen Ordner als Datenressource registrieren.

Sie können dann die registrierte Datenressource als Eingabe verwenden, wenn Sie den Batchendpunkt mit dem Python SDK aufrufen:

from azure.ai.ml import Input
from azure.ai.ml.constants import AssetTypes

input = Input(type=AssetTypes.URI_FOLDER, path="azureml:new-data:1")

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, 
    input=input)

Die Ausführung des Pipelineauftrags können Sie in Azure Machine Learning Studio überwachen. Alle Aufträge, die durch Aufrufen des Batchendpunkts ausgelöst werden, werden auf der Registerkarte Aufträge des Batchendpunkts angezeigt.

Die Vorhersagen werden im Standarddatenspeicher gespeichert.

Problembehandlung bei einem Batchbewertungsauftrag

Der Batchbewertungsauftrag wird als Pipelineauftrag ausgeführt. Wenn Sie eine Problembehandlung für den Pipelineauftrag durchführen möchten, können Sie die Details sowie die Ausgaben und Protokolle des Pipelineauftrags selbst überprüfen.

Wenn Sie eine Problembehandlung für das Bewertungsskript ausführen möchten, können Sie den untergeordneten Auftrag auswählen und dessen Ausgaben und Protokolle überprüfen.

Navigieren Sie zur Registerkarte Ausgaben + Protokolle. Der Ordner logs/user/ enthält drei Dateien, die Ihnen bei der Problembehandlung helfen:

• job_error.txt enthält eine Zusammenfassung der Fehler in Ihrem Skript.
• job_progress_overview.txt stellt allgemeine Informationen zur Anzahl der bisher verarbeiteten Minibatches bereit.
• job_result.txt zeigt Fehler beim Aufrufen der Funktionen init() und run() im Bewertungsskript an.