Invocar e solucionar problemas de pontos de extremidade em lote

Concluído

Ao invocar um ponto de extremidade em lote, você aciona um trabalho de pipeline do Azure Machine Learning. O trabalho esperará um parâmetro de entrada apontando para o conjunto de dados que você deseja pontuar.

Acionar o trabalho de pontuação em lote

Para preparar dados para previsões em lote, você pode registrar uma pasta como um ativo de dados no espaço de trabalho do Azure Machine Learning.

Em seguida, você pode usar o ativo de dados registrado como entrada ao invocar o ponto de extremidade em lote com o Python SDK:

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)

Você pode monitorar a execução do trabalho de pipeline no estúdio do Azure Machine Learning. Todos os trabalhos acionados pela invocação do ponto de extremidade em lote serão exibidos na guia Trabalhos do ponto de extremidade em lote.

As previsões serão armazenadas no armazenamento de dados padrão.

Solucionar problemas de um trabalho de pontuação em lote

O trabalho de pontuação em lote é executado como um trabalho de pipeline. Se quiser solucionar problemas do trabalho de pipeline, você pode revisar seus detalhes e as saídas e logs do próprio trabalho de pipeline.

Se você quiser solucionar problemas do script de pontuação, você pode selecionar o trabalho filho e revisar suas saídas e logs.

Navegue até a guia Saídas + logs . A pasta logs/user/ contém três ficheiros que o ajudarão a resolver problemas:

• job_error.txt: Resuma os erros em seu script.
• job_progress_overview.txt: Fornece informações de alto nível sobre o número de minilotes processados até agora.
• job_result.txt: Mostra erros ao chamar a init() função e run() no script de pontuação.