Dela via

Uppgradera distributionsslutpunkter till SDK v2

  • Artikel

Med SDK/CLI v1 kan du distribuera modeller på ACI eller AKS som webbtjänster. Dina befintliga v1-modelldistributioner och webbtjänster fortsätter att fungera som de är, men att använda SDK/CLI v1 för att distribuera modeller på ACI eller AKS som webbtjänster betraktas nu som äldre. För nya modelldistributioner rekommenderar vi att du uppgraderar till v2.

I v2 erbjuder vi hanterade slutpunkter eller Kubernetes-slutpunkter. En jämförelse av v1 och v2 finns i Slutpunkter och distribution.

Det finns flera distributionstrattar, till exempel hanterade onlineslutpunkter, kubernetes onlineslutpunkter (inklusive Azure Kubernetes Services och Arc-aktiverade Kubernetes) i v2 och Azure Container Instances (ACI) och Kubernetes Services (AKS) i v1. I den här artikeln fokuserar vi på jämförelsen av distribution till ACI-webbtjänster (v1) och hanterade onlineslutpunkter (v2).

Exempel i den här artikeln visar hur du:

  • Distribuera din modell till Azure
  • Poängsätt med hjälp av slutpunkten
  • Ta bort webbtjänsten/slutpunkten

Skapa slutsatsdragningsresurser

  • SDK v1

    1. Konfigurera en modell, en miljö och ett bedömningsskript:

      # configure a model. example for registering a model 
from azureml.core.model import Model
model = Model.register(ws, model_name="bidaf_onnx", model_path="./model.onnx")

# configure an environment
from azureml.core import Environment
env = Environment(name='myenv')
python_packages = ['nltk', 'numpy', 'onnxruntime']
for package in python_packages:
    env.python.conda_dependencies.add_pip_package(package)

# configure an inference configuration with a scoring script
from azureml.core.model import InferenceConfig
inference_config = InferenceConfig(
    environment=env,
    source_directory="./source_dir",
    entry_script="./score.py",
)

    2. Konfigurera och distribuera en ACI-webbtjänst:

      from azureml.core.webservice import AciWebservice

# defince compute resources for ACI
deployment_config = AciWebservice.deploy_configuration(
    cpu_cores=0.5, memory_gb=1, auth_enabled=True
)

# define an ACI webservice
service = Model.deploy(
    ws,
    "myservice",
    [model],
    inference_config,
    deployment_config,
    overwrite=True,
)

# create the service 
service.wait_for_deployment(show_output=True)

Mer information om hur du registrerar modeller finns i Registrera en modell från en lokal fil.

  • SDK v2

    1. Konfigurera en modell, en miljö och ett bedömningsskript:

      from azure.ai.ml.entities import Model
# configure a model
model = Model(path="../model-1/model/sklearn_regression_model.pkl")

# configure an environment
from azure.ai.ml.entities import Environment
env = Environment(
    conda_file="../model-1/environment/conda.yml",
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210727.v1",
)

# configure an inference configuration with a scoring script
from azure.ai.ml.entities import CodeConfiguration
code_config = CodeConfiguration(
        code="../model-1/onlinescoring", scoring_script="score.py"
    )

    2. Konfigurera och skapa en onlineslutpunkt:

      import datetime
from azure.ai.ml.entities import ManagedOnlineEndpoint

# create a unique endpoint name with current datetime to avoid conflicts
online_endpoint_name = "endpoint-" + datetime.datetime.now().strftime("%m%d%H%M%f")

# define an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    description="this is a sample online endpoint",
    auth_mode="key",
    tags={"foo": "bar"},
)

# create the endpoint:
ml_client.begin_create_or_update(endpoint)

    3. Konfigurera och skapa en onlinedistribution:

      from azure.ai.ml.entities import ManagedOnlineDeployment

# define a deployment
blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=online_endpoint_name,
    model=model,
    environment=env,
    code_configuration=code_config,
    instance_type="Standard_F2s_v2",
    instance_count=1,
)

# create the deployment:
ml_client.begin_create_or_update(blue_deployment)

# blue deployment takes 100 traffic
endpoint.traffic = {"blue": 100}
ml_client.begin_create_or_update(endpoint)

Mer information om begrepp för slutpunkter och distributioner finns i Vad är onlineslutpunkter?

Skicka en förfrågan

  • SDK v1

    import json
data = {
    "query": "What color is the fox",
    "context": "The quick brown fox jumped over the lazy dog.",
}
data = json.dumps(data)
predictions = service.run(input_data=data)
print(predictions)

  • SDK v2

    # test the endpoint (the request will route to blue deployment as set above)
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    request_file="../model-1/sample-request.json",
)

# test the specific (blue) deployment
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name="blue",
    request_file="../model-1/sample-request.json",
)

Ta bort resurser

  • SDK v1

    service.delete()

  • SDK v2

    ml_client.online_endpoints.begin_delete(name=online_endpoint_name)

Mappning av viktiga funktioner i SDK v1 och SDK v2

Funktioner i SDK v1 Grov mappning i SDK v2
azureml.core.model.Model-klass azure.ai.ml.entities.Model-klass
azureml.core.Environment-klass azure.ai.ml.entities.Environment-klass
azureml.core.model.InferenceConfig-klass azure.ai.ml.entities.CodeConfiguration class
azureml.core.webservice.AciWebservice-klass azure.ai.ml.entities.OnlineDeployment-klass (och azure.ai.ml.entities.ManagedOnlineEndpoint-klass)
Model.deploy eller Webservice.deploy ml_client.begin_create_or_update(online_deployment)
Webservice.run ml_client.online_endpoints.invoke
Webservice.delete ml_client.online_endpoints.delete

Mer information finns i

v2-dokument:

v1-dokument: