Skapa slutpunkter för distribuerade Machine Learning Studio-webbtjänster (klassiska)
GÄLLER FÖR: Machine Learning Studio (klassisk)
Azure Machine Learning
Viktigt!
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
När en webbtjänst har distribuerats skapas en standardslutpunkt för tjänsten. Standardslutpunkten kan anropas med dess API-nyckel. Du kan lägga till fler slutpunkter med egna nycklar från webbtjänstportalen. Varje slutpunkt i webbtjänsten hanteras separat, begränsas och hanteras. Varje slutpunkt är en unik URL med en auktoriseringsnyckel som du kan distribuera till dina kunder.
Lägga till slutpunkter i en webbtjänst
Du kan lägga till en slutpunkt i en webbtjänst med hjälp av Machine Learning Web Services-portalen. När slutpunkten har skapats kan du använda den via synkrona API:er, batch-API:er och Excel-kalkylblad.
Kommentar
Om du har lagt till ytterligare slutpunkter i webbtjänsten kan du inte ta bort standardslutpunkten.
- I Machine Learning Studio (klassisk) i den vänstra navigeringskolumnen klickar du på Webbtjänster.
- Längst ned på instrumentpanelen för webbtjänsten klickar du på Hantera slutpunkter. Machine Learning Web Services-portalen öppnas på sidan slutpunkter för webbtjänsten.
- Klicka på Ny.
- Ange ett namn och en beskrivning för den nya slutpunkten. Slutpunktsnamn måste vara 24 tecken eller mindre långa och måste bestå av gemener eller siffror. Välj loggningsnivå och om exempeldata är aktiverade. Mer information om loggning finns i Aktivera loggning för Machine Learning-webbtjänster.
Skala en webbtjänst genom att lägga till ytterligare slutpunkter
Som standard är varje publicerad webbtjänst konfigurerad för att stödja 20 samtidiga begäranden och kan vara så hög som 200 samtidiga begäranden. Machine Learning Studio (klassisk) optimerar automatiskt inställningen för att ge bästa prestanda för webbtjänsten och portalvärdet ignoreras.
Om du planerar att anropa API:et med en högre belastning än det högsta värdet för samtidiga anrop på 200, bör du skapa flera slutpunkter på samma webbtjänst. Du kan sedan slumpmässigt distribuera belastningen över alla.
Skalning av en webbtjänst är en vanlig uppgift. Vissa skäl att skala är att stödja mer än 200 samtidiga begäranden, öka tillgängligheten via flera slutpunkter eller tillhandahålla separata slutpunkter för webbtjänsten. Du kan öka skalan genom att lägga till ytterligare slutpunkter för samma webbtjänst via Machine Learning-webbtjänstportalen .
Tänk på att det kan vara skadligt att använda ett högt samtidighetsantal om du inte anropar API:et med motsvarande hög hastighet. Du kan se sporadiska timeouter och/eller toppar i svarstiden om du lägger en relativt låg belastning på ett API som har konfigurerats för hög belastning.
Synkrona API:er används vanligtvis i situationer där en kort svarstid önskas. Svarstid här innebär den tid det tar för API:et att slutföra en begäran och tar inte hänsyn till några nätverksfördröjningar. Anta att du har ett API med en svarstid på 50 ms. Om du vill använda den tillgängliga kapaciteten fullt ut med hög begränsningsnivå och maximalt antal samtidiga anrop = 20 måste du anropa detta API 20 * 1 000 /50 = 400 gånger per sekund. Om du utökar detta ytterligare kan du med maximala samtidiga anrop på 200 anropa API:et 4 000 gånger per sekund, förutsatt en svarstid på 50 ms.