Anropa och felsöka batchslutpunkter

  • 5 minuter

När du anropar en batchslutpunkt utlöser du ett Azure Machine Learning-pipelinejobb. Jobbet förväntar sig en indataparameter som pekar på den datamängd som du vill utvärdera.

Starta jobbet för batchbedömning

Om du vill förbereda data för batchförutsägelser kan du registrera en mapp som en datatillgång på Azure Machine Learning-arbetsytan.

Du kan sedan använda den registrerade datatillgången som indata när du anropar batchslutpunkten med 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)

Du kan övervaka körningen av pipelinejobbet i Azure Machine Learning Studio. Alla jobb som utlöses genom att anropa batchslutpunkten visas på fliken Jobb i batchslutpunkten.

Skärmbild av slutförda och misslyckade jobb från en anropad batchslutpunkt.

Förutsägelserna lagras i standarddatalagringen.

Felsöka ett batchbedömningsjobb

Batchbedömningsjobbet körs som ett pipeline-jobb. Om du vill felsöka pipelinejobbet kan du granska informationen och utdatafilerna samt loggarna för själva pipelinejobbet.

Skärmbild av ett underjobb i arbetsöversikten för pipeline.

Om du vill felsöka bedömningsskriptet kan du välja det underordnade jobbet och granska dess utdata och loggar.

Gå till fliken Utdata + loggar. Mappen loggar/användare/ innehåller tre filer som hjälper dig att felsöka:

  • job_error.txt: Sammanfatta felen i skriptet.
  • job_progress_overview.txt: Innehåller information på hög nivå om antalet mini-batchar som bearbetats hittills.
  • job_result.txt: Visar fel vid anrop av funktionen init() och run() i bedömningsskriptet.

Skärmbild av utdata och loggar för det underordnade jobbet.