你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

为批处理终结点创建作业和输入数据

项目
09/03/2024

通过批处理终结点，可对大量数据执行长时间运行的批处理操作。数据可以位于不同的位置，例如分散的区域中。某些类型的批处理终结点还可以接收文本参数作为输入。

本文介绍如何为批处理终结点指定参数输入并创建部署作业。该流程支持处理不同类型的数据。有关示例，请参阅了解输入和输出。

先决条件

若要成功调用批处理终结点并创建作业，请确保完成以下先决条件：

批处理终结点和部署。如果没有这些资源，请参阅在批处理终结点中部署用于评分的模型创建一个部署。
运行批处理终结点部署的权限。 AzureML 数据科学家、参与者和所有者角色可用于运行部署。对于自定义角色定义，请参阅批处理终结点上的授权以查看所需的特定权限。
一个有效的 Microsoft Entra ID 令牌，表示要调用终结点的安全主体。此主体可以是用户主体或服务主体。调用终结点后，Azure 机器学习会在与令牌关联的标识下创建一个批处理部署作业。可以使用自己的凭据进行调用，具体过程如下。
- Azure CLI
- Python
- REST
使用 Azure CLI 通过交互式身份验证或设备代码身份验证登录：
```
az login
```
使用适用于 Python 的 Azure 机器学习 SDK 登录：
```
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient.from_config(DefaultAzureCredential())
```
如果配置在 Azure 机器学习计算外部运行，则需要指定部署终结点的工作区：
```
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

subscription_id = "<subscription>"
resource_group = "<resource-group>"
workspace = "<workspace>"

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
```
为用户帐户获取有效令牌的最简单方法是使用 Azure CLI。在控制台中，运行以下 Azure CLI 命令：
```
az account get-access-token --resource https://ml.azure.com --query "accessToken" --output tsv
```
提示

使用 REST 时，建议使用服务主体调用批处理终结点。有关详细信息，请参阅使用服务主体 (REST) 运行作业，了解如何使用 REST 获取服务主体的令牌。
若要详细了解如何使用不同类型的凭据启动批处理部署作业，请参阅如何使用不同类型的凭据运行作业。
部署终结点的计算群集有权读取输入数据。

提示

如果使用无凭据数据存储或外部 Azure 存储帐户作为数据输入，请确保为数据访问配置计算群集。计算群集的托管标识用于装载存储帐户。作业（调用方）的标识仍用于读取基础数据，这样就可以实现精细访问控制。

创建作业基础知识

若要通过批处理终结点创建作业，请调用该终结点。可以使用 Azure CLI、适用于 Python 的 Azure 机器学习 SDK 或 REST API 调用来完成调用。以下示例显示了接收单个输入数据文件夹进行处理的批处理终结点的调用的基础知识。有关具有不同输入和输出的示例，请参阅了解输入和输出。

在批处理终结点下使用 invoke 操作：

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

使用 MLClient.batch_endpoints.invoke() 方法指定试验的名称：

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

向终结点的调用 URL 发出 POST 请求。可以从 Azure 机器学习门户的终结点详细信息页中获取调用 URL。

正文

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

调用特定部署

Batch 终结点可以在同一终结点下托管多个部署。除非用户另有指定，否则使用默认终结点。可以通过以下过程更改要使用的部署。

使用参数--deployment-name或-d指定部署的名称：

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --deployment-name $DEPLOYMENT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

使用参数deployment_name指定部署的名称：

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

将标头 azureml-model-deployment 添加到请求，包括要调用的部署的名称：

正文

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
azureml-model-deployment: DEPLOYMENT_NAME

配置作业属性

可以在调用时配置已创建的作业中的一些属性。

注意

配置作业属性的功能目前仅在包含管道组件部署的批处理终结点中可用。

配置试验名称

使用以下过程配置试验名称。

使用参数 --experiment-name 指定试验的名称：

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --experiment-name "my-batch-job-experiment" \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

使用参数 experiment_name 指试验的名称：

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    experiment_name="my-batch-job-experiment",
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"),
    }
)

使用 experimentName 部分中的 properties 键指示试验名称：

正文

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "properties":
        {
            "experimentName": "my-batch-job-experiment"
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

了解输入和输出

批处理终结点提供使用者可用来创建批处理作业的持久 API。可使用同一接口指定部署预期的输入和输出。使用输入传递终结点执行作业所需的任何信息。

显示如何在批处理终结点中使用输入和输出的示意图。

Batch 终结点支持两种类型的输入：

数据输入：指向特定存储位置或 Azure 机器学习资产的指针。
文本输入：要传递给作业的文本值（如数字或字符串）。

输入和输出的数量和类型取决于批处理部署的类型。模型部署始终需要一个数据输入并生成一个数据输出。不支持文本输入。但是，管道组件部署提供了一个更通用的构造来生成终结点，并允许指定任意数量的输入（数据和文本）和输出。

下表汇总了批处理部署的输入和输出：

部署类型	输入数目	支持的输入类型	输出数目	支持的输出类型
模型部署	1	数据输入	1	数据输出
管道组件部署	[0..N]	数据输入和文本输入	[0..N]	数据输出

提示

始终对输入和输出命名。这些名称充当用于标识数据的关键值，并在调用期间传递实际值。由于模型部署始终需要一个输入和输出，因此在调用期间会忽略该名称。可以指定最能描述用例的名称，如“sales_estimation”。

浏览数据输入

数据输入是指指向数据放置位置的输入。由于批处理终结点通常使用大量数据，因此不能在调用请求中传递输入数据。而是指定批处理终结点查找数据时应转到的位置。在目标计算上装载和流式传输输入数据以提高性能。

批处理终结点支持读取位于以下存储选项中的文件：

Azure 机器学习数据资产，包括文件夹 (uri_folder) 和文件 (uri_file)。
Azure 机器学习数据存储，包括 Azure Blob 存储、Azure Data Lake Storage Gen1 和 Azure Data Lake Storage Gen2。
Azure 存储帐户，包括 Azure Data Lake Storage Gen1、Azure Data Lake Storage Gen2 和 Azure Blob 存储。
本地数据文件夹/文件（Azure 机器学习 CLI 或用于 Python 的 Azure 机器学习 SDK）。但是，该操作会导致将本地数据上传到正在处理的工作区的默认 Azure 机器学习数据存储。

重要

弃用通知：FileDataset 类型的数据集 (V1) 已弃用，并且将来会停用。依赖此功能的现有批处理终结点将继续工作。使用 GA CLIv2（2.4.0 及更高版本）或 GA REST API（2022-05-01 及更高版本）创建的批处理终结点不支持 V1 数据集。

浏览文本输入

文本输入是指可以在调用时表示和解析的输入，如字符串、数字和布尔值。在管道组件部署过程中，通常使用文本输入将参数传递给终结点。批处理终结点支持以下文本类型：

string
boolean
float
integer

仅在管道组件部署中支持文本输入。请参阅使用文本输入创建作业，了解如何指定这些作业。

浏览数据输出

数据输出是指批处理作业结果的放置位置。每个输出都有一个可识别的名称，Azure 机器学习会自动为每个已命名的输出分配唯一路径。可以根据需要指定另一个路径。

重要

批处理终结点仅支持在 Azure Blob 存储数据存储中写入输出。如果需要写入已启用分层命名空间的存储帐户（也称为 Azure Datalake Gen2 或 ADLS Gen2），可以将存储服务注册为 Azure Blob 存储数据存储，因为这些服务完全兼容。可以通过这种方式将批处理终结点的输出写入 ADLS Gen2。

使用数据输入创建作业

以下示例演示如何从数据资产、数据存储和 Azure 存储帐户获取数据输入，以创建作业。

使用数据资产中的输入数据

支持将 Azure 机器学习数据资产（以前称为数据集）作为作业的输入。按照以下步骤使用 Azure 机器学习中已注册数据资产中存储的数据运行批处理终结点作业。

警告

目前不支持表类型 (MLTable) 的数据资产。

首先创建数据资产。此数据资产由包含多个 CSV 文件的文件夹组成，你可以使用批处理终结点并行处理这些文件。如果你的数据已注册为数据资产，则可以跳过此步骤。
- Azure CLI
- Python
- REST
在 YAML 中创建数据资产定义：

heart-dataset-unlabeled.yml
```
$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
name: heart-dataset-unlabeled
description: An unlabeled dataset for heart classification.
type: uri_folder
path: heart-classifier-mlflow/data
```
然后，创建数据资产：
```
az ml data create -f heart-dataset-unlabeled.yml
```
创建数据资产定义：
```
data_path = "heart-classifier-mlflow/data"
dataset_name = "heart-dataset-unlabeled"

heart_dataset_unlabeled = Data(
    path=data_path,
    type=AssetTypes.URI_FOLDER,
    description="An unlabeled dataset for heart classification",
    name=dataset_name,
)
```
创建数据资产：
```
ml_client.data.create_or_update(heart_dataset_unlabeled)
```
若要获取新创建的数据资产，请使用以下命令：
```
heart_dataset_unlabeled = ml_client.data.get(name=dataset_name, label="latest")
```
使用 Azure 机器学习 CLI、适用于 Python 的 Azure 机器学习 SDK 或 Azure 机器学习工作室以获取位置（区域）、工作区以及数据资产名称和版本。在后续过程中，你需要这些项。

创建输入或请求：

DATASET_ID=$(az ml data show -n heart-dataset-unlabeled --label latest | jq -r .id)

input = Input(path=heart_dataset_unlabeled.id)

正文

{
    "properties": {
        "InputData": {
            "heart_dataset": {
                "JobInputType" : "UriFolder",
                "Uri": "azureml://locations/<location>/workspaces/<workspace>/data/<dataset_name>/versions/labels/latest"
            }
        }
    }
}

数据资产 ID 类似于 /subscriptions/<subscription>/resourcegroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/data/<data-asset>/versions/<version>。还可以使用 azureml:<datasset_name>@latest 格式来指定输入。

运行终结点：
- Azure CLI
- Python
- REST
使用 --set 参数指定输入：
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$DATASET_ID
```
对于提供模型部署的终结点，可以使用 --input 参数来指定数据输入，因为模型部署始终只需要一个数据输入。
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $DATASET_ID
```
当指定多个输入时，参数 --set 往往会生成长命令。在这些情况下，请将输入放在 YAML 文件中，并使用 --file 参数指定终结点调用所需的输入。

inputs.yml
```
inputs:
  heart_dataset: azureml:/<datasset_name>@latest
```
运行以下命令：
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
提示

调用终结点时，使用 inputs 和 input 参数有什么差别？

一般情况下，可以将字典 inputs = {} 参数与 invoke 方法一起使用，以便向包含模型部署或管道部署的批处理终结点提供任意数量的所需输入。

对于模型部署，可以使用 input 参数来更方便地指定部署的输入数据位置。这种方法之所以可行，是因为模型部署始终只采用一个数据输入。

通过使用 inputs 参数指定所需的输入，调用 invoke 方法：
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": input,
    }
)
```
通过使用 input 参数指定输入数据的位置，进一步简化模型部署的 invoke 调用：
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input,
)
```
Request
```
POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
```

使用数据存储中的输入数据

可以通过批量部署作业直接引用 Azure 机器学习注册数据存储中的数据。在此示例中，你会首先将一些数据上传到 Azure 机器学习工作区中的默认数据存储，然后在其上运行批处理部署。按照以下步骤使用数据存储中存储的数据运行批处理终结点作业。

访问 Azure 机器学习工作区中的默认数据存储。如果你的数据位于其他存储中，可以改用该存储。无需使用默认数据存储。
- Azure CLI
- Python
- REST
```
DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
```
数据存储 ID 类似于 /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>。
```
default_ds = ml_client.datastores.get_default()
```
使用 Azure 机器学习 CLI、适用于 Python 的 Azure 机器学习 SDK 或工作室获取数据存储信息。
提示

工作区中的默认 Blob 数据存储称为 workspaceblobstore。如果你已知道工作区中默认数据存储的资源 ID，则可以跳过此步骤。
将一些示例数据上传到数据存储。

此示例假设已将存储库中包含的示例数据上传到 Blob 存储帐户的文件夹 heart-disease-uci-unlabeled 中的文件夹 sdk/python/endpoints/batch/deploy-models/heart-classifier-mlflow/data。请务必先完成此步骤，然后再继续。

创建输入或请求：

将文件路径放在 INPUT_PATH 变量中：

DATA_PATH="heart-disease-uci-unlabeled"
INPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"

将文件路径放在 input 变量中：

data_path = "heart-disease-uci-unlabeled"
input = Input(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})

如果数据是文件，请将输入类型更改为 type=AssetTypes.URI_FILE。

正文

{
    "properties": {
        "InputData": {
            "heart_dataset": {
                "JobInputType" : "UriFolder",
                "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
            }
        }
    }
}

如果数据是文件，请改用 UriFile 类型作为输入。

请注意如何将路径的 paths 变量追加到数据存储的资源 ID。此格式指示后面的值是路径。

提示

还可以使用格式 azureml://datastores/<data-store>/paths/<data-path> 来指定输入。

运行终结点：
- Azure CLI
- Python
- REST
使用 --set 参数指定输入：
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_PATH
```
对于提供模型部署的终结点，可以使用 --input 参数来指定数据输入，因为模型部署始终只需要一个数据输入。
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_PATH --input-type uri_folder
```
当指定多个输入时，参数 --set 往往会生成长命令。在这些情况下，请将输入放在 YAML 文件中，并使用 --file 参数指定终结点调用所需的输入。

inputs.yml
```
inputs:
  heart_dataset:
    type: uri_folder
    path: azureml://datastores/<data-store>/paths/<data-path>
```
运行以下命令：
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
如果数据是文件，请改用 uri_file 类型作为输入。
提示

调用终结点时，使用 inputs 和 input 参数有什么差别？

一般情况下，可以将字典 inputs = {} 参数与 invoke 方法一起使用，以便向包含模型部署或管道部署的批处理终结点提供任意数量的所需输入。

对于模型部署，可以使用 input 参数来更方便地指定部署的输入数据位置。这种方法之所以可行，是因为模型部署始终只采用一个数据输入。

通过使用 inputs 参数指定所需的输入，调用 invoke 方法：
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": input,
    }
)
```
通过使用 input 参数指定输入数据的位置，进一步简化模型部署的 invoke 调用：
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input,
)
```
Request
```
POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
```

使用 Azure 存储帐户中的输入数据

Azure 机器学习批处理终结点可以从 Azure 存储帐户中的云位置（包括公有云和私有云）读取数据。按照以下步骤使用存储帐户中存储的数据运行批处理终结点作业。

若要详细了解从存储帐户读取数据所需的其他配置，请参阅配置计算群集以便进行数据访问。

创建输入或请求：

设置 INPUT_DATA 变量：

INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

如果数据是文件，请按以下格式设置变量：

INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"

设置 input 变量：

input = Input(
    type=AssetTypes.URI_FOLDER, 
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
)

如果数据是文件，请将输入类型更改为 type=AssetTypes.URI_FILE：

input = Input(
    type=AssetTypes.URI_FILE,
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
)

正文

{
   "properties": {
       "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
       }
   }
}

如果数据是文件，请将输入类型更改为 JobInputType：

正文

{
   "properties": {
       "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFile",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
           }
       }
   }
}

运行终结点：
- Azure CLI
- Python
- REST
使用 --set 参数指定输入：
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_DATA
```
对于提供模型部署的终结点，可以使用 --input 参数来指定数据输入，因为模型部署始终只需要一个数据输入。
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_DATA --input-type uri_folder
```
当指定多个输入时，--set 参数往往会生成长命令。在这些情况下，请将输入放在 YAML 文件中，并使用 --file 参数指定终结点调用所需的输入。

inputs.yml
```
inputs:
  heart_dataset:
    type: uri_folder
    path: https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data
```
运行以下命令：
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
如果数据是文件，请改用 uri_file 类型作为输入。
提示

调用终结点时，使用 inputs 和 input 参数有什么差别？

一般情况下，可以将字典 inputs = {} 参数与 invoke 方法一起使用，以便向包含模型部署或管道部署的批处理终结点提供任意数量的所需输入。

对于模型部署，可以使用 input 参数来更方便地指定部署的输入数据位置。这种方法之所以可行，是因为模型部署始终只采用一个数据输入。

通过使用 inputs 参数指定所需的输入，调用 invoke 方法：
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": input,
    }
)
```
通过使用 input 参数指定输入数据的位置，进一步简化模型部署的 invoke 调用：
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input,
)
```
Request
```
POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
```

使用文本输入创建作业

管道组件部署可以采用文本输入。以下示例演示如何指定名为 score_mode 的输入，其类型为 string，值为 append：

将输入放在 YAML 文件中，并使用 --file 指定终结点调用所需的输入。

inputs.yml

inputs:
  score_mode:
    type: string
    default: append

运行以下命令：

az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml

还可以使用 --set 参数来指定值。但是，当指定多个输入时，此方法往往会生成长命令：

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.score_mode.type="string" inputs.score_mode.default="append"

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, 
    inputs = { 
        'score_mode': Input(type="string", default="append")
        }
)

正文

{
    "properties": {
        "InputData": {
            "score_mode": {
                "JobInputType" : "Literal",
                "Value": "append"
            }
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

使用数据输出创建作业

以下示例演示如何更改命名为 score 的输出的放置位置。为了保持内容完整，这些示例还配置了命名为 heart_dataset 的输入。

使用 Azure 机器学习工作区中的默认数据存储来保存输出。可以使用工作区中的任何其他数据存储，只要它是 Blob 存储帐户即可。
- Azure CLI
- Python
- REST
```
DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
```
数据存储 ID 类似于 /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>。
```
default_ds = ml_client.datastores.get_default()
```
使用 Azure 机器学习 CLI、适用于 Python 的 Azure 机器学习 SDK 或工作室获取数据存储信息。

创建数据输出：

设置 OUTPUT_PATH 变量：

DATA_PATH="batch-jobs/my-unique-path"
OUTPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"

为了保持内容完整，还要创建一个数据输入：

INPUT_PATH="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

设置 output 路径变量：

data_path = "batch-jobs/my-unique-path"
output = Output(type=AssetTypes.URI_FILE, path=f"{default_ds.id}/paths/{data_path})

为了保持内容完整，我们还要创建一个数据输入：

input="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

正文

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "OutputData": {
            "score": {
                "JobOutputType" : "UriFile",
                "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
            }
        }
    }
}

注意

请注意如何将路径的 paths 变量追加到数据存储的资源 ID。此格式指示后面的值是路径。

运行部署：

使用 --set 参数指定输入：

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.path=$INPUT_PATH \
    --set outputs.score.path=$OUTPUT_PATH

job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   inputs={ "heart_dataset": input },
   outputs={ "score": output }
)

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

通过

为批处理终结点创建作业和输入数据

先决条件

创建作业基础知识

调用特定部署

配置作业属性

配置试验名称

了解输入和输出

浏览数据输入

浏览文本输入

浏览数据输出

使用数据输入创建作业

使用数据资产中的输入数据

使用数据存储中的输入数据

使用 Azure 存储帐户中的输入数据

使用文本输入创建作业

使用数据输出创建作业

反馈

其他资源

通过

为批处理终结点创建作业和输入数据

先决条件

创建作业基础知识

调用特定部署

配置作业属性

配置试验名称

了解输入和输出

浏览数据输入

浏览文本输入

浏览数据输出

使用数据输入创建作业

使用数据资产中的输入数据

使用数据存储中的输入数据

使用 Azure 存储帐户中的输入数据

使用文本输入创建作业

使用数据输出创建作业

相关内容

反馈

其他资源