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。
部署用于 Azure AI 搜索的模型
本文介绍如何使用 Azure 机器学习部署用于 Azure AI 搜索的模型。
Azure AI 搜索对异类内容执行内容处理，以使其可以由人或应用程序查询。 使用通过 Azure 机器学习部署的模型可以增强此过程。
Azure 机器学习可以将经过训练的模型部署为 Web 服务。 然后，Web 服务将嵌入到 Azure AI 搜索技能（它会成为处理管道的一部分）中。
重要
本文中的信息特定于模型的部署。 本文提供有关受支持的部署配置的信息，这些配置允许 Azure AI 搜索使用模型。
有关如何配置 Azure AI 搜索以使用部署的模型的信息，请参阅使用 Azure 机器学习构建和部署自定义技能教程。
部署用于 Azure AI 搜索的模型时，部署必须满足以下要求：
- 使用 Azure Kubernetes 服务托管用于推理的模型。
- 为 Azure Kubernetes 服务启用传输层安全性 (TLS)。 TLS 用于保护 Azure AI 搜索和已部署模型之间的 HTTPS 通信。
- 入口脚本必须使用
inference_schema包来生成服务的 OpenAPI (Swagger) 架构。 - 入口脚本还必须接受 JSON 数据作为输入，并生成 JSON 作为输出。
先决条件
Azure 机器学习工作区。 有关详细信息，请参阅创建工作区资源。
安装了 Azure 机器学习 SDK 的 Python 开发环境。 有关详细信息，请参阅 Azure 机器学习 SDK。
已注册的模型。
大致了解如何以及在何处部署模型。
连接到工作区
Azure 机器学习工作区提供了一个集中的位置来处理使用 Azure 机器学习时创建的所有项目。 工作区保留所有训练作业的历史记录，包括日志、指标、输出和脚本快照。
若要连接到现有工作区，请使用以下代码：
重要
此代码片段需要将工作区配置保存到当前目录或其父目录中。 有关详细信息，请参阅创建和管理 Azure 机器学习工作区。 有关将配置保存到文件的详细信息，请参阅创建工作区配置文件。
from azureml.core import Workspace
try:
# Load the workspace configuration from local cached inffo
ws = Workspace.from_config()
print(ws.name, ws.location, ws.resource_group, ws.location, sep='\t')
print('Library configuration succeeded')
except:
print('Workspace not found')
创建 Kubernetes 群集
时间估计：大约 20 分钟。
Kubernetes 群集是用于运行容器化应用程序的一组虚拟机实例（称为节点）。
将模型从 Azure 机器学习部署到 Azure Kubernetes 服务时，该模型以及将其作为 Web 服务托管所需的所有资产均打包到 Docker 容器中。 然后将此容器部署到群集。
以下代码演示如何为工作区创建新的 Azure Kubernetes 服务 (AKS) 群集：
提示
还可以将现有的 Azure Kubernetes 服务附加到 Azure 机器学习工作区。 有关详细信息，请参阅如何将模型部署到 Azure Kubernetes 服务。
重要
请注意，代码使用 enable_ssl() 方法为群集启用传输层安全性 (TLS)。 计划从 Azure AI 搜索使用已部署的模型时，必须这样做。
from azureml.core.compute import AksCompute, ComputeTarget
# Create or attach to an AKS inferencing cluster
# Create the provisioning configuration with defaults
prov_config = AksCompute.provisioning_configuration()
# Enable TLS (sometimes called SSL) communications
# Leaf domain label generates a name using the formula
# "<leaf-domain-label>######.<azure-region>.cloudapp.azure.com"
# where "######" is a random series of characters
prov_config.enable_ssl(leaf_domain_label = "contoso")
cluster_name = 'amlskills'
# Try to use an existing compute target by that name.
# If one doesn't exist, create one.
try:
aks_target = ComputeTarget(ws, cluster_name)
print("Attaching to existing cluster")
except Exception as e:
print("Creating new cluster")
aks_target = ComputeTarget.create(workspace = ws,
name = cluster_name,
provisioning_configuration = prov_config)
# Wait for the create process to complete
aks_target.wait_for_completion(show_output = True)
重要
只要存在 AKS 群集，Azure 就会向你收费。 请务必在使用完 AKS 群集后将其删除。
有关将 AKS 与 Azure 机器学习配合使用的详细信息，请参阅如何部署到 Azure Kubernetes 服务。
编写入口脚本
入口脚本接收提交给 Web 服务的数据，将其传递给模型，并返回计分结果。 以下脚本在启动时加载模型，然后使用该模型对数据进行评分。 此文件有时称为 score.py。
提示
入口脚本特定于你的模型。 例如，脚本必须知道要与模型、数据格式等一起使用的框架。
重要
计划从 Azure AI 搜索使用已部署的模型时，必须使用 inference_schema 包为部署启用架构生成。 此包提供修饰器，可用这些修饰器为使用模型执行推理的 Web 服务定义输入和输出数据的格式。
from azureml.core.model import Model
from nlp_architect.models.absa.inference.inference import SentimentInference
from spacy.cli.download import download as spacy_download
import traceback
import json
# Inference schema for schema discovery
from inference_schema.schema_decorators import input_schema, output_schema
from inference_schema.parameter_types.numpy_parameter_type import NumpyParameterType
from inference_schema.parameter_types.standard_py_parameter_type import StandardPythonParameterType
def init():
"""
Set up the ABSA model for Inference
"""
global SentInference
spacy_download('en')
aspect_lex = Model.get_model_path('hotel_aspect_lex')
opinion_lex = Model.get_model_path('hotel_opinion_lex')
SentInference = SentimentInference(aspect_lex, opinion_lex)
# Use inference schema decorators and sample input/output to
# build the OpenAPI (Swagger) schema for the deployment
standard_sample_input = {'text': 'a sample input record containing some text' }
standard_sample_output = {"sentiment": {"sentence": "This place makes false booking prices, when you get there, they say they do not have the reservation for that day.",
"terms": [{"text": "hotels", "type": "AS", "polarity": "POS", "score": 1.0, "start": 300, "len": 6},
{"text": "nice", "type": "OP", "polarity": "POS", "score": 1.0, "start": 295, "len": 4}]}}
@input_schema('raw_data', StandardPythonParameterType(standard_sample_input))
@output_schema(StandardPythonParameterType(standard_sample_output))
def run(raw_data):
try:
# Get the value of the 'text' field from the JSON input and perform inference
input_txt = raw_data["text"]
doc = SentInference.run(doc=input_txt)
if doc is None:
return None
sentences = doc._sentences
result = {"sentence": doc._doc_text}
terms = []
for sentence in sentences:
for event in sentence._events:
for x in event:
term = {"text": x._text, "type":x._type.value, "polarity": x._polarity.value, "score": x._score,"start": x._start,"len": x._len }
terms.append(term)
result["terms"] = terms
print("Success!")
# Return the results to the client as a JSON document
return {"sentiment": result}
except Exception as e:
result = str(e)
# return error message back to the client
print("Failure!")
print(traceback.format_exc())
return json.dumps({"error": result, "tb": traceback.format_exc()})
有关入口脚本的详细信息，请参阅如何以及在何处部署。
定义软件环境
环境类用于定义服务的 Python 依赖项。 它包括模型和入口脚本都需要的依赖项。 在此示例中，它安装来自常规 pypi 索引以及 GitHub 存储库的包。
from azureml.core.conda_dependencies import CondaDependencies
from azureml.core import Environment
conda = None
pip = ["azureml-defaults", "azureml-monitoring",
"git+https://github.com/NervanaSystems/nlp-architect.git@absa", 'nlp-architect', 'inference-schema',
"spacy==2.0.18"]
conda_deps = CondaDependencies.create(conda_packages=None, pip_packages=pip)
myenv = Environment(name='myenv')
myenv.python.conda_dependencies = conda_deps
有关环境的详细信息，请参阅创建和管理用于训练和部署的环境。
定义部署配置
部署配置定义用于运行 Web 服务的 Azure Kubernetes 服务托管环境。
提示
如果不确定部署的内存、CPU 或 GPU 需求，可以使用分析来了解这些信息。 有关详细信息，请参阅部署模型的方式和位置。
from azureml.core.model import Model
from azureml.core.webservice import Webservice
from azureml.core.image import ContainerImage
from azureml.core.webservice import AksWebservice, Webservice
# If deploying to a cluster configured for dev/test, ensure that it was created with enough
# cores and memory to handle this deployment configuration. Note that memory is also used by
# things such as dependencies and Azure Machine Learning components.
aks_config = AksWebservice.deploy_configuration(autoscale_enabled=True,
autoscale_min_replicas=1,
autoscale_max_replicas=3,
autoscale_refresh_seconds=10,
autoscale_target_utilization=70,
auth_enabled=True,
cpu_cores=1, memory_gb=2,
scoring_timeout_ms=5000,
replica_max_concurrent_requests=2,
max_request_wait_time=5000)
有关详细信息，请参阅 AksService.deploy_configuration 的参考文档。
定义推理配置
推理配置指向入口脚本和环境对象：
from azureml.core.model import InferenceConfig
inf_config = InferenceConfig(entry_script='score.py', environment=myenv)
有关详细信息，请参阅 InferenceConfig 的参考文档。
部署模型
将模型部署到 AKS 群集，并等待其创建服务。 在此示例中，从注册表中加载两个注册的模型并将其部署到 AKS。 部署后，部署中的 score.py 文件将加载这些模型并使用它们执行推理。
from azureml.core.webservice import AksWebservice, Webservice
c_aspect_lex = Model(ws, 'hotel_aspect_lex')
c_opinion_lex = Model(ws, 'hotel_opinion_lex')
service_name = "hotel-absa-v2"
aks_service = Model.deploy(workspace=ws,
name=service_name,
models=[c_aspect_lex, c_opinion_lex],
inference_config=inf_config,
deployment_config=aks_config,
deployment_target=aks_target,
overwrite=True)
aks_service.wait_for_deployment(show_output = True)
print(aks_service.state)
有关详细信息，请参阅模型的参考文档。
向服务发出示例查询
以下示例使用前面的代码部分中存储在 aks_service 变量中的部署信息。 它使用此变量来检索与服务进行通信所需的评分 URL 和身份验证令牌：
import requests
import json
primary, secondary = aks_service.get_keys()
# Test data
input_data = '{"raw_data": {"text": "This is a nice place for a relaxing evening out with friends. The owners seem pretty nice, too. I have been there a few times including last night. Recommend."}}'
# Since authentication was enabled for the deployment, set the authorization header.
headers = {'Content-Type':'application/json', 'Authorization':('Bearer '+ primary)}
# Send the request and display the results
resp = requests.post(aks_service.scoring_uri, input_data, headers=headers)
print(resp.text)
从服务返回的结果类似于下面的 JSON：
{"sentiment": {"sentence": "This is a nice place for a relaxing evening out with friends. The owners seem pretty nice, too. I have been there a few times including last night. Recommend.", "terms": [{"text": "place", "type": "AS", "polarity": "POS", "score": 1.0, "start": 15, "len": 5}, {"text": "nice", "type": "OP", "polarity": "POS", "score": 1.0, "start": 10, "len": 4}]}}
连接到 Azure AI 搜索
有关在 Azure AI 搜索中使用此模型的信息，请参阅使用 Azure 机器学习构建和部署自定义技能教程。
清理资源
如果专门为此示例创建了 AKS 群集，请在使用 Azure AI 搜索对其进行测试之后删除资源。
重要
Azure 会根据 AKS 群集的部署时长来收费。 使用完后，请务必将其清除。
aks_service.delete()
aks_target.delete()