如何使用批次端點部署管線

適用於：Azure CLI ml 延伸模組 v2 (目前)Python SDK azure-ai-ml v2 (目前)

您可以使用批次端點部署管線元件，便利地在 Azure Machine Learning 中運作元件。 在本文中，您將了解如何建立包含簡單管線的批次部署。 您將了解：

• 建立並註冊管線元件
• 建立批次端點並部署管線元件
• 測試部署

關於此範例

在此範例中，我們會一個部署管線元件，其中包含列印「hello world！」的簡單命令作業。 此元件不需要輸入或輸出，是最簡單的管線部署案例。

本文中的範例是以 azureml-examples (英文) 存放庫中包含的程式碼範例為基礎。 若要在本機執行命令，而不需要複製/貼上 YAML 和其他檔案，請複製存放庫，然後將目錄變更為該資料夾：

Azure CLI

git clone https://github.com/Azure/azureml-examples --depth 1
cd azureml-examples/cli

Python

git clone https://github.com/Azure/azureml-examples --depth 1
cd azureml-examples/sdk/python

此範例的檔案位於：

cd endpoints/batch/deploy-pipelines/hello-batch

在 Jupyter Notebook 中跟著做

您可以在複製的存放庫中開啟 sdk-deploy-and-test.ipynb (英文) 筆記本，以便按照此範例的 Python SDK 版本說明操作。

必要條件

• Azure 訂用帳戶。 如果您沒有 Azure 訂用帳戶，請在開始前建立免費帳戶。 試用免費或付費版本的 Azure Machine Learning。

• Azure Machine Learning 工作區。 若要建立工作區，請參閱 管理 Azure Machine Learning 工作區。

• 請確定您在 Machine Learning 工作區中具有下列權限：

  • 建立或管理批次端點和部署：使用允許 Microsoft.MachineLearningServices/workspaces/batchEndpoints/* 的擁有者、參與者或自訂角色。
  • 在工作區資源群組中建立 Azure Resource Manager 部署：在部署工作區的資源群組中，使用允許 Microsoft.Resources/deployments/write 的擁有者、參與者或自訂角色。

• 安裝下列軟體以使用 Machine Learning：

  Azure CLI

  執行下列命令來安裝 Azure CLI 和 mlAzure Machine Learning 的擴充功能：

  az extension add -n ml
  

  在 Azure CLI 的 ml 延伸模組 2.7 版中引進批次端點的管線元件部署。 使用 az extension update --name ml 命令來取得最新版本。

  Python

  執行下列命令以安裝適用於 Python 的 Azure Machine Learning SDK：

  pip install azure-ai-ml
  

  在 SDK 1.7.0 版中引進 ModelBatchDeployment 和 PipelineComponentBatchDeployment 類別。 使用 pip install -U azure-ai-ml 命令來取得最新版本。

---

連線到您的工作區

工作區是 Machine Learning 的最上層資源。 它提供集中的位置，讓您在使用 Machine Learning 時使用您所建立的所有成品。 在本節中，您會連線到要執行部署工作的工作區。

Azure CLI

在下列命令中，輸入訂用帳戶識別碼、工作區、位置和資源群組的值：

az account set --subscription <subscription>
az configure --defaults workspace=<workspace> group=<resource-group> location=<location>

Python

1. 匯入必要的程式庫：

   from azure.ai.ml import MLClient, Input, load_component
   from azure.ai.ml.entities import BatchEndpoint, ModelBatchDeployment, ModelBatchDeploymentSettings, PipelineComponentBatchDeployment, Model, AmlCompute, Data, BatchRetrySettings, CodeConfiguration, Environment, Data
   from azure.ai.ml.constants import AssetTypes, BatchDeploymentOutputAction
   from azure.ai.ml.dsl import pipeline
   from azure.identity import DefaultAzureCredential
   

2. 設定工作區詳細資料，並取得工作區的控制代碼：

   在下列命令中，輸入訂用帳戶識別碼、工作區和資源群組的值：

   subscription_id = "<subscription>"
   resource_group = "<resource-group>"
   workspace = "<workspace>"
   
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
   

部署管線元件

批次端點可以部署模型或管線元件。 管線元件可重複使用，您可以利用共用登錄 (機器翻譯) 將這些元件從一個工作區移至另一個工作區，以簡化 MLOps 做法。

此範例中的管線元件包含單一步驟，只會在記錄中列印「hello world」訊息， 不需要任何輸入或輸出。

hello-component/hello.yml 檔案包含管線元件的設定:

hello-component/hello.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponent.schema.json
name: hello_batch
display_name: Hello Batch component
version: 1
type: pipeline
jobs:
  main_job:
    type: command
    component:
      code: src
      environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
      command: >-
        python hello.py

註冊元件：

Azure CLI

az ml component create -f hello-component/hello.yml

Python

hello_batch = load_component(source="hello-component/hello.yml")
hello_batch_registered = ml_client.components.create_or_update(hello_batch)

建立批次端點

1. 提供端點名稱。 批次端點的名稱在每個區域中都不得重複，因為該名稱會用於建構叫用 URI。 若要確保名稱不重複，請將任何尾端字元附加至下列程式碼中指定的名稱。

   Azure CLI

   ENDPOINT_NAME="hello-batch"
   

   Python

   endpoint_name = "hello-batch"

2. 設定端點：

   Azure CLI

   endpoint.yml 檔案包含端點的設定。

   endpoint.yml

   $schema: https://azuremlschemas.azureedge.net/latest/batchEndpoint.schema.json
   name: hello-batch
   description: A hello world endpoint for component deployments.
   auth_mode: aad_token
   

   Python

   endpoint = BatchEndpoint(
       name=endpoint_name,
       description="A hello world endpoint for component deployments",
   )

3. 建立端點：

   Azure CLI

   az ml batch-endpoint create --name $ENDPOINT_NAME  -f endpoint.yml
   

   Python

   ml_client.batch_endpoints.begin_create_or_update(endpoint).result()

4. 查詢端點 URI：

   Azure CLI

   az ml batch-endpoint show --name $ENDPOINT_NAME
   

   Python

   endpoint = ml_client.batch_endpoints.get(name=endpoint_name)
   print(endpoint)

部署管線元件

若要部署管線元件，我們必須建立批次部署。 部署是裝載執行實際工作的資產時所需的一組資源。

1. 建立計算叢集。 批次端點和部署都會在計算叢集上執行。 它們可在工作區中現有的任何 Azure Machine Learning 計算叢集上執行。 因此，多個批次部署可以共用相同的計算基礎結構。 在此範例中，我們將處理名為 batch-cluster 的 Azure Machine Learning 計算叢集。 我們須確認計算存在於工作區上，否則要另外建立。

   Azure CLI

   az ml compute create -n batch-cluster --type amlcompute --min-instances 0 --max-instances 5
   

   Python

   compute_name = "batch-cluster"
   if not any(filter(lambda m: m.name == compute_name, ml_client.compute.list())):
       compute_cluster = AmlCompute(
           name=compute_name,
           description="Batch endpoints compute cluster",
           min_instances=0,
           max_instances=5,
       )
       ml_client.begin_create_or_update(compute_cluster).result()

2. 設定部署：

   Azure CLI

   deployment.yml 檔案包含部署的設定。 您可以查看完整的批次端點 YAML 結構描述 (機器翻譯)，以取得額外的屬性。

   deployment.yml

   $schema: https://azuremlschemas.azureedge.net/latest/pipelineComponentBatchDeployment.schema.json
   name: hello-batch-dpl
   endpoint_name: hello-pipeline-batch
   type: pipeline
   component: azureml:hello_batch@latest
   settings:
       default_compute: batch-cluster
   

   Python

   deployment = PipelineComponentBatchDeployment(
       name="hello-batch-dpl",
       description="A hello world deployment with a single step.",
       endpoint_name=endpoint.name,
       component=hello_batch,
       settings={"continue_on_step_failure": False, "default_compute": compute_name},
   )

3. 建立部署：

   Azure CLI

   執行下列程式碼，在批次端點下建立批次部署，並將其設定為預設部署。

   az ml batch-deployment create --endpoint $ENDPOINT_NAME -f deployment.yml --set-default
   

   提示

   請注意，使用 --set-default 旗標來指出這項新部署現在是預設值。

   Python

   此命令會啟動部署建立，並在部署建立繼續時傳回確認回應。

   ml_client.batch_deployments.begin_create_or_update(deployment).result()

   建立完畢後，將這項新部署設定為預設部署：

   endpoint = ml_client.batch_endpoints.get(endpoint_name)
   endpoint.defaults.deployment_name = deployment.name
   ml_client.batch_endpoints.begin_create_or_update(endpoint).result()

4. 您的部署已可供使用。

測試部署

建立部署後，即可接收作業。 您可以叫用預設部署，如下所示:

Azure CLI

JOB_NAME=$(az ml batch-endpoint invoke -n $ENDPOINT_NAME --query name -o tsv)

Python

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
)

提示

在此範例中，管線沒有輸入或輸出。 不過，如果管線元件有需要，可以在叫用期間指定輸入或輸出。 若要了解如何指定輸入和輸出，請參閱建立批次端點的作業和輸入資料 (機器翻譯)，或是如何透過前置處理部署管線以執行批次評分教學課程。

您可以使用以下命令監視記錄的顯示和串流進度：

Azure CLI

az ml job stream -n $JOB_NAME

Python

ml_client.jobs.get(job.name)

若要等候作業完成，請執行下列程式碼:

ml_client.jobs.stream(name=job.name)

清除資源

完成後，請從工作區中刪除相關聯的資源:

Azure CLI

執行下列程式碼，以刪除批次端點及其基礎部署。 --yes 用來確認刪除。

az ml batch-endpoint delete -n $ENDPOINT_NAME --yes

Python

刪除端點：

ml_client.batch_endpoints.begin_delete(endpoint_name).result()

(選擇性) 刪除計算，除非您打算在稍後的部署中重複使用計算叢集。

Azure CLI

az ml compute delete -n batch-cluster

Python

ml_client.compute.begin_delete(name="batch-cluster")

下一步

• 如何使用批次端點部署定型管線
• 如何透過前置處理部署管線以執行批次評分
• 從管線作業建立批次端點
• 建立批次端點的作業和輸入資料 (機器翻譯)
• 針對批次端點進行疑難排解