如何使用批次端點操作定型管線

發行項
12/19/2024

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

在本文中，您將了解如何在批次端點下操作定型管線。管線會使用多個元件 (或步驟)，包括模型定型、資料前處理和模型評估。

您將了解：

建立及測試定型管線
將管線部署到批次端點
修改管線，並在相同的端點中建立新的部署
測試新部署，並將它設定為預設部署

關於此範例

此範例會部署定型管線，該管線採用輸入定型資料 (加上標籤) 並產生預測模型，以及在前處理期間套用的評估結果和轉換。管線將使用來自 UCI 心臟病資料集的表格式資料來定型 XGBoost 模型。我們會使用資料前處理元件，在資料傳送至定型元件之前預先處理，以符合並評估模型。

管線的視覺效果如下所示：

本文中的範例是以 azureml-examples (英文) 存放庫內含的程式碼範例為基礎。若要在本機執行命令，而不需要複製或貼上 YAML 和其他檔案，請使用下列命令來複製存放庫，並移至您程式代碼撰寫語言的資料夾：

Azure CLI
Python

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

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/training-with-components

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。
Azure Machine Learning 工作區。若要建立工作區，請參閱管理 Azure Machine Learning 工作區。
Azure 機器學習工作區中的下列許可權：
- 若要建立或管理批次端點和部署：請使用已指派 Microsoft.MachineLearningServices/workspaces/batchEndpoints/* 許可權的擁有者、參與者或自定義角色。
- 若要在工作區資源群組中建立 Azure Resource Manager 部署：請使用已指派 Microsoft.Resources/deployments/write 工作區部署之資源群組中許可權的擁有者、參與者或自定義角色。
Azure 機器學習 CLI 或適用於 Python 的 Azure 機器學習 SDK：
- Azure CLI
- Python
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
```
批次端點的管線元件部署是在 Azure CLI 的 ml 延伸模組 2.7 版中引進。使用 az extension update --name ml 命令來取得最新版本。
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 Azure Machine Learning 的最上層資源。它提供集中的位置，讓您在使用 Azure 機器學習時，使用您建立的所有成品。在本節中，您會連線到要執行部署工作的工作區。

Azure CLI
Python

在下列命令中，輸入您的訂用帳戶識別碼、工作區名稱、資源組名和位置：

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

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

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，輸入您的訂用帳戶識別碼、資源群組名稱和工作區名稱：

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

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)

建立定型管線元件

在本節中，我們將建立定型管線所需的所有資產。首先，我們會建立一個環境，其中包含定型模型所需的程式庫。接著，我們將建立一個計算叢集，批次部署將在其上執行，而最後，我們會將輸入資料註冊為資料資產。

建立環境

此範例中的元件將會使用具有 XGBoost 和 scikit-learn 程式庫的環境。 environment/conda.yml 檔案包含環境的設定：

environment/conda.yml

channels:
- conda-forge
dependencies:
- python=3.8.5
- pip
- pip:
  - mlflow
  - azureml-mlflow
  - datasets
  - jobtools
  - cloudpickle==1.6.0
  - dask==2023.2.0
  - scikit-learn==1.1.2
  - xgboost==1.3.3
  - pandas==1.4
name: mlflow-env

建立環境，如下所示：

定義環境：

Azure CLI
Python

environment/xgboost-sklearn-py38.yml

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: xgboost-sklearn-py38
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
conda_file: conda.yml
description: An environment for models built with XGBoost and Scikit-learn.

environment = Environment(
    name="xgboost-sklearn-py38",
    description="An environment for models built with XGBoost and Scikit-learn.",
    image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest",
    conda_file="environment/conda.yml",
)

建立環境：

Azure CLI
Python

az ml environment create -f environment/xgboost-sklearn-py38.yml

try:
    ml_client.environments.create_or_update(environment)
except ResourceExistsError:
    pass

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
Python

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

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()

將定型資料註冊為資料資產

我們的定型資料會以 CSV 檔案表示。為了模擬更接近生產層級的工作負載，我們會在 heart.csv 檔案中將定型資料註冊為工作區中的資料資產。此資料資產稍後會以端點的輸入表示。

Azure CLI
Python

az ml data create --name heart-classifier-train --type uri_folder --path data/train

data_path = "data/train"
dataset_name = "heart-dataset-train"

heart_dataset_train = Data(
    path=data_path,
    type=AssetTypes.URI_FOLDER,
    description="A training dataset for heart classification",
    name=dataset_name,
)

建立資料資產：

ml_client.data.create_or_update(heart_dataset_train)

讓我們取得新資料資產的參考：

heart_dataset_train = ml_client.data.get(name=dataset_name, label="latest")

建立管線

我們想要操作的管線會採用一項輸入、定型資料，並產生三項輸出：已定型的模型、評估結果，以及前處理時套用的資料轉換。管線包含兩個元件：

preprocess_job：此步驟會讀取輸入資料，並傳回備妥的資料和套用的轉換。此步驟會收到三項輸入：
- data：包含要轉換和評分之輸入資料的資料夾
- transformations：(選擇性) 將要套用之轉換的路徑 (如果可用)。如果未提供路徑，則會從輸入資料學習轉換。由於 transformations 輸入是選擇性的，因此 preprocess_job 元件可以在定型和評分期間使用。
- categorical_encoding：類別特徵的編碼策略 (ordinal 或 onehot)。
train_job：此步驟會根據備妥的資料定型 XGBoost 模型，並傳回評估結果和定型的模型。此步驟會收到三項輸入：
- data：前處理的資料。
- target_column：我們想要預測的資料行。
- eval_size：表示用於評估的輸入資料比例。

Azure CLI
Python

管線組態定義於 deployment-ordinal/pipeline.yml 檔案中：

deployment-ordinal/pipeline.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponent.schema.json
type: pipeline

name: uci-heart-train-pipeline
display_name: uci-heart-train
description: This pipeline demonstrates how to train a machine learning classifier over the UCI heart dataset.

inputs:
  input_data:
    type: uri_folder

outputs: 
  model:
    type: mlflow_model
    mode: upload
  evaluation_results:
    type: uri_folder
    mode: upload
  prepare_transformations:
    type: uri_folder
    mode: upload

jobs:
  preprocess_job:
    type: command
    component: ../components/prepare/prepare.yml
    inputs:
      data: ${{parent.inputs.input_data}}
      categorical_encoding: ordinal
    outputs:
      prepared_data:
      transformations_output: ${{parent.outputs.prepare_transformations}}
  
  train_job:
    type: command
    component: ../components/train_xgb/train_xgb.yml
    inputs:
      data: ${{parent.jobs.preprocess_job.outputs.prepared_data}}
      target_column: target
      register_best_model: false
      eval_size: 0.3
    outputs:
      model: 
        mode: upload
        type: mlflow_model
        path: ${{parent.outputs.model}}
      evaluation_results:
        mode: upload
        type: uri_folder
        path: ${{parent.outputs.evaluation_results}}

注意

在 pipeline.yml 檔案中，preprocess_job 中遺漏 transformations 輸入；因此，指令碼會從輸入資料學習轉換參數。

管線元件的組態位於 prepare.yml 和 train_xgb.yml 檔案中。載入元件：

prepare_data = load_component(source="components/prepare/prepare.yml")
train_xgb = load_component(source="components/train_xgb/train_xgb.yml")

建構管線：

@pipeline()
def uci_heart_classifier_trainer(input_data: Input(type=AssetTypes.URI_FOLDER)):
    prepared_data = prepare_data(data=input_data)
    trained_model = train_xgb(
        data=prepared_data.outputs.prepared_data,
        target_column="target",
        register_best_model=False,
        eval_size=0.3,
    )

    return {
        "model": trained_model.outputs.model,
        "evaluation_results": trained_model.outputs.evaluation_results,
        "transformations_output": prepared_data.outputs.transformations_output,
    }

注意

在管線中，遺漏 transformations 輸入；因此，指令碼會從輸入資料學習參數。

管線的視覺效果如下所示：

測試管線

讓我們使用一些範例資料來測試管線。請使用管線和先前建立的 batch-cluster 計算叢集來建立作業，以便進行測試。

Azure CLI
Python

下列 pipeline-job.yml 檔案包含管線作業的組態：

deployment-ordinal/pipeline-job.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline

experiment_name: uci-heart-train-pipeline
display_name: uci-heart-train-job
description: This pipeline demonstrates how to train a machine learning classifier over the UCI heart dataset.

compute: batch-cluster
component: pipeline.yml
inputs:
  input_data:
    type: uri_folder
outputs: 
  model:
    type: mlflow_model
    mode: upload
  evaluation_results:
    type: uri_folder
    mode: upload
  prepare_transformations:
    mode: upload

pipeline_job = uci_heart_classifier_trainer(
    Input(type="uri_folder", path=heart_dataset_train.id)
)

現在，我們將設定一些執行設定以執行測試：

pipeline_job.settings.default_datastore = "workspaceblobstore"
pipeline_job.settings.default_compute = "batch-cluster"

建立測試作業：

Azure CLI
Python

az ml job create -f deployment-ordinal/pipeline-job.yml --set inputs.input_data.path=azureml:heart-classifier-train@latest

pipeline_job_run = ml_client.jobs.create_or_update(
    pipeline_job, experiment_name="uci-heart-train-pipeline"
)
pipeline_job_run

建立批次端點

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
- Python
```
ENDPOINT_NAME="uci-classifier-train"
```
```
endpoint_name = "uci-classifier-train"
```

設定端點：

Azure CLI
Python

endpoint.yml 檔案包含端點的設定。

endpoint.yml

$schema: https://azuremlschemas.azureedge.net/latest/batchEndpoint.schema.json
name: uci-classifier-train
description: An endpoint to perform training of the Heart Disease Data Set prediction task.
auth_mode: aad_token

endpoint = BatchEndpoint(
    name=endpoint_name,
    description="An endpoint to perform training of the Heart Disease Data Set prediction task",
)

建立端點：

Azure CLI
Python

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

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

查詢端點 URI：

Azure CLI
Python

az ml batch-endpoint show --name $ENDPOINT_NAME

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。部署是託管執行實際工作之資產所需的一組資源。

設定部署：

Azure CLI
Python

deployment-ordinal/deployment.yml 檔案包含部署的設定。您可以檢查完整的批次端點 YAML 結構描述，以取得額外的屬性。

deployment-ordinal/deployment.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponentBatchDeployment.schema.json
name: uci-classifier-train-xgb
description: A sample deployment that trains an XGBoost model for the UCI dataset.
endpoint_name: uci-classifier-train
type: pipeline
component: pipeline.yml
settings:
    continue_on_step_failure: false
    default_compute: batch-cluster

我們的管線定義於函式中。若要將其轉換成元件，會使用其中的 component 屬性。管線元件是可重複使用的計算圖形，可包含在批次部署中，或用於撰寫更複雜的管線。

pipeline_component = ml_client.components.create_or_update(
    uci_heart_classifier_trainer().component
)

我們現在可以定義部署：

deployment = PipelineComponentBatchDeployment(
    name="uci-classifier-train-xgb",
    description="A sample deployment that trains an XGBoost model for the UCI dataset.",
    endpoint_name=endpoint.name,
    component=pipeline_component,
    settings={"continue_on_step_failure": False, "default_compute": compute_name},
)

建立部署：
- Azure CLI
- Python
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-ordinal/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。
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()
```
您的部署已可供使用。

測試部署

建立部署後，即可接收作業。請遵循下列步驟加以測試：

我們的部署需要我們指出一項資料輸入。
- Azure CLI
- Python
inputs.yml 檔案包含輸入資料資產的定義：

inputs.yml
```
inputs:
  input_data:
    type: uri_folder
    path: azureml:heart-classifier-train@latest
```
定義輸入資料資產：
```
input_data = Input(type=AssetTypes.URI_FOLDER, path=heart_dataset_train.id)
```
提示

若要深入了解如何指出輸入，請參閱建立批次端點的作業和輸入資料 (機器翻譯)。
您可以叫用預設部署，如下所示：
- Azure CLI
- Python
```
JOB_NAME=$(az ml batch-endpoint invoke -n $ENDPOINT_NAME --f inputs.yml --query name -o tsv)
```
提示

叫用端點時，inputs 和 input 參數之間有何差異？

一般而言，您可以使用字典 inputs = {} 參數搭配 invoke 方法，為批次端點提供任意數目的必要輸入，其中包含模型部署或管線部署。

就模型部署而言，您可以使用 input 參數作為較簡易的方式，以指定部署的輸入資料位置。這種方法的運作方式是，模型部署一律只要一個資料輸入。
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, inputs={"input_data": input_data}
)
```
您可以使用以下命令監視記錄的顯示和串流進度：
- Azure CLI
- Python
```
az ml job stream -n $JOB_NAME
```
```
ml_client.jobs.get(job.name)
```
若要等候作業完成，請執行下列程式代碼：
```
ml_client.jobs.stream(name=job.name)
```

值得一提的是，只有管線的輸入會發佈為批次端點中的輸入。例如，categorical_encoding 是管線步驟的輸入，但不是管線本身的輸入。使用此事實來控制您想對用戶端公開的輸入，以及您想要隱藏的輸入。

存取作業輸出

作業完成後，我們可以存取其部分輸出。此管線會為其元件產生下列輸出：

preprocess job：輸出為 transformations_output
train job：輸出為 model 和 evaluation_results

您可以使用以下內容下載相關聯的結果：

Azure CLI
Python

az ml job download --name $JOB_NAME --output-name transformations
az ml job download --name $JOB_NAME --output-name model
az ml job download --name $JOB_NAME --output-name evaluation_results

ml_client.jobs.download(
    name=job.name, download_path=".", output_name="transformations_output"
)
ml_client.jobs.download(name=job.name, download_path=".", output_name="model")
ml_client.jobs.download(
    name=job.name, download_path=".", output_name="evaluation_results"
)

在端點中建立新的部署

端點可以同時裝載多個部署，同時只保留一項部署作為預設值。因此，您可逐一查看不同的模型、將不同的模型部署到您的端點並進行測試，最後將預設部署切換至最適合您的模型部署。

讓我們變更管線中前處理的方式，以查看我們是否取得效能更佳的模型。

變更管線前處理元件中的參數

前處理元件具有稱為 categorical_encoding 的輸入，其值為 ordinal 或 onehot。這些值對應至兩種不同的類別特徵編碼方式。

ordinal：使用來自 [1:n] 的數值 (序數) 編碼特徵值，其中 n 是特徵中的類別數目。序數編碼表示特徵類別之間有自然的排名順序。
onehot：不表示自然排序關聯性，但如果類別數目很大，則會產生維度問題。

根據預設，我們先前使用 ordinal。現在讓我們變更類別編碼以使用 onehot，並查看模型的執行方式。

提示

或者，我們可以將 categorial_encoding 輸入公開給用戶端，作為管線作業本身的輸入。不過，我們選擇在前處理步驟中變更參數值，以便我們隱藏和控制部署內的參數，並利用在相同端點下有多項部署的機會。

修改管線。如下所示：

Azure CLI
Python

管線組態定義於 deployment-onehot/pipeline.yml 檔案中：

deployment-onehot/pipeline.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponent.schema.json
type: pipeline

name: uci-heart-train-pipeline
display_name: uci-heart-train
description: This pipeline demonstrates how to train a machine learning classifier over the UCI heart dataset.

inputs:
  input_data:
    type: uri_folder

outputs: 
  model:
    type: mlflow_model
    mode: upload
  evaluation_results:
    type: uri_folder
    mode: upload
  prepare_transformations:
    type: uri_folder
    mode: upload

jobs:
  preprocess_job:
    type: command
    component: ../components/prepare/prepare.yml
    inputs:
      data: ${{parent.inputs.input_data}}
      categorical_encoding: onehot
    outputs:
      prepared_data:
      transformations_output: ${{parent.outputs.prepare_transformations}}
  
  train_job:
    type: command
    component: ../components/train_xgb/train_xgb.yml
    inputs:
      data: ${{parent.jobs.preprocess_job.outputs.prepared_data}}
      target_column: target
      eval_size: 0.3
    outputs:
      model: 
        type: mlflow_model
        path: ${{parent.outputs.model}}
      evaluation_results:
        type: uri_folder
        path: ${{parent.outputs.evaluation_results}}

@pipeline()
def uci_heart_classifier_onehot(input_data: Input(type=AssetTypes.URI_FOLDER)):
    prepared_data = prepare_data(data=input_data, categorical_encoding="onehot")
    trained_model = train_xgb(
        data=prepared_data.outputs.prepared_data,
        target_column="target",
        register_best_model=False,
        eval_size=0.3,
    )

    return {
        "model": trained_model.outputs.model,
        "evaluation_results": trained_model.outputs.evaluation_results,
        "transformations_output": prepared_data.outputs.transformations_output,
    }

設定部署：

Azure CLI
Python

deployment-onehot/deployment.yml 檔案包含部署的設定。您可以檢查完整的批次端點 YAML 結構描述，以取得額外的屬性。

deployment-onehot/deployment.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponentBatchDeployment.schema.json
name: uci-classifier-train-onehot
description: A sample deployment that trains an XGBoost model for the UCI dataset using onehot encoding for variables.
endpoint_name: uci-classifier-train
type: pipeline
component: pipeline.yml
settings:
    continue_on_step_failure: false
    default_compute: batch-cluster

我們的管線定義於函式中。若要將其轉換成元件，您將使用 build() 方法。管線元件是可重複使用的計算圖形，其可包含在批次部署中，或用於撰寫更複雜的管線。

pipeline_component = uci_heart_classifier_onehot._pipeline_builder.build()

我們現在可以定義部署：

deployment_onehot = PipelineComponentBatchDeployment(
    name="uci-classifier-train-onehot",
    description="A sample deployment that trains an XGBoost model for the UCI dataset with one hot encoding of categorical variables.",
    endpoint_name=endpoint.name,
    component=pipeline_component,
    settings={"continue_on_step_failure": False, "default_compute": compute_name},
)

建立部署：
- Azure CLI
- Python
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-onehot/deployment.yml
```
您的部署已可供使用。
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_onehot).result()
```
您的部署已可供使用。

測試非預設部署

建立部署後，即可接收作業。我們可以先前的相同方式進行測試，但我們現在會叫用特定的部署：

如下所示叫用部署，並指定部署參數來觸發特定的部署 uci-classifier-train-onehot：
- Azure CLI
- Python
```
DEPLOYMENT_NAME="uci-classifier-train-onehot"
JOB_NAME=$(az ml batch-endpoint invoke -n $ENDPOINT_NAME -d $DEPLOYMENT_NAME --f inputs.yml --query name -o tsv)
```
提示

叫用端點時，inputs 和 input 參數之間有何差異？

一般而言，您可以使用字典 inputs = {} 參數搭配 invoke 方法，為批次端點提供任意數目的必要輸入，其中包含模型部署或管線部署。

就模型部署而言，您可以使用 input 參數作為較簡易的方式，以指定部署的輸入資料位置。這種方法的運作方式是，模型部署一律只要一個資料輸入。
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment_onehot.name,
    inputs={"input_data": input_data},
)
```
您可以使用以下命令監視記錄的顯示和串流進度：
- Azure CLI
- Python
```
az ml job stream -n $JOB_NAME
```
```
ml_client.jobs.get(name=job.name)
```
若要等候作業完成，請執行下列程式代碼：
```
ml_client.jobs.stream(name=job.name)
```

將新的部署設定為預設部署

一旦我們對新部署的效能感到滿意，我們就可以將這項新部署設定為預設值：

Azure CLI
Python

az ml batch-endpoint update --name $ENDPOINT_NAME --set defaults.deployment_name=$DEPLOYMENT_NAME

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

刪除舊的部署

完成後，如果您不再需要舊部署，即可加以刪除：

Azure CLI
Python

az ml batch-deployment delete --name uci-classifier-train-xgb --endpoint-name $ENDPOINT_NAME --yes

ml_client.batch_deployments.begin_delete(
    name=deployment.name, endpoint_name=endpoint.name
).result()

清除資源

完成後，請從工作區中刪除相關聯的資源:

Azure CLI
Python

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

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
Python

az ml compute delete -n batch-cluster

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

共用方式為