模型部署

已完成

您可以使用 Azure Machine Learning 工作區手動部署模型。 若要自動部署模型，您可以使用 Azure Machine Learning CLI (v2) 與 GitHub Actions。 若要使用 GitHub Actions 自動部署模型，您必須要：

• 封裝並註冊模組。
• 建立端點並部署模型。
• 測試已部署的模型。

封裝並註冊模組

只要您想使用 Azure Machine Learning 工作區部署模型，就必須儲存模型的輸出，並在工作區中註冊模型。 當您註冊模型時，請指定是否有 MLflow 或自訂模型。

若您使用 MLflow 建立和記錄模型，可以使用無程式碼部署。

提示

深入了解如何部署 MLflow 模型。

若要使用 MLflow 記錄模型，請使用 mlflow.autolog() 在訓練指令碼中啟用自動記錄。

當您在模型訓練期間記錄模型時，該模型會儲存在作業輸出中。 您也可以將模型儲存在 Azure Machine Learning 資料存放區。

若要註冊模型，您可以指向作業的輸出，或指向 Azure Machine Learning 資料存放區中的位置。

建立端點並部署模型

若要將模型部署至端點，請先建立端點再部署模型。 端點是 Web 應用程式可以傳送資料，並從中獲得預測的目的地 HTTPS 端點。 即使您將更新的模型部署到相同的端點，仍希望端點維持不變。 若端點維持不變，每次重新訓練模型時，就不需要更新 Web 應用程式。

提示

深入了解如何使用 Azure Machine Learning CLI (v2) 來部署模型。

測試模型

最後，請先測試已部署的模型，再將端點與 Web 應用程式整合。 或者，先將端點的所有流量轉換為更新的模型。 您可以手動測試線上端點，或使用 GitHub Actions 自動測試端點。

注意

您可以將測試工作新增至與模型部署工作相同的工作流程； 然而，部署可能需要一些時間才能完成， 因此，您必須確保只有在模型部署順利完成時，才進行測試。