評估、部署及測試微調的基礎模型
當您已從 Azure Machine Learning 中的模型目錄微調基礎模型時，您可以評估模型並加以部署，以輕鬆測試及取用模型。
評估微調模型
若要決定微調的模型是否如預期般執行，您可以檢閱定型和評估計量。
當您提交要微調的模型時，Azure Machine Learning 會在實驗內建立新的管線作業。 管線作業包含代表模型微調的元件。 您可以藉由選取已完成的管線作業來分析作業的記錄、計量和輸出，並選取特定的微調元件來探索更多內容。
提示
在 Azure Machine Learning 中，會使用 MLflow 追蹤模型計量。 如果您想要以程式設計的方式存取和檢閱計量，您可以在 Jupyter 筆記本中使用 MLflow。
刪除微調模型
若要測試及取用微調的模型，您可以將模型部署到端點。
Azure Machine Learning 中的 端點 為 應用程式設計介面 (API)，是可公開定型或微調的模型，讓使用者或應用程式根據新資料進行預測。
Azure Machine Learning 中有兩種線上端點：
- 即時 端點：專為處理即時或動態預測而設計。
- 批次 端點：已針對一次處理大量資料進行最佳化。
由於即時端點可讓您立即取得預測，因此這些端點也適合用來測試模型的預測。
使用 Azure Machine Learning 工作室註冊您的模型
若要使用 Azure Machine Learning 工作室部署微調模型，您可以使用微調作業的輸出。
Azure Machine Learning 會使用 MLflow 來追蹤作業、記錄計量和模型化檔案。 由於 MLflow 已與 Azure Machine Learning 工作室整合，因此您可以輕鬆地從作業部署模型。
首先，您必須從作業輸出註冊模型。 瀏覽至作業概觀以尋找 [+ 註冊模型] 選項。
已註冊的模型類型為 MLflow，而 Azure Machine Learning 會自動填入包含模型檔案的資料夾。 您必須提供已註冊模型的名稱與版本 (選擇性)。
使用 Azure Machine Learning 工作室部署模型
在 Azure Machine Learning 工作區中註冊模型之後，您可以瀏覽至模型概觀，並將其部署至即時或批次端點。
例如，您可以透過提供下列專案，將您的模型部署至即時端點：
- 虛擬機器：端點所使用的計算。
- 執行個體計數：要用於部署的執行個體數目。
- 端點：將您的模型部署到新的或現有的端點。
- 端點名稱：用來產生端點 URL。
- 部署名稱：已部署至端點的模型名稱。
注意
您可以將多個模型部署到相同的端點。 建立端點並將模型部署至端點需要一些時間。 等到端點和部署都準備好，再嘗試測試或使用已部署的模型。
在 Azure Machine Learning 工作室中測試模型
當您的模型部署至即時端點時，您可以在 Azure Machine Learning 工作室中快速測試模型。
瀏覽至端點並探索 [測試] 索引標籤。
當即時端點作為 API 運作時，它需要 JSON 格式的輸入資料。 在 [測試] 索引標籤中提供的預期輸出範例：
{
"input_data": {
"columns": [
"input_string"
],
"index": [],
"data": []
}
}
測試資料的格式應該類似於定型資料，不包括標籤資料行。 例如，當您想要針對文字分類測試模型微調時，您必須提供一個資料行給端點：要分類的句子：
{
"input_data": {
"columns": [
"input_string"
],
"index": [0, 1],
"data": [["This would be the first sentence you want to classify."], ["This would be the second sentence you want to classify."]]
}
}
您可以在工作室中輸入任何測試資料，然後選取 [測試] 將資料傳送至端點。 結果幾乎是立即出現在 [測試結果] 之下。
提示
如果您在 [測試結果] 下找不到預期的回應，最可能的原因是輸入資料的格式不正確。 部署 MLflow 模型時，會自動產生評分指令碼，這表示輸入資料的格式應該類似於定型資料 (排除標籤資料行)。