Share via

Upgrade koncových bodů nasazení na sadu SDK v2

  • Článek

Se sadou SDK nebo rozhraním příkazového řádku v1 můžete nasazovat modely v ACI nebo AKS jako webové služby. Vaše stávající nasazení modelů v1 a webové služby budou dál fungovat, ale použití sady SDK/CLI v1 k nasazení modelů v ACI nebo AKS jako webových služeb se teď považuje za starší verzi. V případě nasazení nových modelů doporučujeme upgradovat na verzi 2.

Ve verzi 2 nabízíme spravované koncové body nebo koncové body Kubernetes. Porovnání verzí v1 a v2 najdete v tématu Koncové body a nasazení.

Existuje několik trychtýřů nasazení, jako jsou spravované online koncové body, online koncové body Kubernetes (včetně služeb Azure Kubernetes a Kubernetes s podporou Arc) ve verzi 2 a webové služby Azure Container Instances (ACI) a služby Kubernetes Services (AKS) ve verzi 1. V tomto článku se zaměříme na porovnání nasazení do webových služeb ACI (v1) a spravovaných online koncových bodů (v2).

Příklady v tomto článku ukazují, jak:

  • Nasazení modelu do Azure
  • Skóre pomocí koncového bodu
  • Odstranění webové služby nebo koncového bodu

Vytvoření prostředků pro odvození

  • Sada SDK v1

    1. Konfigurace modelu, prostředí a hodnoticího skriptu:

      # configure a model. example for registering a model 
from azureml.core.model import Model
model = Model.register(ws, model_name="bidaf_onnx", model_path="./model.onnx")

# configure an environment
from azureml.core import Environment
env = Environment(name='myenv')
python_packages = ['nltk', 'numpy', 'onnxruntime']
for package in python_packages:
    env.python.conda_dependencies.add_pip_package(package)

# configure an inference configuration with a scoring script
from azureml.core.model import InferenceConfig
inference_config = InferenceConfig(
    environment=env,
    source_directory="./source_dir",
    entry_script="./score.py",
)

    2. Konfigurace a nasazení webové služby ACI:

      from azureml.core.webservice import AciWebservice

# defince compute resources for ACI
deployment_config = AciWebservice.deploy_configuration(
    cpu_cores=0.5, memory_gb=1, auth_enabled=True
)

# define an ACI webservice
service = Model.deploy(
    ws,
    "myservice",
    [model],
    inference_config,
    deployment_config,
    overwrite=True,
)

# create the service 
service.wait_for_deployment(show_output=True)

Další informace o registraci modelů najdete v tématu Registrace modelu z místního souboru.

  • SDK v2

    1. Konfigurace modelu, prostředí a hodnoticího skriptu:

      from azure.ai.ml.entities import Model
# configure a model
model = Model(path="../model-1/model/sklearn_regression_model.pkl")

# configure an environment
from azure.ai.ml.entities import Environment
env = Environment(
    conda_file="../model-1/environment/conda.yml",
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210727.v1",
)

# configure an inference configuration with a scoring script
from azure.ai.ml.entities import CodeConfiguration
code_config = CodeConfiguration(
        code="../model-1/onlinescoring", scoring_script="score.py"
    )

    2. Konfigurace a vytvoření online koncového bodu:

      import datetime
from azure.ai.ml.entities import ManagedOnlineEndpoint

# create a unique endpoint name with current datetime to avoid conflicts
online_endpoint_name = "endpoint-" + datetime.datetime.now().strftime("%m%d%H%M%f")

# define an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    description="this is a sample online endpoint",
    auth_mode="key",
    tags={"foo": "bar"},
)

# create the endpoint:
ml_client.begin_create_or_update(endpoint)

    3. Konfigurace a vytvoření online nasazení:

      from azure.ai.ml.entities import ManagedOnlineDeployment

# define a deployment
blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=online_endpoint_name,
    model=model,
    environment=env,
    code_configuration=code_config,
    instance_type="Standard_F2s_v2",
    instance_count=1,
)

# create the deployment:
ml_client.begin_create_or_update(blue_deployment)

# blue deployment takes 100 traffic
endpoint.traffic = {"blue": 100}
ml_client.begin_create_or_update(endpoint)

Další informace o konceptech pro koncové body a nasazení najdete v tématu Co jsou online koncové body?

Odeslat žádost

  • Sada SDK v1

    import json
data = {
    "query": "What color is the fox",
    "context": "The quick brown fox jumped over the lazy dog.",
}
data = json.dumps(data)
predictions = service.run(input_data=data)
print(predictions)

  • SDK v2

    # test the endpoint (the request will route to blue deployment as set above)
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    request_file="../model-1/sample-request.json",
)

# test the specific (blue) deployment
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name="blue",
    request_file="../model-1/sample-request.json",
)

Odstranění prostředků

  • Sada SDK v1

    service.delete()

  • SDK v2

    ml_client.online_endpoints.begin_delete(name=online_endpoint_name)

Mapování klíčových funkcí v sadě SDK v1 a SDK v2

Funkce v sadě SDK v1 Hrubé mapování v sadě SDK v2
azureml.core.model.Model – třída azure.ai.ml.entities.Model – třída
azureml.core.Environment – třída azure.ai.ml.entities.Environment – třída
azureml.core.model.InferenceConfig – třída azure.ai.ml.entities.CodeConfiguration – třída
azureml.core.webservice.AciWebservice – třída azure.ai.ml.entities.OnlineDeployment – třída (a třída azure.ai.ml.entities.ManagedOnlineEndpoint)
Model.deploy nebo Webservice.deploy ml_client.begin_create_or_update(online_deployment)
Webservice.run ml_client.online_endpoints.invoke
Webservice.delete ml_client.online_endpoints.delete

Další informace najdete v tématu

Dokumentace v2:

Dokumentace v1: