Skapa jobb och indata för batchslutpunkter

Batchslutpunkter kan användas för att utföra långa batchåtgärder över stora mängder data. Sådana data kan placeras på olika platser. Vissa typer av batchslutpunkter kan också ta emot literalparametrar som indata. I den här självstudien går vi igenom hur du kan ange dessa indata och vilka typer eller platser som stöds.

Innan du anropar en slutpunkt

Om du vill anropa en batchslutpunkt och skapa jobb kontrollerar du att du har följande:

• Du har behörighet att köra en batchslutpunktsdistribution. AzureML-Dataforskare-, deltagar- och ägarroller kan användas för att köra en distribution. För anpassade rolldefinitioner läser du Auktorisering på batchslutpunkter för att känna till de specifika behörigheter som behövs.

• Du har en giltig Microsoft Entra-ID-token som representerar ett säkerhetsobjekt för att anropa slutpunkten. Det här huvudkontot kan vara användarens huvudnamn eller tjänstens huvudnamn. När en slutpunkt anropas skapas i vilket fall som helst ett batchdistributionsjobb under den identitet som är associerad med token. I testsyfte kan du använda dina egna autentiseringsuppgifter för anropet enligt nedan.

  Azure CLI

  Använd Azure CLI för att logga in med antingen interaktiv autentisering eller enhetskodautentisering:

  az login
  

  Python

  Använd Azure Machine Learning SDK för Python för att logga in:

  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  ml_client = MLClient.from_config(DefaultAzureCredential())
  

  Om du kör utanför Azure Machine Learning-beräkning måste du ange den arbetsyta där slutpunkten distribueras:

  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  subscription_id = "<subscription>"
  resource_group = "<resource-group>"
  workspace = "<workspace>"
  
  ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
  

  REST

  Det enklaste sättet att få en giltig token för ditt användarkonto är att använda Azure CLI. Kör följande kommando i en konsol:

  az account get-access-token --resource https://ml.azure.com --query "accessToken" --output tsv
  

  Dricks

  När du arbetar med REST rekommenderar vi att du anropar batchslutpunkter med hjälp av tjänstens huvudnamn. Se Köra jobb med hjälp av tjänstens huvudnamn (REST) för att lära dig hur du hämtar en token för ett tjänsthuvudnamn med hjälp av REST.

  Mer information om hur du autentiserar med flera typer av autentiseringsuppgifter finns i Auktorisering på batchslutpunkter.

• Beräkningsklustret där slutpunkten distribueras har åtkomst till att läsa indata.

  Dricks

  Om du använder ett datalager utan autentiseringsuppgifter eller ett externt Azure Storage-konto som indata kontrollerar du att du konfigurerar beräkningskluster för dataåtkomst. Den hanterade identiteten för beräkningsklustret används för att montera lagringskontot. Jobbets identitet (anroparen) används fortfarande för att läsa underliggande data så att du kan uppnå detaljerad åtkomstkontroll.

Skapa grunderna för jobb

Om du vill skapa ett jobb från en batchslutpunkt måste du anropa det. Anrop kan göras med hjälp av Azure CLI, Azure Machine Learning SDK för Python eller ett REST API-anrop. I följande exempel visas grunderna för anrop för en batchslutpunkt som tar emot en enda indatamapp för bearbetning. Se Förstå indata och utdata för exempel med olika indata och utdata.

Azure CLI

Använd åtgärden invoke under batchslutpunkter:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Python

Använd metoden MLClient.batch_endpoints.invoke() för att ange namnet på experimentet:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

REST

Skicka en POST begäran till slutpunktens anrops-URL. Du kan hämta anrops-URL:en från Azure Machine Learning-portalen på informationssidan för slutpunkten.

Brödtext

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Begär

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

Anropa en specifik distribution

Batch-slutpunkter kan vara värdar för flera distributioner under samma slutpunkt. Standardslutpunkten används om inte användaren anger något annat. Du kan ändra den distribution som används på följande sätt:

Azure CLI

Använd argumentet --deployment-name eller -d för att ange namnet på distributionen:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --deployment-name $DEPLOYMENT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Python

Använd parametern deployment_name för att ange namnet på distributionen:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

REST

Lägg till huvudet azureml-model-deployment i din begäran, inklusive namnet på den distribution som du vill anropa.

Brödtext

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Begär

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
azureml-model-deployment: DEPLOYMENT_NAME

Konfigurera jobbegenskaper

Du kan konfigurera några av egenskaperna i det skapade jobbet vid anropstillfället.

Kommentar

Konfigurering av jobbegenskaper är bara tillgängligt i batchslutpunkter med pipelinekomponentdistributioner för tillfället.

Konfigurera experimentnamnet

Azure CLI

Använd argumentet --experiment-name för att ange namnet på experimentet:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --experiment-name "my-batch-job-experiment" \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Python

Använd parametern experiment_name för att ange namnet på experimentet:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    experiment_name="my-batch-job-experiment",
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"),
    }
)

REST

Använd nyckeln experimentName i properties avsnittet för att ange experimentnamnet:

Brödtext

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "properties":
        {
            "experimentName": "my-batch-job-experiment"
        }
    }
}

Begär

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

Förstå indata och utdata

Batch-slutpunkter tillhandahåller ett beständiga API som konsumenterna kan använda för att skapa batchjobb. Samma gränssnitt kan användas för att ange indata och utdata som distributionen förväntar sig. Använd indata för att skicka all information som slutpunkten behöver för att utföra jobbet.

Batch-slutpunkter stöder två typer av indata:

• Dataindata, som pekar på en specifik lagringsplats eller Azure Machine Learning-tillgång.
• Literala indata, som är literalvärden (t.ex. tal eller strängar) som du vill skicka till jobbet.

Antalet och typen av indata och utdata beror på typen av batchdistribution. Modelldistributioner kräver alltid en datainmatning och skapar ett datautdata. Literala indata stöds inte. Distributioner av pipelinekomponenter ger dock en mer allmän konstruktion för att skapa slutpunkter och gör att du kan ange valfritt antal indata (data och literal) och utdata.

I följande tabell sammanfattas indata och utdata för batchdistributioner:

Distributionstyp	Indatanummer	Indatatyper som stöds	Utdatanummer	Utdatatyper som stöds
Modelldistribution	1	Dataindata	1	Datautdata
Distribution av pipelinekomponenter	[0..N]	Indata och literala indata	[0..N]	Datautdata

Dricks

Indata och utdata namnges alltid. Dessa namn fungerar som nycklar för att identifiera dem och skicka det faktiska värdet under anropet. För modelldistributioner, eftersom de alltid kräver en indata och utdata, ignoreras namnet under anropet. Du kan tilldela det namn som bäst beskriver ditt användningsfall, till exempel "sales_estimation".

Dataindata

Dataindata refererar till indata som pekar på en plats där data placeras. Eftersom batchslutpunkter vanligtvis förbrukar stora mängder data kan du inte skicka indata som en del av begäran om anrop. I stället anger du den plats där batchslutpunkten ska gå för att leta efter data. Indata monteras och strömmas på målberäkningen för att förbättra prestandan.

Batch-slutpunkter stöder läsning av filer som finns i följande lagringsalternativ:

• Azure Machine Learning-datatillgångar, inklusive mapp (uri_folder) och fil (uri_file).
• Azure Machine Learning Data Stores, inklusive Azure Blob Storage, Azure Data Lake Storage Gen1 och Azure Data Lake Storage Gen2.
• Azure Storage-konton, inklusive Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2 och Azure Blob Storage.
• Lokala datamappar/filer (Azure Machine Learning CLI eller Azure Machine Learning SDK för Python). Den åtgärden resulterar dock i att lokala data laddas upp till standarddatalagret för Azure Machine Learning för arbetsytan som du arbetar med.

Viktigt!

Utfasningsmeddelande: Datauppsättningar av typen FileDataset (V1) är inaktuella och kommer att dras tillbaka i framtiden. Befintliga batchslutpunkter som förlitar sig på den här funktionen fortsätter att fungera, men batchslutpunkter som skapats med GA CLIv2 (2.4.0 och senare) eller GA REST API (2022-05-01 och senare) stöder inte V1-datauppsättning.

Literala indata

Literala indata refererar till indata som kan representeras och matchas vid anrop, till exempel strängar, tal och booleska värden. Du använder vanligtvis literala indata för att skicka parametrar till slutpunkten som en del av en pipelinekomponentdistribution. Batch-slutpunkter stöder följande literaltyper:

• string
• boolean
• float
• integer

Literala indata stöds endast i pipelinekomponentdistributioner. Se Skapa jobb med literala indata för att lära dig hur du anger dem.

Datautdata

Datautdata refererar till den plats där resultatet av ett batchjobb ska placeras. Utdata identifieras med namn och Azure Machine Learning tilldelar automatiskt en unik sökväg till varje namngiven utdata. Du kan dock ange en annan sökväg om det behövs.

Viktigt!

Batch-slutpunkter har endast stöd för att skriva utdata i Azure Blob Storage-datalager. Om du behöver skriva till ett lagringskonto med hierarkiska namnområden aktiverade (kallas även Azure Datalake Gen2 eller ADLS Gen2) kan du observera att lagringstjänsten kan registreras som ett Azure Blob Storage-datalager eftersom tjänsterna är helt kompatibla. På så sätt kan du skriva utdata från batchslutpunkter till ADLS Gen2.

Skapa jobb med dataindata

I följande exempel visas hur du skapar jobb, tar dataindata från datatillgångar, datalager och Azure Storage-konton.

Indata från en datatillgång

Azure Machine Learning-datatillgångar (tidigare kallade datauppsättningar) stöds som indata för jobb. Följ dessa steg för att köra ett batchslutpunktsjobb med data som lagras i en registrerad datatillgång i Azure Machine Learning:

Varning

Datatillgångar av typen Tabell (MLTable) stöds för närvarande inte.

1. Skapa först datatillgången. Den här datatillgången består av en mapp med flera CSV-filer som du ska bearbeta parallellt med batchslutpunkter. Du kan hoppa över det här steget om dina data redan är registrerade som en datatillgång.

   Azure CLI

   Skapa en datatillgångsdefinition i YAML:

   heart-dataset-unlabeled.yml

   $schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
   name: heart-dataset-unlabeled
   description: An unlabeled dataset for heart classification.
   type: uri_folder
   path: heart-classifier-mlflow/data
   

   Skapa sedan datatillgången:

   az ml data create -f heart-dataset-unlabeled.yml
   

   Python

   data_path = "heart-classifier-mlflow/data"
   dataset_name = "heart-dataset-unlabeled"
   
   heart_dataset_unlabeled = Data(
       path=data_path,
       type=AssetTypes.URI_FOLDER,
       description="An unlabeled dataset for heart classification",
       name=dataset_name,
   )
   

   Skapa datatillgången:

   ml_client.data.create_or_update(heart_dataset_unlabeled)
   

   Om du vill hämta den nyligen skapade datatillgången använder du:

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

   REST

   Använd Azure Machine Learning CLI, Azure Machine Learning SDK för Python eller Azure Machine Learning-studio för att hämta plats (region), arbetsyta och datatillgångsnamn och version. Du behöver dem senare.

2. Skapa indata eller begäran:

   Azure CLI

   DATASET_ID=$(az ml data show -n heart-dataset-unlabeled --label latest | jq -r .id)
   

   Python

   input = Input(path=heart_dataset_unlabeled.id)
   

   REST

   Brödtext

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFolder",
                   "Uri": "azureml://locations/<location>/workspaces/<workspace>/data/<dataset_name>/versions/labels/latest"
               }
           }
       }
   }
   

   Kommentar

   ID för datatillgångar skulle se ut som /subscriptions/<subscription>/resourcegroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/data/<data-asset>/versions/<version>. Du kan också använda azureml:/<datasset_name>@latest som ett sätt att ange indata.

3. Kör slutpunkten:

   Azure CLI

   --set Använd argumentet för att ange indata:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$DATASET_ID
   

   För en slutpunkt som hanterar en modelldistribution kan du använda --input argumentet för att ange indata, eftersom en modelldistribution alltid bara kräver en datainmatning.

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $DATASET_ID
   

   Argumentet --set tenderar att generera långa kommandon när flera indata anges. I sådana fall placerar du dina indata i en YAML fil och använder --file för att ange de indata som du behöver för slutpunktsanropet.

   inputs.yml

   inputs:
     heart_dataset: azureml:/<datasset_name>@latest
   

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
   

   Python

   Dricks

   Vad är skillnaden mellan inputs och input när du anropar en slutpunkt?

   I allmänhet kan du använda en ordlista inputs = {} med invoke metoden för att ange ett godtyckligt antal obligatoriska indata till en batchslutpunkt som innehåller en modelldistribution eller en pipelinedistribution.

   För en modelldistribution kan du använda input som ett kortare sätt att ange indataplatsen för distributionen, eftersom en modelldistribution alltid bara tar en datainmatning.

   invoke Anropa metoden med hjälp av inputs för att ange de indata som krävs:

   job = ml_client.batch_endpoints.invoke(
       endpoint_name=endpoint.name,
       inputs={
           "heart_dataset": input,
       }
   )
   

   Förenkla anropet invoke för en modelldistribution ytterligare genom att ange input platsen för indata:

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

   REST

   Begär

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Indata från datalager

Data från Azure Machine Learning-registrerade datalager kan refereras direkt till batchdistributionsjobb. I det här exemplet laddar du först upp vissa data till standarddatalagret på Azure Machine Learning-arbetsytan och kör sedan en batchdistribution på den. Följ de här stegen för att köra ett batchslutpunktsjobb med data som lagras i ett datalager.

1. Få åtkomst till standarddatalagret på Azure Machine Learning-arbetsytan. Om dina data finns i ett annat lager kan du använda det arkivet i stället. Du behöver inte använda standarddatalagret.

   Azure CLI

   DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
   

   Kommentar

   Datalager-ID skulle se ut som /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>.

   Python

   default_ds = ml_client.datastores.get_default()
   

   REST

   Använd Azure Machine Learning CLI, Azure Machine Learning SDK för Python eller Studio för att hämta information om datalagret.

   Dricks

   Standardlagringen av blobdata i en arbetsyta kallas för workspaceblobstore. Du kan hoppa över det här steget om du redan känner till resurs-ID:t för standarddatalagret på din arbetsyta.

2. Du måste ladda upp exempeldata till datalagret. Det här exemplet förutsätter att du redan har laddat upp exempeldata som ingår i lagringsplatsen i mappen sdk/python/endpoints/batch/deploy-models/heart-classifier-mlflow/data i mappen heart-disease-uci-unlabeled i bloblagringskontot. Se till att du har gjort det innan du går vidare.

3. Skapa indata eller begäran:

   Azure CLI

   Placera filsökvägen i följande variabel:

   DATA_PATH="heart-disease-uci-unlabeled"
   INPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"
   

   Python

   data_path = "heart-disease-uci-unlabeled"
   input = Input(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})
   

   Om dina data är en fil ändrar du type=AssetTypes.URI_FILE.

   REST

   Brödtext

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFolder",
                   "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
               }
           }
       }
   }
   

   Om dina data är en fil använder du UriFile som typ i stället.

   Kommentar

   Se hur sökvägen paths läggs till i resurs-ID:t för datalagret för att ange att det som följer är en sökväg inuti den.

   Dricks

   Du kan också använda azureml://datastores/<data-store>/paths/<data-path> som ett sätt att ange indata.

4. Kör slutpunkten:

   Azure CLI

   --set Använd argumentet för att ange indata:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_PATH
   

   För en slutpunkt som hanterar en modelldistribution kan du använda --input argumentet för att ange indata, eftersom en modelldistribution alltid bara kräver en datainmatning.

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_PATH --input-type uri_folder
   

   Argumentet --set tenderar att generera långa kommandon när flera indata anges. I sådana fall placerar du dina indata i en YAML fil och använder --file för att ange de indata som du behöver för slutpunktsanropet.

   inputs.yml

   inputs:
     heart_dataset:
       type: uri_folder
       path: azureml://datastores/<data-store>/paths/<data-path>
   

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
   

   Om dina data är en fil använder du uri_file som typ i stället.

   Python

   Dricks

   Vad är skillnaden mellan inputs och input när du anropar en slutpunkt?

   I allmänhet kan du använda en ordlista inputs = {} med invoke metoden för att ange ett godtyckligt antal obligatoriska indata till en batchslutpunkt som innehåller en modelldistribution eller en pipelinedistribution.

   För en modelldistribution kan du använda input som ett kortare sätt att ange indataplatsen för distributionen, eftersom en modelldistribution alltid bara tar en datainmatning.

   invoke Anropa metoden med hjälp av inputs för att ange de indata som krävs:

   job = ml_client.batch_endpoints.invoke(
       endpoint_name=endpoint.name,
       inputs={
           "heart_dataset": input,
       }
   )
   

   Förenkla anropet invoke för en modelldistribution ytterligare genom att ange input platsen för indata:

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

   REST

   Begär

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Indata från Azure Storage-konton

Azure Machine Learning-batchslutpunkter kan läsa data från molnplatser i Azure Storage-konton, både offentliga och privata. Använd följande steg för att köra ett batchslutpunktsjobb med data som lagras i ett lagringskonto:

Kommentar

Läs avsnittet konfigurera beräkningskluster för dataåtkomst för att lära dig mer om ytterligare konfiguration som krävs för att läsa data från lagringsacoutner.

1. Skapa indata eller begäran:

   Azure CLI

   INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   

   Om dina data är en fil:

   INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
   

   Python

   input = Input(
       type=AssetTypes.URI_FOLDER, 
       path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   )
   

   Om dina data är en fil ändrar du type=AssetTypes.URI_FILE:

   input = Input(
       type=AssetTypes.URI_FILE,
       path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
   )
   

   REST

   Brödtext

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFolder",
                   "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
               }
           }
       }
   }
   

   Om dina data är en fil ändrar du JobInputType:

   Brödtext

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFile",
                   "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
               }
           }
       }
   }
   

2. Kör slutpunkten:

   Azure CLI

   --set Använd argumentet för att ange indata:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_DATA
   

   För en slutpunkt som hanterar en modelldistribution kan du använda --input argumentet för att ange indata, eftersom en modelldistribution alltid bara kräver en datainmatning.

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_DATA --input-type uri_folder
   

   Argumentet --set tenderar att generera långa kommandon när flera indata anges. I sådana fall placerar du dina indata i en YAML fil och använder --file för att ange de indata som du behöver för slutpunktsanropet.

   inputs.yml

   inputs:
     heart_dataset:
       type: uri_folder
       path: https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data
   

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
   

   Om dina data är en fil använder du uri_file som typ i stället.

   Python

   Dricks

   Vad är skillnaden mellan inputs och input när du anropar en slutpunkt?

   I allmänhet kan du använda en ordlista inputs = {} med invoke metoden för att ange ett godtyckligt antal obligatoriska indata till en batchslutpunkt som innehåller en modelldistribution eller en pipelinedistribution.

   För en modelldistribution kan du använda input som ett kortare sätt att ange indataplatsen för distributionen, eftersom en modelldistribution alltid bara tar en datainmatning.

   invoke Anropa metoden med hjälp av inputs för att ange de indata som krävs:

   job = ml_client.batch_endpoints.invoke(
       endpoint_name=endpoint.name,
       inputs={
           "heart_dataset": input,
       }
   )
   

   Förenkla anropet invoke för en modelldistribution ytterligare genom att ange input platsen för indata:

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

   REST

   Begär

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Skapa jobb med literala indata

Distributioner av pipelinekomponenter kan ta literala indata. I följande exempel visas hur du anger en indata med namnet score_mode, av typen string, med värdet append:

Azure CLI

Placera dina indata i en YAML fil och använd --file för att ange de indata som du behöver för slutpunktsanropet.

inputs.yml

inputs:
  score_mode:
    type: string
    default: append

az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml

Du kan också använda argumentet --set för att ange värdet. Det tenderar dock att generera långa kommandon när flera indata anges:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.score_mode.type="string" inputs.score_mode.default="append"

Python

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, 
    inputs = { 
        'score_mode': Input(type="string", default="append")
        }
)

REST

Brödtext

{
    "properties": {
        "InputData": {
            "score_mode": {
                "JobInputType" : "Literal",
                "Value": "append"
            }
        }
    }
}

Begär

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

Skapa jobb med datautdata

I följande exempel visas hur du ändrar platsen där utdata med namnet score placeras. För fullständighet konfigurerar de här exemplen även indata med namnet heart_dataset.

1. Använd standarddatalagret på Azure Machine Learning-arbetsytan för att spara utdata. Du kan använda alla andra datalager på din arbetsyta så länge det är ett bloblagringskonto.

   Azure CLI

   DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
   

   Kommentar

   Datalager-ID skulle se ut som /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>.

   Python

   default_ds = ml_client.datastores.get_default()
   

   REST

   Använd Azure Machine Learning CLI, Azure Machine Learning SDK för Python eller Studio för att hämta information om datalagret.

2. Skapa ett datautdata:

   Azure CLI

   DATA_PATH="batch-jobs/my-unique-path"
   OUTPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"
   

   Skapa även dataindata för fullständighet:

   INPUT_PATH="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   

   Python

   data_path = "batch-jobs/my-unique-path"
   output = Output(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})
   

   För fullständighet ska vi också skapa en datainmatning:

   input="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   

   REST

   Brödtext

   {
       "properties": {
           "InputData": {
              "heart_dataset": {
                  "JobInputType" : "UriFolder",
                  "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
              }
           },
           "OutputData": {
               "score": {
                   "JobOutputType" : "UriFile",
                   "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
               }
           }
       }
   }
   

   Kommentar

   Se hur sökvägen paths läggs till i resurs-ID:t för datalagret för att ange att det som följer är en sökväg inuti den.

3. Kör distributionen:

   Azure CLI

   Använd argumentet --set för att ange indata:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.path=$INPUT_PATH \
       --set outputs.score.path=$OUTPUT_PATH
   

   Python

   job = ml_client.batch_endpoints.invoke(
      endpoint_name=endpoint.name,
      inputs={ "heart_dataset": input },
      outputs={ "score": output }
   )
   

   REST

   Begär

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Nästa steg

• Felsöka batchslutpunkter.
• Anpassa utdata i batchdistributioner av modelldistributioner.
• Skapa en anpassad bedömningspipeline med indata och utdata.
• Anropa batchslutpunkter från Azure Data Factory.