Share via

將部署端點升級至 SDK v2

  • 發行項

使用 SDK/CLI v1，您可以在 ACI 或 AKS 上部署模型做為 Web 服務。 現有的 v1 模型部署和 Web 服務會繼續正常運作，但使用 SDK/CLI v1 在 ACI 或 AKS 上部署模型，因為 Web 服務現在被視為 舊版。 針對新的模型部署，建議您升級至 v2。

在 v2 中，我們提供受控端點或 Kubernetes 端點。 如需 v1 和 v2 的比較，請參閱 端點和部署。

有數個部署漏斗圖，例如第 2 版中的受控線上端點、kubernetes 線上端點 (包括 Azure Kubernetes Services、已啟用 Arc 的 Kubernetes)，以及第 1 版中的 Azure 容器執行個體 (ACI) 和 Kubernetes Services (AKS) webservices。 在本文中，我們將著重於部署至 ACI webservices (v1) 和受控線上端點 (v2) 的比較。

本文中的範例示範如何：

  • 將模型部署至 Azure
  • 使用端點評分
  • 刪除 webservice/端點

建立推斷資源

  • SDK v1

    1. 設定模型、環境和評分指令碼：

      # 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. 設定及部署 ACI webservice：

      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)

如需註冊模型的詳細資訊，請參閱從本地檔案註冊模型。

  • SDK v2

    1. 設定模型、環境和評分指令碼：

      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. 設定和建立線上端點：

      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. 設定和建立線上部署：

      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)

如需端點和部署概念的詳細資訊，請參閱什麼是線上端點？

提交要求

  • 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",
)

刪除資源

  • SDK v1

    service.delete()

  • SDK v2

    ml_client.online_endpoints.begin_delete(name=online_endpoint_name)

SDK v1 和 SDK v2 中主要功能的對應

SDK v1 中的功能 SDK v2 中的粗略對應
azureml.core.model.Model 類別 azure.ai.ml.entities.Model 類別
azureml.core.Environment 類別 azure.ai.ml.entities.Environment 類別
azureml.core.model.InferenceConfig 類別 azure.ai.ml.entities.CodeConfiguration 類別
azureml.core.webservice.AciWebservice 類別 azure.ai.ml.entities.OnlineDeployment 類別 (和 azure.ai.ml.entities.ManagedOnlineEndpoint 類別)
Model.deploy 或 Webservice.deploy ml_client.begin_create_or_update(online_deployment)
Webservice.run ml_client.online_endpoints.invoke
Webservice.delete ml_client.online_endpoints.delete

如需相關資訊，請參閱

v2 文件：

v1 文件：