Een geïmplementeerde webservice bijwerken (v1)

VAN TOEPASSING OP: Azure CLI ml-extensie v1Python SDK azureml v1

In dit artikel leert u hoe u een webservice bijwerkt die is geïmplementeerd met Azure Machine Learning.

Vereisten

• In dit artikel wordt ervan uitgegaan dat u al een webservice hebt geïmplementeerd met Azure Machine Learning. Als u wilt weten hoe u een webservice implementeert, volgt u deze stappen.

• In de codefragmenten in dit artikel wordt ervan uitgegaan dat de ws variabele al is geïnitialiseerd voor uw werkruimte met behulp van de workflow() constructor of het laden van een opgeslagen configuratie met Workspace.from_config(). Het volgende codefragment laat zien hoe u de constructor gebruikt:

  VAN TOEPASSING OP:Azure Machine Learning SDK v1 voor Python

  from azureml.core import Workspace
  ws = Workspace(subscription_id="mysubscriptionid",
                 resource_group="myresourcegroup",
                 workspace_name="myworkspace")
  

Webservice bijwerken

Als u een webservice wilt bijwerken, gebruikt u de update methode. U kunt de webservice bijwerken voor het gebruik van een nieuw model, een nieuw invoerscript of nieuwe afhankelijkheden die kunnen worden opgegeven in een deductieconfiguratie. Zie de documentatie voor Webservice.update voor meer informatie.

Zie de methode voor het bijwerken van de AKS-service.

Zie de methode voor het bijwerken van de ACI-service.

De SDK gebruiken

De volgende code laat zien hoe u de SDK gebruikt om het model, de omgeving en het invoerscript voor een webservice bij te werken:

VAN TOEPASSING OP:Azure Machine Learning SDK v1 voor Python

from azureml.core import Environment
from azureml.core.webservice import Webservice
from azureml.core.model import Model, InferenceConfig

# Register new model.
new_model = Model.register(model_path="outputs/sklearn_mnist_model.pkl",
                           model_name="sklearn_mnist",
                           tags={"key": "0.1"},
                           description="test",
                           workspace=ws)

# Use version 3 of the environment.
deploy_env = Environment.get(workspace=ws,name="myenv",version="3")
inference_config = InferenceConfig(entry_script="score.py",
                                   environment=deploy_env)

service_name = 'myservice'
# Retrieve existing service.
service = Webservice(name=service_name, workspace=ws)



# Update to new model(s).
service.update(models=[new_model], inference_config=inference_config)
service.wait_for_deployment(show_output=True)
print(service.state)
print(service.get_logs())

De CLI gebruiken

U kunt ook een webservice bijwerken met behulp van de ML CLI. In het volgende voorbeeld ziet u hoe u een nieuw model registreert en vervolgens een webservice bijwerkt om het nieuwe model te gebruiken:

VAN TOEPASSING OP: Azure CLI ml-extensie v1

az ml model register -n sklearn_mnist  --asset-path outputs/sklearn_mnist_model.pkl  --experiment-name myexperiment --output-metadata-file modelinfo.json
az ml service update -n myservice --model-metadata-file modelinfo.json

Zie de documentatie voor az ml service update voor meer informatie.

Volgende stappen

• Problemen met een mislukte implementatie oplossen
• Clienttoepassingen maken om webservices te gebruiken
• Een model implementeren met behulp van een aangepaste Docker-installatiekopieën
• TLS gebruiken om een webservice te beveiligen via Azure Machine Learning
• Uw Azure Machine Learning-modellen bewaken met Application Insights
• Gegevens verzamelen voor modellen in productie
• Gebeurteniswaarschuwingen en triggers maken voor modelimplementaties