Uppdatera en distribuerad webbtjänst (v1)

GÄLLER FÖR:Azure CLI ml-tillägget v1Python SDK azureml v1

I den här artikeln får du lära dig hur du uppdaterar en webbtjänst som har distribuerats med Azure Machine Learning.

Förutsättningar

• Den här artikeln förutsätter att du redan har distribuerat en webbtjänst med Azure Machine Learning. Följ dessa steg om du behöver lära dig hur du distribuerar en webbtjänst.

• Kodfragmenten i den här artikeln förutsätter att variabeln ws redan har initierats till din arbetsyta med hjälp av konstruktorn Workflow() eller genom att läsa in en sparad konfiguration med Workspace.from_config(). Följande kodfragment visar hur du använder konstruktorn:

  GÄLLER FÖR:Azure Machine Learning SDK v1 för Python

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

Uppdatera webbtjänst

Om du vill uppdatera en webbtjänst använder du update metoden . Du kan uppdatera webbtjänsten så att den använder en ny modell, ett nytt postskript eller nya beroenden som kan anges i en slutsatsdragningskonfiguration. Mer information finns i dokumentationen för Webservice.update.

Se AKS-tjänstuppdateringsmetod.

Se ACI-tjänstuppdateringsmetod.

Använda SDK

Följande kod visar hur du använder SDK:t för att uppdatera modell-, miljö- och inmatningsskriptet för en webbtjänst:

GÄLLER FÖR:Azure Machine Learning SDK v1 för 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())

Använda CLI

Du kan också uppdatera en webbtjänst med hjälp av ML CLI. I följande exempel visas hur du registrerar en ny modell och sedan uppdaterar en webbtjänst för att använda den nya modellen:

GÄLLER FÖR: Azure CLI ml-tillägget 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

Mer information finns i dokumentationen om az ml-tjänstuppdatering .

Nästa steg

• Felsöka en misslyckad distribution
• Skapa klientprogram för att använda webbtjänster
• Distribuera en modell med en anpassad Docker-avbildning
• Använda TLS för att skydda en webbtjänst via Azure Machine Learning
• Övervaka dina Azure Machine Learning-modeller med Application Insights
• Samla in data för modeller i produktion
• Skapa händelseaviseringar och utlösare för modelldistributioner