Aggiornare un servizio Web distribuito (v1)

SI APPLICA A:Estensione per Machine Learning dell'interfaccia della riga di comando di Azure v1Python SDK azureml v1

L'articolo contiene informazioni su come aggiornare un servizio Web distribuito con Azure Machine Learning.

Prerequisiti

• Questo articolo presuppone che sia già stato distribuito un servizio Web con Azure Machine Learning. Per informazioni su come distribuire un servizio Web, seguire questa procedura.

• I frammenti di codice in questo articolo presuppongono che la variabile ws sia già stata inizializzata nell'area di lavoro usando il costruttore Workflow() o caricando una configurazione salvata con Workspace.from_config(). Il frammento di codice seguente illustra come usare il costruttore:

  SI APPLICA A:Python SDK azureml v1

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

Aggiornare un servizio Web

Per aggiornare un servizio Web, usare il metodo update. È possibile aggiornare il servizio Web per usare un nuovo modello, un nuovo script di immissione o nuove dipendenze che possono essere specificate nella configurazione di un'inferenza. Per altre informazioni, vedere la documentazione per Webservice.update.

Vedere Metodo di aggiornamento del servizio Azure Kubernetes.

Vedere Metodo di aggiornamento del servizio ACI.

Uso dell'SDK

Il codice seguente illustra come usare l'SDK per aggiornare il modello, l'ambiente e lo script di immissione per un servizio Web:

SI APPLICA A:Python SDK azureml v1

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())

Uso dell'interfaccia della riga di comando

È anche possibile aggiornare un servizio Web usando l'interfaccia della riga di comando di ML. L'esempio seguente illustra come registrare un nuovo modello e quindi aggiornare un servizio Web per l'uso del nuovo modello:

SI APPLICA A:Estensione ML dell'interfaccia della riga di comando di Azure 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

Per altre informazioni, vedere la documentazione relativa all'aggiornamento del servizio az ml.

Passaggi successivi

• Risolvere una distribuzione non riuscita
• Creare applicazioni client per utilizzare i servizi Web
• Come distribuire un modello con un'immagine Docker personalizzata
• Usare TLS per proteggere un servizio Web tramite Azure Machine Learning
• Monitorare i modelli di Azure Machine Learning con Application Insights
• Raccogliere i dati per i modelli nell'ambiente di produzione
• Creare trigger e avvisi di eventi per le distribuzioni dei modelli