Обновление развернутой веб-службы (версия 1)

ОБЛАСТЬ ПРИМЕНЕНИЯ:Расширение Машинного обучения для Azure CLI версии 1пакет SDK для Python azureml версии 1

В этой статье вы узнаете, как обновить веб-службу, которая была ранее развернута в службе "Машинное обучение Azure".

Необходимые компоненты

• В этой статье предполагается, что вы уже развернули веб-службу в машинном обучении Azure. Если вас интересует, как развернуть новую веб-службу, выполните эти инструкции.

• В этой статье предполагается, что во фрагментах кода ws переменная уже была инициализирована в рабочей области с помощью конструктора рабочего процесса () или при загрузке сохраненной конфигурации с помощью Workspace.from_config (). В следующем фрагменте кода показано использование конструктора:

  ПРИМЕНЯЕТСЯ К:Пакет SDK машинного обучения Azure версии 1 для Python

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

Обновление веб-службы

Чтобы обновить веб-службу, используйте метод update. Вы можете обновить веб-службу, чтобы назначить для нее новую модель, новый начальный сценарий или новые зависимости, которые можно указать в конфигурации вывода. Дополнительные сведения см. в документации по методу Webservice.update.

См. также статью о методе обновления службы AKS.

См. также статью о методе обновления службы ACI.

Использование пакета SDK

В следующем коде показано, как с помощью пакета SDK обновить модель, среду и начальный сценарий для веб-службы:

ПРИМЕНЯЕТСЯ К:Пакет SDK машинного обучения Azure версии 1 для 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())

Использование интерфейса командной строки

Вы также можете обновить веб-службу с помощью интерфейса командной строки Машинного обучения. В следующем примере демонстрируется регистрация новой модели и обновление веб-службы для использования новой модели:

ОБЛАСТЬ ПРИМЕНЕНИЯ: расширение машинного обучения Azure CLI версии 1

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

Дополнительные сведения см. в документации по команде az ml service update.

Следующие шаги

• Устранение неполадок при развертывании
• Создание клиентских приложений для использования веб-служб
• Развертывание модели с помощью пользовательского образа Docker
• Использование TLS для защиты веб-службы с помощью Машинного обучения Azure.
• Мониторинг моделей машинного обучения в Azure с помощью Application Insights
• Сбор данных для моделей в рабочей среде
• Создание предупреждений и триггеров событий для развертываний моделей