إنشاء الوظائف وبيانات الإدخال لنقاط نهاية الدفعة

مقالة
12/21/2023

يمكن استخدام نقاط النهاية الدفعية لتنفيذ عمليات دفعية طويلة على كميات كبيرة من البيانات. ويمكن وضع هذه البيانات في أماكن مختلفة. يمكن أن يتلقى بعض أنواع نقاط النهاية الدفعية أيضا معلمات حرفية كمدخلات. سنغطي في هذا البرنامج التعليمي كيف يمكنك تحديد هذه المدخلات والأنواع أو المواقع المختلفة المدعومة.

قبل استدعاء نقطة نهاية

لاستدعاء نقطة نهاية دفعية وإنشاء وظائف بنجاح، تأكد من أن لديك ما يلي:

لديك أذونات لتشغيل نشر نقطة نهاية دفعية. يمكن استخدام أدوار عالم بيانات AzureML والمساهم والمالك لتشغيل عملية نشر. بالنسبة لتعريفات الأدوار المخصصة، اقرأ التخويل على نقاط النهاية الدفعية لمعرفة الأذونات المحددة المطلوبة.
لديك رمز مميز صالح لمعرف Microsoft Entra يمثل أساس أمان لاستدعاء نقطة النهاية. يمكن أن يكون هذا الأساسي كيان مستخدم أو كيان خدمة. على أي حال، بمجرد استدعاء نقطة نهاية، يتم إنشاء مهمة نشر دفعة ضمن الهوية المقترنة بالرمز المميز. لأغراض الاختبار، يمكنك استخدام بيانات الاعتماد الخاصة بك للادعاء كما هو مذكور أدناه.
استخدم Azure CLI لتسجيل الدخول باستخدام مصادقة تفاعلية أو مصادقة رمز الجهاز:
```
az login
```
استخدم Azure التعلم الآلي SDK ل Python لتسجيل الدخول:
```
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

ml_client = MLClient.from_config(DefaultAzureCredential())
```
إذا كان يعمل خارج حساب Azure التعلم الآلي، فستحتاج إلى تحديد مساحة العمل حيث يتم نشر نقطة النهاية:
```
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

subscription_id = "<subscription>"
resource_group = "<resource-group>"
workspace = "<workspace>"

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
```
أبسط طريقة للحصول على رمز مميز صالح لحساب المستخدم الخاص بك هي استخدام Azure CLI. في وحدة التحكم، قم بتشغيل الأمر التالي:
```
az account get-access-token --resource https://ml.azure.com --query "accessToken" --output tsv
```
تلميح

عند العمل مع REST، نوصي باستدعاء نقاط نهاية الدفعة باستخدام كيان الخدمة. راجع تشغيل المهام باستخدام كيان خدمة (REST) لمعرفة كيفية الحصول على رمز مميز لكيان الخدمة باستخدام REST.
لمعرفة المزيد حول كيفية المصادقة باستخدام أنواع متعددة من بيانات الاعتماد، اقرأ التخويل على نقاط نهاية الدفعة.
نظام مجموعة الحوسبة حيث يتم نشر نقطة النهاية لديه حق الوصول لقراءة بيانات الإدخال.

تلميح

إذا كنت تستخدم مخزن بيانات بدون بيانات اعتماد أو حساب تخزين Azure خارجي كإدخل للبيانات، فتأكد من تكوين مجموعات الحوسبة للوصول إلى البيانات. يتم استخدام الهوية المدارة لمجموعة الحوسبة لتحميل حساب التخزين. لا تزال هوية المهمة (المستدعي) تستخدم لقراءة البيانات الأساسية التي تسمح لك بتحقيق التحكم في الوصول متعدد المستويات.

إنشاء أساسيات الوظائف

لإنشاء مهمة من نقطة نهاية دفعية، يجب عليك استدعاؤها. يمكن إجراء الاستدعاء باستخدام Azure CLI أو Azure التعلم الآلي SDK ل Python أو استدعاء REST API. توضح الأمثلة التالية أساسيات استدعاء نقطة نهاية دفعية تتلقى مجلد بيانات إدخال واحد للمعالجة. راجع فهم المدخلات والمخرجات للحصول على أمثلة ذات مدخلات ومخرجات مختلفة.

استخدم العملية ضمن invoke نقاط النهاية الدفعية:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

استخدم الأسلوب MLClient.batch_endpoints.invoke() لتحديد اسم التجربة:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

قم بإجراء POST طلب إلى عنوان URL للادعاء لنقطة النهاية. يمكنك الحصول على عنوان URL للادعاء من مدخل Azure التعلم الآلي، في صفحة تفاصيل نقطة النهاية.

نص الرسالة

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

استدعاء توزيع معين

يمكن أن تستضيف نقاط النهاية الدفعية عمليات نشر متعددة ضمن نفس نقطة النهاية. يتم استخدام نقطة النهاية الافتراضية ما لم يحدد المستخدم خلاف ذلك. يمكنك تغيير النشر المستخدم كما يلي:

استخدم الوسيطة --deployment-name أو -d لتحديد اسم النشر:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --deployment-name $DEPLOYMENT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

استخدم المعلمة deployment_name لتحديد اسم النشر:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

أضف العنوان azureml-model-deployment إلى طلبك، بما في ذلك اسم النشر الذي تريد استدعاؤه.

نص الرسالة

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
azureml-model-deployment: DEPLOYMENT_NAME

تكوين خصائص المهمة

يمكنك تكوين بعض الخصائص في الوظيفة التي تم إنشاؤها في وقت استدعاء.

إشعار

يتوفر تكوين خصائص المهمة فقط في نقاط نهاية الدفعة مع عمليات نشر مكونات البنية الأساسية لبرنامج ربط العمليات التجارية في الوقت الحالي.

تكوين اسم التجربة

استخدم الوسيطة --experiment-name لتحديد اسم التجربة:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --experiment-name "my-batch-job-experiment" \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

استخدم المعلمة experiment_name لتحديد اسم التجربة:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    experiment_name="my-batch-job-experiment",
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"),
    }
)

استخدم المفتاح experimentName في properties القسم للإشارة إلى اسم التجربة:

نص الرسالة

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "properties":
        {
            "experimentName": "my-batch-job-experiment"
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

فهم المدخلات والمخرجات

توفر نقاط النهاية الدفعية واجهة برمجة تطبيقات دائمة يمكن للمستهلكين استخدامها لإنشاء وظائف دفعية. يمكن استخدام نفس الواجهة لتحديد المدخلات والمخرجات التي يتوقعها التوزيع. استخدم الإدخالات لتمرير أي معلومات تحتاجها نقطة النهاية لتنفيذ المهمة.

رسم تخطيطي يوضح كيفية استخدام المدخلات والمخرجات في نقاط نهاية الدفعة.

تدعم نقاط النهاية الدفعية نوعين من المدخلات:

مدخلات البيانات، وهي المؤشرات إلى موقع تخزين معين أو أصل Azure التعلم الآلي.
المدخلات الحرفية، وهي قيم حرفية (مثل الأرقام أو السلاسل) التي تريد تمريرها إلى المهمة.

يعتمد عدد ونوع المدخلات والمخرجات على نوع توزيع الدفعات. تتطلب عمليات نشر النموذج دائما إدخال بيانات واحدا وتنتج إخراج بيانات واحدا. المدخلات الحرفية غير مدعومة. ومع ذلك، توفر عمليات نشر مكونات البنية الأساسية لبرنامج ربط العمليات التجارية بنية أكثر عمومية لإنشاء نقاط النهاية وتسمح لك بتحديد أي عدد من المدخلات (البيانات والقيم الحرفية) والمخرجات.

يلخص الجدول التالي المدخلات والمخرجات الخاصة بنشر الدفعات:

نوع التوزيع	رقم الإدخال	أنواع الإدخالات المدعومة	رقم الإخراج	أنواع الإخراج المدعومة
توزيع النموذج	1	مدخلات البيانات	1	مخرجات البيانات
نشر مكون البنية الأساسية لبرنامج ربط العمليات التجارية	[0.N]	مدخلات البيانات والمدخلات الحرفية	[0.N]	مخرجات البيانات

تلميح

تتم تسمية المدخلات والمخرجات دائما. تعمل هذه الأسماء كمفاتيح لتعريفها وتمرير القيمة الفعلية أثناء استدعاء . بالنسبة إلى عمليات نشر النموذج، نظرا لأنها تتطلب دائما إدخالا وإخراجا واحدا، يتم تجاهل الاسم أثناء استدعاء . يمكنك تعيين الاسم الذي يصف حالة الاستخدام الخاصة بك على أفضل نحو، مثل "sales_estimation".

مدخلات البيانات

تشير مدخلات البيانات إلى المدخلات التي تشير إلى موقع يتم فيه وضع البيانات. نظرا لأن نقاط النهاية الدفعية تستهلك عادة كميات كبيرة من البيانات، فلا يمكنك تمرير بيانات الإدخال كجزء من طلب استدعاء. بدلا من ذلك، يمكنك تحديد الموقع الذي يجب أن تنتقل إليه نقطة نهاية الدفعة للبحث عن البيانات. يتم تحميل بيانات الإدخال ودفقها على الحساب الهدف لتحسين الأداء.

تدعم نقاط النهاية الدفعية قراءة الملفات الموجودة في خيارات التخزين التالية:

Azure التعلم الآلي Data Assets، بما في ذلك Folder (uri_folder) وFile (uri_file).
Azure التعلم الآلي Data Stores، بما في ذلك Azure Blob Storage وAzure Data Lake Storage Gen1 وAzure Data Lake Storage Gen2.
حسابات تخزين Azure، بما في ذلك Azure Data Lake Storage Gen1 وAzure Data Lake Storage Gen2 وAzure Blob Storage.
مجلدات/ملفات البيانات المحلية (Azure التعلم الآلي CLI أو Azure التعلم الآلي SDK ل Python). ومع ذلك، ينتج عن هذه العملية تحميل البيانات المحلية إلى Azure التعلم الآلي Data Store الافتراضي لمساحة العمل التي تعمل عليها.

هام

إشعار الإهمال: يتم إهمال مجموعات البيانات من النوع FileDataset (V1) وسيتم إيقافها في المستقبل. ستستمر نقاط النهاية الدفعية الحالية التي تعتمد على هذه الوظيفة في العمل ولكن نقاط النهاية الدفعية التي تم إنشاؤها باستخدام GA CLIv2 (2.4.0 والأحدث) أو واجهة برمجة تطبيقات GA REST (2022-05-01 والأحدث) لن تدعم مجموعة بيانات V1.

إدخالات القيمة الحرفية

تشير المدخلات الحرفية إلى المدخلات التي يمكن تمثيلها وحلها في وقت استدعاء، مثل السلاسل والأرقام والقيم المنطقية. عادة ما تستخدم مدخلات حرفية لتمرير المعلمات إلى نقطة النهاية كجزء من نشر مكون البنية الأساسية لبرنامج ربط العمليات التجارية. تدعم نقاط النهاية الدفعية أنواع القيم الحرفية التالية:

string
boolean
float
integer

يتم دعم المدخلات الحرفية فقط في عمليات نشر مكونات البنية الأساسية لبرنامج ربط العمليات التجارية. راجع إنشاء وظائف باستخدام مدخلات حرفية لمعرفة كيفية تحديدها.

مخرجات البيانات

تشير مخرجات البيانات إلى الموقع الذي يجب وضع نتائج وظيفة الدفعة فيه. يتم تعريف المخرجات بالاسم، ويقوم Azure التعلم الآلي تلقائيا بتعيين مسار فريد لكل إخراج مسمى. ومع ذلك، يمكنك تحديد مسار آخر إذا لزم الأمر.

هام

تدعم نقاط النهاية الدفعية فقط كتابة المخرجات في مخازن بيانات Azure Blob Storage. إذا كنت بحاجة إلى الكتابة إلى حساب تخزين مع تمكين مساحات أسماء هرمية (تعرف أيضا باسم Azure Datalake Gen2 أو ADLS Gen2)، لاحظ أنه يمكن تسجيل خدمة التخزين هذه كمخزن بيانات Azure Blob Storage نظرا لأن الخدمات متوافقة تماما. بهذه الطريقة، يمكنك كتابة المخرجات من نقاط نهاية الدفعة إلى ADLS Gen2.

إنشاء وظائف باستخدام مدخلات البيانات

توضح الأمثلة التالية كيفية إنشاء وظائف، وأخذ مدخلات البيانات من أصول البيانات، ومخازن البيانات، وحسابات تخزين Azure.

إدخال البيانات من أصل بيانات

يتم دعم أصول بيانات Azure التعلم الآلي (المعروفة سابقا باسم مجموعات البيانات) كمدخلات للوظائف. اتبع هذه الخطوات لتشغيل مهمة نقطة نهاية دفعية باستخدام البيانات المخزنة في أصل بيانات مسجل في Azure التعلم الآلي:

تحذير

أصول البيانات من نوع جدول (MLTable) غير مدعومة حاليا.

قم أولا بإنشاء أصل البيانات. يتكون أصل البيانات هذا من مجلد يحتوي على ملفات CSV متعددة ستعالجها بالتوازي، باستخدام نقاط نهاية الدفعة. يمكنك تخطي هذه الخطوة إذا كانت بياناتك مسجلة بالفعل كأصل بيانات.
إنشاء تعريف أصل بيانات في YAML:

heart-dataset-unlabeled.yml
```
$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
name: heart-dataset-unlabeled
description: An unlabeled dataset for heart classification.
type: uri_folder
path: heart-classifier-mlflow/data
```
ثم قم بإنشاء أصل البيانات:
```
az ml data create -f heart-dataset-unlabeled.yml
```
```
data_path = "heart-classifier-mlflow/data"
dataset_name = "heart-dataset-unlabeled"

heart_dataset_unlabeled = Data(
    path=data_path,
    type=AssetTypes.URI_FOLDER,
    description="An unlabeled dataset for heart classification",
    name=dataset_name,
)
```
إنشاء أصل البيانات:
```
ml_client.data.create_or_update(heart_dataset_unlabeled)
```
للحصول على أصل البيانات الذي تم إنشاؤه حديثا، استخدم:
```
heart_dataset_unlabeled = ml_client.data.get(name=dataset_name, label="latest")
```
استخدم Azure التعلم الآلي CLI أو Azure التعلم الآلي SDK ل Python أو Azure التعلم الآلي studio للحصول على الموقع (المنطقة) ومساحة العمل واسم أصل البيانات والإصدار. أنت في حاجة إليها لاحقًا.
إنشاء الإدخال أو الطلب:
```
DATASET_ID=$(az ml data show -n heart-dataset-unlabeled --label latest | jq -r .id)
```
```
input = Input(path=heart_dataset_unlabeled.id)
```
نص الرسالة
```
{
    "properties": {
        "InputData": {
            "heart_dataset": {
                "JobInputType" : "UriFolder",
                "Uri": "azureml://locations/<location>/workspaces/<workspace>/data/<dataset_name>/versions/labels/latest"
            }
        }
    }
}
```
إشعار

سيبدو معرف أصول البيانات مثل /subscriptions/<subscription>/resourcegroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/data/<data-asset>/versions/<version>. يمكنك أيضا استخدام azureml:/<datasset_name>@latest كطريقة لتحديد الإدخال.
تشغيل نقطة النهاية:
استخدم الوسيطة --set لتحديد الإدخال:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$DATASET_ID
```
بالنسبة لنقطة نهاية تخدم نشر نموذج، يمكنك استخدام الوسيطة --input لتحديد إدخال البيانات، حيث يتطلب نشر النموذج دائما إدخال بيانات واحدا فقط.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $DATASET_ID
```
تميل الوسيطة --set إلى إنتاج أوامر طويلة عند تحديد إدخالات متعددة. في مثل هذه الحالات، ضع مدخلاتك في YAML ملف واستخدم --file لتحديد المدخلات التي تحتاجها لاستدعاء نقطة النهاية.

inputs.yml
```
inputs:
  heart_dataset: azureml:/<datasset_name>@latest
```
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
تلميح

ما الفرق بين inputs و input عند استدعاء نقطة نهاية؟

بشكل عام، يمكنك استخدام قاموس inputs = {} مع invoke الأسلوب لتوفير عدد عشوائي من الإدخالات المطلوبة إلى نقطة نهاية دفعية تحتوي على توزيع نموذج أو توزيع البنية الأساسية لبرنامج ربط العمليات التجارية.

لنشر نموذج، يمكنك استخدام input كطريقة أقصر لتحديد موقع بيانات الإدخال للتوزيع، نظرا لأن نشر النموذج يأخذ دائما إدخال بيانات واحدا فقط.

invoke استدعاء الأسلوب ، باستخدام inputs لتحديد المدخلات المطلوبة:
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": input,
    }
)
```
قم بتبسيط invoke الاستدعاء لتوزيع نموذج بشكل أكبر، باستخدام input لتحديد الموقع لبيانات الإدخال:
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input,
)
```
Request
```
POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
```

إدخال البيانات من مخازن البيانات

يمكن الرجوع إلى البيانات من Azure التعلم الآلي مخازن البيانات المسجلة مباشرة بواسطة مهام توزيع الدفعات. في هذا المثال، يمكنك أولا تحميل بعض البيانات إلى مخزن البيانات الافتراضي في مساحة عمل Azure التعلم الآلي ثم تشغيل نشر دفعة عليها. اتبع هذه الخطوات لتشغيل مهمة نقطة نهاية دفعية باستخدام البيانات المخزنة في مخزن بيانات.

الوصول إلى مخزن البيانات الافتراضي في مساحة عمل Azure التعلم الآلي. إذا كانت بياناتك في مخزن مختلف، يمكنك استخدام هذا المخزن بدلا من ذلك. لست مطالبا باستخدام مخزن البيانات الافتراضي.
```
DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
```
إشعار

سيبدو معرف مخازن البيانات مثل /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>.
```
default_ds = ml_client.datastores.get_default()
```
استخدم Azure التعلم الآلي CLI أو Azure التعلم الآلي SDK ل Python أو Studio للحصول على معلومات مخزن البيانات.
تلميح

يسمى مخزن بيانات الكائن الثنائي كبير الحجم الافتراضي في مساحة العمل workspaceblobstore. يمكنك تخطي هذه الخطوة إذا كنت تعرف بالفعل معرف المورد لمخزن البيانات الافتراضي في مساحة العمل الخاصة بك.
تحتاج إلى تحميل بعض البيانات النموذجية إلى مخزن البيانات. يفترض هذا المثال أنك قمت بالفعل بتحميل نموذج البيانات المضمنة في المستودع في المجلد sdk/python/endpoints/batch/deploy-models/heart-classifier-mlflow/data في المجلد heart-disease-uci-unlabeled في حساب تخزين الكائن الثنائي كبير الحجم. تأكد من القيام بذلك قبل المضي قدما.
إنشاء الإدخال أو الطلب:
ضع مسار الملف في المتغير التالي:
```
DATA_PATH="heart-disease-uci-unlabeled"
INPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"
```
```
data_path = "heart-disease-uci-unlabeled"
input = Input(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})
```
إذا كانت بياناتك ملفا، فقم بتغيير type=AssetTypes.URI_FILE.
نص الرسالة
```
{
    "properties": {
        "InputData": {
            "heart_dataset": {
                "JobInputType" : "UriFolder",
                "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
            }
        }
    }
}
```
إذا كانت بياناتك عبارة عن ملف، فاستخدمها UriFile كنوع بدلا من ذلك.
إشعار

راجع كيفية إلحاق المسار paths بمعرف المورد لمخزن البيانات للإشارة إلى أن ما يلي هو مسار داخله.

تلميح

يمكنك أيضا استخدام azureml://datastores/<data-store>/paths/<data-path> كطريقة لتحديد الإدخال.
تشغيل نقطة النهاية:
استخدم الوسيطة --set لتحديد الإدخال:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_PATH
```
بالنسبة لنقطة نهاية تخدم نشر نموذج، يمكنك استخدام الوسيطة --input لتحديد إدخال البيانات، حيث يتطلب نشر النموذج دائما إدخال بيانات واحدا فقط.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_PATH --input-type uri_folder
```
تميل الوسيطة --set إلى إنتاج أوامر طويلة عند تحديد إدخالات متعددة. في مثل هذه الحالات، ضع مدخلاتك في YAML ملف واستخدم --file لتحديد المدخلات التي تحتاجها لاستدعاء نقطة النهاية.

inputs.yml
```
inputs:
  heart_dataset:
    type: uri_folder
    path: azureml://datastores/<data-store>/paths/<data-path>
```
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
إذا كانت بياناتك عبارة عن ملف، فاستخدمها uri_file كنوع بدلا من ذلك.
تلميح

ما الفرق بين inputs و input عند استدعاء نقطة نهاية؟

بشكل عام، يمكنك استخدام قاموس inputs = {} مع invoke الأسلوب لتوفير عدد عشوائي من الإدخالات المطلوبة إلى نقطة نهاية دفعية تحتوي على توزيع نموذج أو توزيع البنية الأساسية لبرنامج ربط العمليات التجارية.

لنشر نموذج، يمكنك استخدام input كطريقة أقصر لتحديد موقع بيانات الإدخال للتوزيع، نظرا لأن نشر النموذج يأخذ دائما إدخال بيانات واحدا فقط.

invoke استدعاء الأسلوب ، باستخدام inputs لتحديد المدخلات المطلوبة:
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": input,
    }
)
```
قم بتبسيط invoke الاستدعاء لتوزيع نموذج بشكل أكبر، باستخدام input لتحديد الموقع لبيانات الإدخال:
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input,
)
```
Request
```
POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
```

إدخال البيانات من حسابات تخزين Azure

يمكن لنقاط نهاية دفعة Azure التعلم الآلي قراءة البيانات من مواقع السحابة في حسابات تخزين Azure، العامة والخاصة على حد سواء. استخدم الخطوات التالية لتشغيل مهمة نقطة نهاية دفعية باستخدام البيانات المخزنة في حساب تخزين:

إشعار

تحقق من القسم تكوين مجموعات الحوسبة للوصول إلى البيانات لمعرفة المزيد حول التكوين الإضافي المطلوب لقراءة البيانات بنجاح من مجموعات التخزين.

إنشاء الإدخال أو الطلب:

INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

إذا كانت بياناتك عبارة عن ملف:

INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"

input = Input(
    type=AssetTypes.URI_FOLDER, 
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
)

إذا كانت بياناتك ملفا، فقم بتغيير type=AssetTypes.URI_FILE:

input = Input(
    type=AssetTypes.URI_FILE,
    path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
)

نص الرسالة

{
    "properties": {
        "InputData": {
            "heart_dataset": {
                "JobInputType" : "UriFolder",
                "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
            }
        }
    }
}

إذا كانت بياناتك ملفا، فقم بتغيير JobInputType:

نص الرسالة

{
    "properties": {
        "InputData": {
            "heart_dataset": {
                "JobInputType" : "UriFile",
                "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
            }
        }
    }
}

تشغيل نقطة النهاية:
استخدم الوسيطة --set لتحديد الإدخال:
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_DATA
```
بالنسبة لنقطة نهاية تخدم نشر نموذج، يمكنك استخدام الوسيطة --input لتحديد إدخال البيانات، حيث يتطلب نشر النموذج دائما إدخال بيانات واحدا فقط.
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_DATA --input-type uri_folder
```
تميل الوسيطة --set إلى إنتاج أوامر طويلة عند تحديد إدخالات متعددة. في مثل هذه الحالات، ضع مدخلاتك في YAML ملف واستخدم --file لتحديد المدخلات التي تحتاجها لاستدعاء نقطة النهاية.

inputs.yml
```
inputs:
  heart_dataset:
    type: uri_folder
    path: https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data
```
```
az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
```
إذا كانت بياناتك عبارة عن ملف، فاستخدمها uri_file كنوع بدلا من ذلك.
تلميح

ما الفرق بين inputs و input عند استدعاء نقطة نهاية؟

بشكل عام، يمكنك استخدام قاموس inputs = {} مع invoke الأسلوب لتوفير عدد عشوائي من الإدخالات المطلوبة إلى نقطة نهاية دفعية تحتوي على توزيع نموذج أو توزيع البنية الأساسية لبرنامج ربط العمليات التجارية.

لنشر نموذج، يمكنك استخدام input كطريقة أقصر لتحديد موقع بيانات الإدخال للتوزيع، نظرا لأن نشر النموذج يأخذ دائما إدخال بيانات واحدا فقط.

invoke استدعاء الأسلوب ، باستخدام inputs لتحديد المدخلات المطلوبة:
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": input,
    }
)
```
قم بتبسيط invoke الاستدعاء لتوزيع نموذج بشكل أكبر، باستخدام input لتحديد الموقع لبيانات الإدخال:
```
job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   input=input,
)
```
Request
```
POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
```

إنشاء وظائف باستخدام مدخلات حرفية

يمكن أن تأخذ عمليات نشر مكونات البنية الأساسية لبرنامج ربط العمليات التجارية مدخلات حرفية. يوضح المثال التالي كيفية تحديد إدخال يسمى score_mode، من النوع string، بقيمة append:

ضع مدخلاتك في YAML ملف واستخدمها --file لتحديد المدخلات التي تحتاجها لاستدعاء نقطة النهاية.

inputs.yml

inputs:
  score_mode:
    type: string
    default: append

az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml

يمكنك أيضا استخدام الوسيطة --set لتحديد القيمة. ومع ذلك، فإنه يميل إلى إنتاج أوامر طويلة عند تحديد إدخالات متعددة:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.score_mode.type="string" inputs.score_mode.default="append"

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, 
    inputs = { 
        'score_mode': Input(type="string", default="append")
        }
)

نص الرسالة

{
    "properties": {
        "InputData": {
            "score_mode": {
                "JobInputType" : "Literal",
                "Value": "append"
            }
        }
    }
}

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

إنشاء وظائف باستخدام مخرجات البيانات

يوضح المثال التالي كيفية تغيير الموقع حيث يتم وضع الإخراج المسمى score . للاكتمال، تقوم هذه الأمثلة أيضا بتكوين إدخال يسمى heart_dataset.

استخدم مخزن البيانات الافتراضي في مساحة عمل Azure التعلم الآلي لحفظ المخرجات. يمكنك استخدام أي مخزن بيانات آخر في مساحة العمل الخاصة بك طالما أنه حساب تخزين كائن ثنائي كبير الحجم.
```
DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
```
إشعار

سيبدو معرف مخازن البيانات مثل /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>.
```
default_ds = ml_client.datastores.get_default()
```
استخدم Azure التعلم الآلي CLI أو Azure التعلم الآلي SDK ل Python أو Studio للحصول على معلومات مخزن البيانات.

إنشاء إخراج بيانات:

DATA_PATH="batch-jobs/my-unique-path"
OUTPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"

للاكتمال، قم أيضا بإنشاء إدخال بيانات:

INPUT_PATH="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

data_path = "batch-jobs/my-unique-path"
output = Output(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})

للاكتمال، دعنا ننشئ أيضا إدخال بيانات:

input="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"

نص الرسالة

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "OutputData": {
            "score": {
                "JobOutputType" : "UriFile",
                "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
            }
        }
    }
}

إشعار

راجع كيفية إلحاق المسار paths بمعرف المورد لمخزن البيانات للإشارة إلى أن ما يلي هو مسار داخله.

تشغيل النشر:

استخدم الوسيطة --set لتحديد الإدخال:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.heart_dataset.path=$INPUT_PATH \
    --set outputs.score.path=$OUTPUT_PATH

job = ml_client.batch_endpoints.invoke(
   endpoint_name=endpoint.name,
   inputs={ "heart_dataset": input },
   outputs={ "score": output }
)

Request

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

مشاركة عبر

إنشاء الوظائف وبيانات الإدخال لنقاط نهاية الدفعة

قبل استدعاء نقطة نهاية

إنشاء أساسيات الوظائف

استدعاء توزيع معين

تكوين خصائص المهمة

تكوين اسم التجربة

فهم المدخلات والمخرجات

مدخلات البيانات

إدخالات القيمة الحرفية

مخرجات البيانات

إنشاء وظائف باستخدام مدخلات البيانات

إدخال البيانات من أصل بيانات

إدخال البيانات من مخازن البيانات

إدخال البيانات من حسابات تخزين Azure

إنشاء وظائف باستخدام مدخلات حرفية

إنشاء وظائف باستخدام مخرجات البيانات

الخطوات التالية

الموارد الإضافية