تحليل النموذج الخاص بك لتحديد استخدام الموارد

ينطبق على:Azure CLI امتداد ML v1Python SDK azureml v1

هام

توفر هذه المقالة معلومات حول استخدام حزمة تطوير البرمجيات (SDK) للعبة Azure Machine Learning v1. تم إهمال SDK v1 اعتبارا من 31 مارس 2025. سينتهي الدعم المقدم له في 30 يونيو 2026. يمكنك تثبيت واستخدام SDK v1 حتى ذلك التاريخ. ستستمر مهام سير العمل الحالية باستخدام SDK v1 في العمل بعد تاريخ انتهاء الدعم. ومع ذلك ، يمكن أن يتعرضوا لمخاطر أمنية أو تغييرات كسر في حالة حدوث تغييرات معمارية في المنتج.

نوصي بالانتقال إلى SDK v2 قبل 30 يونيو 2026. لمزيد من المعلومات حول SDK v2، راجع ما هو مستوى Azure Machine Learning وSDK Python v2? ومرجع SDK v2.

توضح هذه المقالة كيفية تعريف التعلم الآلي للنموذج لتحديد مقدار وحدة المعالجة المركزية والذاكرة التي تحتاج إلى تخصيصها للنموذج عند نشره كخدمة ويب.

هام

تنطبق هذه المقالة على CLI v1 وSDK v1. تقنية جمع المعلومات هذه غير متوفرة للإصدار 2 من CLI أو SDK.

هام

بعض أوامر Azure CLI في هذا المقال تستخدم الامتداد azure-cli-ml أو v1 ل Azure Machine Learning. انتهى دعم CLI v1 في 30 سبتمبر 2025. لن توفر Microsoft الدعم الفني أو التحديثات لهذه الخدمة بعد الآن. ستستمر مهام سير العمل الحالية باستخدام CLI v1 في العمل بعد تاريخ انتهاء الدعم. ومع ذلك ، يمكن أن يتعرضوا لمخاطر أمنية أو تغييرات كسر في حالة حدوث تغييرات معمارية في المنتج.

ننصحك بالانتقال إلى mlالملحق ، أو الإصدار 2 ، في أقرب وقت ممكن. لمزيد من المعلومات حول الامتداد v2، راجع Azure Machine Learning امتداد CLI و Python SDK v2.

المتطلبات الأساسية

تفترض هذه المقالة أنك تدرب وتسجل نموذجا مع Azure Machine Learning. انظر إلى sample tutorial هنا كمثال على تدريب وتسجيل نموذج scikit-learn باستخدام Azure Machine Learning.

القيود

  • لا يعمل الملف الشخصي عندما يكون Azure Container Registry (ACR) لمساحة العمل خلف شبكة افتراضية.

تشغيل محلل ملفات التعريف

بمجرد تسجيل النموذج الخاص بك وإعداد المكونات الأخرى اللازمة لنشره، يمكنك تحديد وحدة المعالجة المركزية والذاكرة التي تحتاجها الخدمة الموزعة. يختبر جمع المعلومات الخدمة التي تقوم بتشغيل النموذج الخاص بك ويعيد معلومات مثل استخدام CPU واستخدام الذاكرة وزمن انتقال الاستجابة. كما يوفر توصية لـ CPU والذاكرة استنادًا إلى استخدام الموارد.

من أجل ملف تعريف النموذج الخاص بك، تحتاج إلى:

  • إحدى النماذج المسجلة.
  • تكوين الاستدلال استنادًا إلى برنامج الإدخال النصي وتعريف بيئة الاستدلال.
  • مجموعة بيانات جدولية لعمود واحد، حيث يحتوي كل صف على سلسلة تمثل نموذج بيانات الطلب.

هام

يدعم Azure Machine Learning فقط تحليل الخدمات التي تتوقع أن تكون بيانات طلبها نصية، مثل: JSON متسلسل بالسلاسل، نص، صورة متسلسلة بالسلاسل، إلخ. يتم وضع محتوى كل صف من مجموعة البيانات (السلسلة) في جسم طلب HTTP ويرسل إلى الخدمة التي تغلف النموذج لتسجيل النقاط.

هام

نحن ندعم جمع معلومات إلى ما يصل إلى 2 CPUs فقط في منطقة ChinaEast2 وUSGovArizona.

فيما يلي مثال على كيفية إنشاء مجموعة بيانات إدخال لملف تعريف خدمة تتوقع أن تحتوي بيانات الطلب الواردة الخاصة بها على json متسلسل. في هذه الحالة، أنشأنا إلى 100 مثيل يستند إلى مجموعة البيانات لنفس محتوى بيانات الطلب. في سيناريوهات العالم الحقيقي، نقترح عليك استخدام مجموعات بيانات أكبر تحتوي على مدخلات مختلفة، خاصة إذا كان استخدام/سلوك مورد النموذج الخاص بك يعتمد على الإدخال.

ينطبق على:Azure Machine Learning SDK v1 ل Python

import json
from azureml.core import Datastore
from azureml.core.dataset import Dataset
from azureml.data import dataset_type_definitions

input_json = {'data': [[1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                       [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]]}
# create a string that can be utf-8 encoded and
# put in the body of the request
serialized_input_json = json.dumps(input_json)
dataset_content = []
for i in range(100):
    dataset_content.append(serialized_input_json)
dataset_content = '\n'.join(dataset_content)
file_name = 'sample_request_data.txt'
f = open(file_name, 'w')
f.write(dataset_content)
f.close()

# upload the txt file created above to the Datastore and create a dataset from it
data_store = Datastore.get_default(ws)
data_store.upload_files(['./' + file_name], target_path='sample_request_data')
datastore_path = [(data_store, 'sample_request_data' +'/' + file_name)]
sample_request_data = Dataset.Tabular.from_delimited_files(
    datastore_path, separator='\n',
    infer_column_types=True,
    header=dataset_type_definitions.PromoteHeadersBehavior.NO_HEADERS)
sample_request_data = sample_request_data.register(workspace=ws,
                                                   name='sample_request_data',
                                                   create_new_version=True)

بمجرد أن يكون لديك مجموعة البيانات التي تحتوي على نموذج بيانات الطلب جاهزة، قم بإنشاء تكوين استدلال. يستند تكوين الاستدلال إلى score.py وتعريف البيئة. يوضح المثال التالي كيفية إنشاء تكوين الاستدلال وتشغيل جمع المعلومات:

from azureml.core.model import InferenceConfig, Model
from azureml.core.dataset import Dataset


model = Model(ws, id=model_id)
inference_config = InferenceConfig(entry_script='path-to-score.py',
                                   environment=myenv)
input_dataset = Dataset.get_by_name(workspace=ws, name='sample_request_data')
profile = Model.profile(ws,
            'unique_name',
            [model],
            inference_config,
            input_dataset=input_dataset)

profile.wait_for_completion(True)

# see the result
details = profile.get_details()

ينطبق على:Azure CLI امتداد ML v1

يوضح الأمر التالي كيفية تحليل نموذج باستخدام CLI:

az ml model profile -g <resource-group-name> -w <workspace-name> --inference-config-file <path-to-inf-config.json> -m <model-id> --idi <input-dataset-id> -n <unique-name>

تلميح

لاستمرار المعلومات التي تم إرجاعها عن طريق جمع المعلومات، استخدم العلامات أو الخصائص للنموذج. يؤدي استخدام العلامات أو الخصائص إلى تخزين البيانات مع النموذج في سجل النموذج. توضح الأمثلة التالية إضافة علامة جديدة تحتوي على معلومات requestedCpu وrequestedMemoryInGb:

model.add_tags({'requestedCpu': details['requestedCpu'],
                'requestedMemoryInGb': details['requestedMemoryInGb']})

az ml model profile -g <resource-group-name> -w <workspace-name> --i <model-id> --add-tag requestedCpu=1 --add-tag requestedMemoryInGb=0.5

الخطوات التالية

  • Last updated on