Testen verwalteter Onlineendpunkte

  • 5 Minuten

Nachdem Sie einen Echtzeitdienst bereitgestellt haben, können Sie ihn von Clientanwendungen aus verwenden, um Bezeichnungen für neue Datenfälle vorherzusagen.

Verwenden von Azure Machine Learning Studio

Sie können alle Endpunkte im Azure Machine Learning Studio auflisten, indem Sie zur Seite Endpunkte navigieren. Auf der Registerkarte Echtzeitendpunkte werden alle Endpunkte angezeigt.

Sie können einen Endpunkt auswählen, um seine Details und Bereitstellungsprotokolle zu überprüfen.

Darüber hinaus können Sie das Studio verwenden, um den Endpunkt zu testen.

Diagram showing different hyperparameter values resulting in different models by performing hyperparameter tuning.

Verwenden des Python-SDK für Azure Machine Learning

Zum Testen können Sie auch das Python-SDK für Azure Machine Learning verwenden, um einen Endpunkt aufzurufen.

In der Regel senden Sie Daten im JSON-Format mit der folgenden Struktur an das bereitgestellte Modell:

{
  "data":[
      [0.1,2.3,4.1,2.0], // 1st case
      [0.2,1.8,3.9,2.1],  // 2nd case,
      ...
  ]
}

Die Antwort des bereitgestellten Modells ist eine JSON-Sammlung mit einer Vorhersage für jeden Fall, der in den Daten übermittelt wurde. Im folgenden Codebeispiel wird ein Endpunkt aufgerufen und die Antwort angezeigt:

# test the blue deployment with some sample data
response = ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name="blue",
    request_file="sample-data.json",
)

if response[1]=='1':
    print("Yes")
else:
    print ("No")