Megosztás a következőn keresztül:

Üzembe helyezett webszolgáltatás frissítése (v1)

  • Cikk

ÉRVÉNYES:Azure CLI ml-bővítmény v1Python SDK azureml v1

Ebből a cikkből megtudhatja, hogyan frissíthet egy Azure Machine Learningben üzembe helyezett webszolgáltatást.

Előfeltételek

  • Ez a cikk feltételezi, hogy már üzembe helyezett egy webszolgáltatást az Azure Machine Learningben. Ha meg kell tanulnia, hogyan helyezhet üzembe webszolgáltatást, kövesse az alábbi lépéseket.

  • A jelen cikkben szereplő kódrészletek feltételezik, hogy a ws változó már inicializálva lett a munkaterületen a Workflow() konstruktor használatával, vagy egy mentett konfiguráció betöltése Workspace.from_config() használatával. Az alábbi kódrészlet bemutatja a konstruktor használatát:

    A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1

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

Fontos

A cikkben szereplő Azure CLI-parancsok némelyike az azure-cli-mlAzure Machine Learning bővítményét vagy v1-et használja. A v1-bővítmény támogatása 2025. szeptember 30-án megszűnik. Addig a dátumig telepítheti és használhatja a v1-bővítményt.

Javasoljuk, hogy 2025. szeptember 30-a előtt váltsa át a ml(vagy v2) bővítményt. További információ a v2-es bővítményről: Azure ML CLI-bővítmény és Python SDK v2.

Webszolgáltatás frissítése

Webszolgáltatás frissítéséhez használja a metódust update . A webszolgáltatást frissítheti egy új modell, egy új bejegyzésszkript vagy egy következtetési konfigurációban megadható új függőségek használatára. További információkért tekintse meg a Webservice.update dokumentációját.

Lásd az AKS szolgáltatásfrissítési módszerét.

Lásd: ACI szolgáltatásfrissítési módszer.

Fontos

A modell új verziójának létrehozásakor manuálisan kell frissítenie a használni kívánt összes szolgáltatást.

Az SDK nem használható az Azure Machine Learning designer által közzétett webszolgáltatás frissítésére.

Fontos

Az Azure Kubernetes Service a Blobfuse FlexVolume illesztőprogramot használja az =1.16-os és <a Blob CSI-illesztőhöz az =1.17 verzióhoz>.

Ezért fontos, hogy a fürtfrissítés után újra üzembe helyezze vagy frissítse a webszolgáltatást annak érdekében, hogy a fürt verziójához megfelelő blobfuse metódust telepítsen.

Feljegyzés

Ha egy művelet már folyamatban van, ugyanazon a webszolgáltatáson lévő új műveletek 409 ütközési hibával válaszolnak. Ha például a webszolgáltatás létrehozása vagy frissítése folyamatban van, és ha új törlési műveletet indít el, az hibát jelez.

Az SDK használata

Az alábbi kód bemutatja, hogyan frissítheti az SDK-t egy webszolgáltatás modelljének, környezetének és belépési szkriptjének frissítéséhez:

A KÖVETKEZŐKRE VONATKOZIK: 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())

A parancssori felület használata

A webszolgáltatást az ML CLI használatával is frissítheti. Az alábbi példa egy új modell regisztrálását, majd egy webszolgáltatás frissítését mutatja be az új modell használatára:

A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény 1-es verzió 

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

Tipp.

Ebben a példában egy JSON-dokumentum segítségével továbbítja a modellinformációkat a regisztrációs parancsból a frissítési parancsba.

Ha frissíteni szeretné a szolgáltatást egy új bejegyzésszkript vagy környezet használatára, hozzon létre egy következtetési konfigurációs fájlt , és adja meg a ic paraméterrel.

További információ: az ml service update dokumentációja.

Következő lépések