Share via

Üzembe helyezett webszolgáltatás frissítése (v1)

  • Cikk

A KÖVETKEZŐKRE VONATKOZIK:Azure CLI ml-bővítmény v1Python SDK azureml v1

Ebből a cikkből megtudhatja, hogyan frissítheti az Azure Machine Learning szolgáltatással üzembe helyezett webszolgáltatást.

Előfeltételek

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

  • A 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 Machine Learning bővítményét azure-cli-mlvagy 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. előtt váltsa át a ml( vagy v2) bővítményt. A v2-es bővítménnyel kapcsolatos további információkért lásd: Azure ML CLI-bővítmény és Python SDK v2.

Webszolgáltatás frissítése

Webszolgáltatás frissítéséhez használja a metódust update . Frissítheti a webszolgáltatást, hogy egy új modellt, egy új bejegyzési szkriptet vagy egy következtetési konfigurációban megadható új függőségeket használjon. További információt a Webservice.update dokumentációjában talál.

Lásd: AKS-szolgáltatásfrissítési módszer.

Lásd: ACI-szolgáltatásfrissítési módszer.

Fontos

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

Az SDK-val nem frissítheti az Azure Machine Learning-tervezőből közzétett webszolgáltatást.

Fontos

Azure Kubernetes Service a Blobfuse FlexVolume illesztőt használja az =1.16 és <a Blob CSI illesztőprogramot az =1.17 verziókhoz>.

Ezért fontos, hogy a fürtfrissítés után újra üzembe helyezze vagy frissítse a webszolgáltatást, hogy a fürtverzióhoz tartozó blobfuse metódus megfelelő legyen.

Megjegyzés

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

Az SDK használata

Az alábbi kód bemutatja, hogyan frissítheti egy webszolgáltatás modelljét, környezetét és bejegyzési szkriptjét az SDK használatával:

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

Webszolgáltatást az ML CLI használatával is frissíthet. Az alábbi példa bemutatja, hogyan regisztrálhat egy új modellt, majd frissíthet egy webszolgáltatást az új modell használatára:

A KÖVETKEZŐKRE VONATKOZIK:Azure CLI ml-bővítmény v1

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 modelladatokat 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 információkért tekintse meg az az ml service update dokumentációját.

Következő lépések