Pontozószkript hibakeresése az Azure Machine Tanulás következtetési HTTP-kiszolgálóval

Cikk
10/18/2023

Az Azure Machine Tanulás következtetési HTTP-kiszolgáló egy Python-csomag, amely a pontozási függvényt HTTP-végpontként teszi elérhetővé, és a Flask-kiszolgáló kódját és függőségeit egy egyedi csomagba csomagolja. Ez szerepel az előre összeállított Docker-rendszerképekben a modell Azure Machine-Tanulás való üzembe helyezésekor használt következtetés érdekében. Ha egyedül használja a csomagot, helyileg üzembe helyezheti a modellt éles környezetben, és a pontozási (belépési) szkriptet is egyszerűen érvényesítheti egy helyi fejlesztési környezetben. Ha probléma van a pontozási szkripttel, a kiszolgáló hibát ad vissza, és azt a helyet, ahol a hiba történt.

A kiszolgáló használható érvényesítési kapuk létrehozására is egy folyamatos integrációs és üzembehelyezési folyamatban. Elindíthatja például a kiszolgálót a jelölt szkripttel, és futtathatja a tesztcsomagot a helyi végponton.

Ez a cikk elsősorban azokat a felhasználókat célozza meg, akik a következtetési kiszolgálót szeretnék helyi hibakeresésre használni, de segít megérteni, hogyan használhatja a következtetési kiszolgálót online végpontokkal.

Online végpont helyi hibakeresése

A végpontok helyi hibakeresése a felhőben való üzembe helyezés előtt segíthet a kódban és a konfigurációban korábban felmerülő hibák elhárításában. A végpontok helyi hibakereséséhez a következőket használhatja:

az Azure Machine Tanulás következtetési HTTP-kiszolgáló
helyi végpont

Ez a cikk az Azure Machine Tanulás következtetési HTTP-kiszolgálóval foglalkozik.

Az alábbi táblázat áttekintést nyújt azokról a forgatókönyvekről, amelyek segítenek kiválasztani, hogy mi működik a legjobban az Ön számára.

Eset	Következtetés HTTP-kiszolgáló	Helyi végpont
Helyi Python-környezet frissítése Docker-rendszerkép újraépítése nélkül	Igen	Nem
Pontozási szkript frissítése	Igen	Igen
Üzembehelyezési konfigurációk frissítése (üzembe helyezés, környezet, kód, modell)	Nem	Igen
VS Code Debugger integrálása	Igen	Igen

A következtetési HTTP-kiszolgáló helyi futtatásával a pontozószkript hibakeresésére összpontosíthat anélkül, hogy az üzembe helyezési tároló konfigurációi befolyásolják.

Előfeltételek

Szükséges: Python >=3.8
Anaconda

Tipp.

Az Azure Machine Tanulás következtetési HTTP-kiszolgáló Windows- és Linux-alapú operációs rendszereken fut.

Telepítés

Feljegyzés

A csomagütközések elkerülése érdekében telepítse a kiszolgálót egy virtuális környezetben.

A azureml-inference-server-http packagetelepítéshez futtassa a következő parancsot a parancsmagban/terminálban:

python -m pip install azureml-inference-server-http

A pontozási szkript helyi hibakeresése

A pontozási szkript helyi hibakereséséhez tesztelheti, hogy a kiszolgáló hogyan viselkedik egy hamis pontozási szkripttel, a VS Code használatával hibakeresést végezhet az azureml-inference-server-http csomaggal, vagy tesztelheti a kiszolgálót egy tényleges pontozási szkripttel, modellfájllal és környezeti fájllal a példánk adattárából.

A kiszolgáló viselkedésének tesztelése hamis pontozási szkripttel

Hozzon létre egy könyvtárat a fájlok tárolásához:
```
mkdir server_quickstart
cd server_quickstart
```
A csomagütközések elkerülése érdekében hozzon létre egy virtuális környezetet, és aktiválja azt:
```
python -m venv myenv
source myenv/bin/activate
```
Tipp.

A tesztelés után futtassa deactivate a Python virtuális környezet inaktiválásához.
Telepítse a csomagot a azureml-inference-server-httppypi-hírcsatornából :
```
python -m pip install azureml-inference-server-http
```

Hozza létre a belépési szkriptet (score.py). Az alábbi példa egy alapszintű bejegyzésszkriptet hoz létre:

echo '
import time

def init():
    time.sleep(1)

def run(input_data):
    return {"message":"Hello, World!"}
' > score.py

Indítsa el a kiszolgálót (azmlinfsrv), és állítsa be score.py belépési szkriptként:
```
azmlinfsrv --entry_script score.py
```
Feljegyzés

A kiszolgáló a 0.0.0.0-s rendszeren üzemel, ami azt jelenti, hogy az üzemeltető gép összes IP-címét figyeli.
Pontozási kérés küldése a kiszolgálónak a következő használatával curl:
```
curl -p 127.0.0.1:5001/score
```
A kiszolgálónak így kell válaszolnia.
```
{"message": "Hello, World!"}
```

A tesztelés után leállíthatja Ctrl + C a kiszolgálót. Most módosíthatja a pontozási szkriptet (score.py), és tesztelheti a módosításokat a kiszolgáló újra futtatásával (azmlinfsrv --entry_script score.py).

Integrálás a Visual Studio Code-tal

A Visual Studio Code (VS Code) és a Python-bővítmény használatával kétféleképpen lehet hibakeresést végezni az azureml-inference-server-http csomaggal (Indítási és csatolási módok).

Indítási mód: állítsa be a VS Code-ban, launch.json és indítsa el az Azure Machine Tanulás következtetési HTTP-kiszolgálót a VS Code-ban.
1. Indítsa el a VS Code-ot, és nyissa meg a szkriptet (score.py) tartalmazó mappát.
2. Adja hozzá a következő konfigurációt launch.json az adott munkaterülethez a VS Code-ban:
  
  launch.json
```
{
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Debug score.py",
            "type": "python",
            "request": "launch",
            "module": "azureml_inference_server_http.amlserver",
            "args": [
                "--entry_script",
                "score.py"
            ]
        }
    ]
}
```
3. Kezdje el a hibakeresési munkamenetet a VS Code-ban. Válassza a "Futtatás" –> "Hibakeresés indítása" (vagy F5) lehetőséget.
Csatolási mód: indítsa el az Azure Machine Tanulás következtetési HTTP-kiszolgálót egy parancssorban, és a VS Code + Python-bővítmény használatával csatolja a folyamatot.

Feljegyzés

Linux-környezet használata esetén először telepítse a csomagot a gdb futtatással sudo apt-get install -y gdb.
1. Adja hozzá a következő konfigurációt launch.json az adott munkaterülethez a VS Code-ban:
  
  launch.json
```
{
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Python: Attach using Process Id",
            "type": "python",
            "request": "attach",
            "processId": "${command:pickProcess}",
            "justMyCode": true
        },
    ]
}
```
2. Indítsa el a következtetési kiszolgálót a parancssori felülettel (azmlinfsrv --entry_script score.py).
3. Kezdje el a hibakeresési munkamenetet a VS Code-ban.
  1. A VS Code-ban válassza a "Futtatás" –> "Hibakeresés indítása" (vagy F5) lehetőséget.
  2. Adja meg a parancssori azmlinfsrv felületen megjelenített naplók (nem a gunicorn) folyamatazonosítóját.
  Feljegyzés
  
  Ha a folyamatválasztó nem jelenik meg, manuálisan adja meg a folyamatazonosítót a processIdlaunch.jsonmező mezőjében.

Mindkét módon lépésről lépésre beállíthatja a töréspontot és a hibakeresést.

Végpontok közötti példa

Ebben a szakaszban helyileg futtatjuk a kiszolgálót mintafájlokkal (pontozási szkript, modellfájl és környezet) a példaadattárban. A mintafájlokat a gépi tanulási modell online végpont használatával történő üzembe helyezéséhez és pontozásához is használjuk

Klónozza a mintaadattárat.

git clone --depth 1 https://github.com/Azure/azureml-examples
cd azureml-examples/cli/endpoints/online/model-1/

Virtuális környezet létrehozása és aktiválása a Condával. Ebben a példában conda.yml a azureml-inference-server-http csomag automatikusan telepítve van, mert az a csomag függő kódtáraként szerepel az azureml-defaults alábbiak szerint.
```
# Create the environment from the YAML file
conda env create --name model-env -f ./environment/conda.yml
# Activate the new environment
conda activate model-env
```

Tekintse át a pontozási szkriptet.

onlinescoring/score.py

import os
import logging
import json
import numpy
import joblib


def init():
    """
    This function is called when the container is initialized/started, typically after create/update of the deployment.
    You can write the logic here to perform init operations like caching the model in memory
    """
    global model
    # AZUREML_MODEL_DIR is an environment variable created during deployment.
    # It is the path to the model folder (./azureml-models/$MODEL_NAME/$VERSION)
    # Please provide your model's folder name if there is one
    model_path = os.path.join(
        os.getenv("AZUREML_MODEL_DIR"), "model/sklearn_regression_model.pkl"
    )
    # deserialize the model file back into a sklearn model
    model = joblib.load(model_path)
    logging.info("Init complete")


def run(raw_data):
    """
    This function is called for every invocation of the endpoint to perform the actual scoring/prediction.
    In the example we extract the data from the json input and call the scikit-learn model's predict()
    method and return the result back
    """
    logging.info("model 1: request received")
    data = json.loads(raw_data)["data"]
    data = numpy.array(data)
    result = model.predict(data)
    logging.info("Request processed")
    return result.tolist()

Futtassa a következtetési kiszolgálót a pontozószkript és a modellfájl megadásával. A megadott modellkönyvtár (model_dir paraméter) változóként AZUREML_MODEL_DIR lesz definiálva, és lekéri a pontozási szkriptben. Ebben az esetben az aktuális könyvtárat (./) adhatja meg, mivel az alkönyvtár a pontozó szkriptben a következőként model/sklearn_regression_model.pklvan megadva: .
```
azmlinfsrv --entry_script ./onlinescoring/score.py --model_dir ./
```
A példa indítási naplója akkor jelenik meg, ha a kiszolgáló sikeresen elindult, és a pontozási szkript sikeresen meg van hívva. Ellenkező esetben hibaüzenetek jelennek meg a naplóban.
Tesztelje a pontozási szkriptet mintaadatokkal. Nyisson meg egy másik terminált, és lépjen ugyanarra a munkakönyvtárra a parancs futtatásához. curl A parancs használatával küldjön egy példakérést a kiszolgálónak, és kap egy pontozási eredményt.
```
curl --request POST "127.0.0.1:5001/score" --header "Content-Type:application/json" --data @sample-request.json
```
A pontozási eredmény akkor lesz visszaadva, ha nincs probléma a pontozószkriptben. Ha hibát talál, megpróbálhatja frissíteni a pontozási szkriptet, és újra elindíthatja a kiszolgálót a frissített szkript teszteléséhez.

Kiszolgálói útvonalak

A kiszolgáló az 5001-es portot figyeli (alapértelmezés szerint) ezeken az útvonalakon.

Név	Útvonal
Élőség-mintavétel	127.0.0.1:5001/
Pontszám	127.0.0.1:5001/score
OpenAPI (swagger)	127.0.0.1:5001/swagger.json

Kiszolgálóparaméterek

Az alábbi táblázat a kiszolgáló által elfogadott paramétereket tartalmazza:

Paraméter	Kötelező	Alapértelmezett	Leírás
entry_script	Igaz	n/a	A pontozó szkript relatív vagy abszolút elérési útja.
model_dir	Hamis	n/a	A következtetéshez használt modellt tartalmazó könyvtár relatív vagy abszolút elérési útja.
kikötő	Hamis	5001	A kiszolgáló kiszolgálói portja.
worker_count	Hamis	0	Az egyidejű kéréseket feldolgozó munkaszálak száma.
appinsights_instrumentation_key	Hamis	n/a	Az alkalmazáselemzések eszközkulcsa, ahol a naplók közzé lesznek téve.
access_control_allow_origins	Hamis	n/a	Engedélyezze a CORS-t a megadott forrásokhoz. Több forrás elkülönítése a "," betűvel. Példa: "microsoft.com, bing.com"

Kérelemfolyamat

Az alábbi lépések bemutatják, hogyan kezeli az Azure Machine Tanulás következtetési HTTP-kiszolgáló (azmlinfsrv) a bejövő kéréseket:

A Python CLI-burkoló a kiszolgáló hálózati veremén helyezkedik el, és a kiszolgáló elindítására szolgál.
Az ügyfél kérést küld a kiszolgálónak.
Amikor egy kérés érkezik, az áthalad a WSGI-kiszolgálón , majd elküldi az egyik feldolgozónak.
- A Gunicorn Linuxon használható.
- A pincérnőt Windows rendszeren használják.
A kéréseket ezután egy Flask-alkalmazás kezeli, amely betölti a bejegyzésszkriptet és a függőségeket.
Végül a rendszer elküldi a kérést a belépési szkriptnek. A belépési szkript ezután következtetési hívást indít a betöltött modellre, és választ ad vissza.

A HTTP-kiszolgáló folyamatának diagramja.

A naplók ismertetése

Itt az Azure Machine Tanulás következtetési HTTP-kiszolgáló naplóit ismertetjük. A naplót lekérheti a helyi futtatáskor, vagy lekérheti a azureml-inference-server-http tárolónaplókat, ha online végpontokat használ.

Feljegyzés

A naplózási formátum a 0.8.0-s verzió óta megváltozott. Ha eltérő stílusban találja a naplót, frissítse a csomagot a azureml-inference-server-http legújabb verzióra.

Tipp.

Ha online végpontokat használ, a következtetési kiszolgáló naplója a következővel Azure Machine Learning Inferencing HTTP server <version>kezdődik: .

Indítási naplók

A kiszolgáló indításakor a naplók először a következő módon jelenítik meg a kiszolgáló beállításait:

Azure Machine Learning Inferencing HTTP server <version>


Server Settings
---------------
Entry Script Name: <entry_script>
Model Directory: <model_dir>
Worker Count: <worker_count>
Worker Timeout (seconds): None
Server Port: <port>
Application Insights Enabled: false
Application Insights Key: <appinsights_instrumentation_key>
Inferencing HTTP server version: azmlinfsrv/<version>
CORS for the specified origins: <access_control_allow_origins>


Server Routes
---------------
Liveness Probe: GET   127.0.0.1:<port>/
Score:          POST  127.0.0.1:<port>/score

<logs>

A kiszolgáló indításakor például a végpontok közötti példát követve:

Azure Machine Learning Inferencing HTTP server v0.8.0


Server Settings
---------------
Entry Script Name: /home/user-name/azureml-examples/cli/endpoints/online/model-1/onlinescoring/score.py
Model Directory: ./
Worker Count: 1
Worker Timeout (seconds): None
Server Port: 5001
Application Insights Enabled: false
Application Insights Key: None
Inferencing HTTP server version: azmlinfsrv/0.8.0
CORS for the specified origins: None


Server Routes
---------------
Liveness Probe: GET   127.0.0.1:5001/
Score:          POST  127.0.0.1:5001/score

2022-12-24 07:37:53,318 I [32726] gunicorn.error - Starting gunicorn 20.1.0
2022-12-24 07:37:53,319 I [32726] gunicorn.error - Listening at: http://0.0.0.0:5001 (32726)
2022-12-24 07:37:53,319 I [32726] gunicorn.error - Using worker: sync
2022-12-24 07:37:53,322 I [32756] gunicorn.error - Booting worker with pid: 32756
Initializing logger
2022-12-24 07:37:53,779 I [32756] azmlinfsrv - Starting up app insights client
2022-12-24 07:37:54,518 I [32756] azmlinfsrv.user_script - Found user script at /home/user-name/azureml-examples/cli/endpoints/online/model-1/onlinescoring/score.py
2022-12-24 07:37:54,518 I [32756] azmlinfsrv.user_script - run() is not decorated. Server will invoke it with the input in JSON string.
2022-12-24 07:37:54,518 I [32756] azmlinfsrv.user_script - Invoking user's init function
2022-12-24 07:37:55,974 I [32756] azmlinfsrv.user_script - Users's init has completed successfully
2022-12-24 07:37:55,976 I [32756] azmlinfsrv.swagger - Swaggers are prepared for the following versions: [2, 3, 3.1].
2022-12-24 07:37:55,977 I [32756] azmlinfsrv - AML_FLASK_ONE_COMPATIBILITY is set, but patching is not necessary.

Naplóformátum

A következtetési kiszolgáló naplói a következő formátumban jönnek létre, kivéve a indítószkripteket, mivel nem részei a Python-csomagnak:

<UTC Time> | <level> [<pid>] <logger name> - <message>

Itt <pid> van a folyamat azonosítója, és <level> a naplózási szint első karaktere – E for ERROR, I for INFO stb.

A Pythonban hat szint van naplózásra, a súlyossághoz kapcsolódó számokkal:

Naplózási szint	Számérték
KRITIKUS	50
Hiba	40
FIGYELMEZTETÉS	30
INFO	20
HIBAKERESÉS	10
NEM Standard kiadás T	0

Hibaelhárítási útmutató

Ebben a szakaszban alapvető hibaelhárítási tippeket adunk az Azure Machine Tanulás következtetési HTTP-kiszolgálóhoz. Ha online végpontok hibaelhárítását szeretné elvégezni, tekintse meg az online végpontok üzembe helyezésének hibaelhárítását is

Alapszintű lépések

A hibaelhárítás alapvető lépései a következők:

Verzióinformációk gyűjtése a Python-környezethez.
Győződjön meg arról, hogy a környezeti fájlban megadott azureml-inference-server-http python csomagverzió megegyezik az indítási naplóban megjelenített AzureML-következtetési HTTP-kiszolgáló verziójával. Előfordulhat, hogy a Pip függőségfeloldója a telepített csomagok váratlan verzióihoz vezet.
Ha a Flaskot (és annak függőségeit) adja meg a környezetében, távolítsa el őket. A függőségek közé tartoznak a Flaskkövetkezők: , Jinja2, itsdangerous, WerkzeugMarkupSafe, és click. A Flask függőségként szerepel a kiszolgálócsomagban, és a legjobb, ha engedélyezi a kiszolgáló telepítését. Így amikor a kiszolgáló támogatja a Flask új verzióit, automatikusan megkapja őket.

Kiszolgáló verziója

A kiszolgálócsomag azureml-inference-server-http közzé van téve a PyPI-ban. A változásnaplót és az összes korábbi verziót a PyPI oldalán találja. Frissítsen a legújabb verzióra, ha korábbi verziót használ.

0.4.x: A betanítási képekben ≤ 20220601 és a azureml-defaults>=1.34,<=1.43. 0.4.13 az utolsó stabil verzió. Ha a kiszolgálót a verzió 0.4.11előtt használja, előfordulhat, hogy a Flask függőségi problémái nem tudnak nevet Markup importálni.jinja2 Ha lehetséges, javasoljuk, hogy frissítsen 0.4.13 a legújabb verzióra vagy 0.8.x (a legújabb verzióra).
0.6.x: Az előre telepített verzió, amely a képek következtetésére ≤ 20220516. A legújabb stabil verzió a 0.6.1.
0.7.x: Az első verzió, amely támogatja a Flask 2-t. A legújabb stabil verzió a 0.7.7.
0.8.x: A naplóformátum megváltozott, és a Python 3.6 támogatása csökkent.

Csomagfüggőségek

A kiszolgáló azureml-inference-server-http legfontosabb csomagjai a következő csomagok:

Lombikot
opencensus-ext-azure
következtetési séma

Ha a Python-környezetben adta meg azureml-defaults , a azureml-inference-server-http csomag attól függ, és a rendszer automatikusan telepíti.

Tipp.

Ha Python SDK v1-et használ, és nem adja meg azureml-defaults explicit módon a Python-környezetben, az SDK hozzáadhatja Önnek a csomagot. Azonban zárolja az SDK azon verziójára, amelyen az SDK be van kapcsolva. Ha például az SDK-verzió, 1.38.0az hozzáadódik azureml-defaults==1.38.0 a környezet pipkövetelményeihez.

Gyakori kérdések

1. A kiszolgáló indításakor a következő hibát tapasztaltam:


TypeError: register() takes 3 positional arguments but 4 were given

  File "/var/azureml-server/aml_blueprint.py", line 251, in register

    super(AMLBlueprint, self).register(app, options, first_registration)

TypeError: register() takes 3 positional arguments but 4 were given

A Flask 2 telepítve van a Python-környezetben, de olyan verziót azureml-inference-server-http futtat, amely nem támogatja a Flask 2-t. A Flask 2 támogatása a következőben azureml-inference-server-http>=0.7.0azureml-defaults>=1.44található:

Ha ezt a csomagot nem AzureML docker-rendszerképben használja, használja a legújabb verziót azureml-inference-server-http vagy azureml-defaults.
Ha ezt a csomagot Egy AzureML docker-lemezképpel használja, győződjön meg arról, hogy 2022 júliusában vagy azt követően létrehozott rendszerképet használ. A rendszerkép verziója elérhető a tárolónaplókban. A következőhöz hasonló naplót kell találnia:
```
2022-08-22T17:05:02,147738763+00:00 | gunicorn/run | AzureML Container Runtime Information
2022-08-22T17:05:02,161963207+00:00 | gunicorn/run | ###############################################
2022-08-22T17:05:02,168970479+00:00 | gunicorn/run | 
2022-08-22T17:05:02,174364834+00:00 | gunicorn/run | 
2022-08-22T17:05:02,187280665+00:00 | gunicorn/run | AzureML image information: openmpi4.1.0-ubuntu20.04, Materializaton Build:20220708.v2
2022-08-22T17:05:02,188930082+00:00 | gunicorn/run | 
2022-08-22T17:05:02,190557998+00:00 | gunicorn/run | 
```
A rendszerkép buildelési dátuma a "Materialization Build" után jelenik meg, amely a fenti példában 202207082022. július 8. Ez a kép kompatibilis a Flask 2-vel. Ha nem jelenik meg ilyen szalagcím a tárolónaplóban, a rendszerkép elavult, ezért frissítenie kell. Ha CUDA-lemezképet használ, és nem talál újabb rendszerképet, ellenőrizze, hogy a rendszerkép elavult-e az AzureML-Containersben. Ha így van, akkor képesnek kell lennie a cserére.
Ha a kiszolgálót online végponttal használja, a naplókat az Azure Machine Tanulás Studio online végpontlapjának "Üzembe helyezési naplók" területén is megtalálhatja. Ha az SDK 1-es verziójával telepít, és nem ad meg explicit módon lemezképet az üzembe helyezési konfigurációban, akkor alapértelmezés szerint a helyi SDK-eszközkészletnek megfelelő verziót openmpi4.1.0-ubuntu20.04 kell használnia, amely lehet, hogy nem a rendszerkép legújabb verziója. Az SDK 1.43 alapértelmezés szerint openmpi4.1.0-ubuntu20.04:20220616nem kompatibilis. Győződjön meg arról, hogy a legújabb SDK-t használja az üzembe helyezéshez.
Ha valamilyen okból nem tudja frissíteni a lemezképet, ideiglenesen elkerülheti a problémát a rögzítéssel azureml-defaults==1.43 , vagy azureml-inference-server-http~=0.4.13, amely a régebbi verziókiszolgálót Flask 1.0.xtelepíti.

2. A következő üzenethez hasonlóan egy modulban vagy modulban, `MarkupSafejinja2`vagy `click` indításkor találkoztam `ImportErrorModuleNotFoundError`:`opencensus`

ImportError: cannot import name 'Markup' from 'jinja2'

A kiszolgáló régebbi verziói (<= 0.4.10) nem rögzítette a Flask függőségét a kompatibilis verziókhoz. Ezt a problémát a kiszolgáló legújabb verziójában kijavítottuk.

Következő lépések

A belépési szkriptek létrehozásával és a modellek üzembe helyezésével kapcsolatos további információkért lásd: Modell üzembe helyezése az Azure Machine Tanulás használatával.
További információ az előre összeállított docker-rendszerképekről a következtetéshez

Megosztás a következőn keresztül:

Pontozószkript hibakeresése az Azure Machine Tanulás következtetési HTTP-kiszolgálóval

Online végpont helyi hibakeresése

Előfeltételek

Telepítés

A pontozási szkript helyi hibakeresése

A kiszolgáló viselkedésének tesztelése hamis pontozási szkripttel

Integrálás a Visual Studio Code-tal

Végpontok közötti példa

Kiszolgálói útvonalak

Kiszolgálóparaméterek

Kérelemfolyamat

A naplók ismertetése

Indítási naplók

Naplóformátum

Hibaelhárítási útmutató

Alapszintű lépések

Kiszolgáló verziója

Csomagfüggőségek

Gyakori kérdések

1. A kiszolgáló indításakor a következő hibát tapasztaltam:

2. A következő üzenethez hasonlóan egy modulban vagy modulban, `MarkupSafejinja2`vagy `click` indításkor találkoztam `ImportErrorModuleNotFoundError`:`opencensus`

Következő lépések

További források

Megosztás a következőn keresztül:

Pontozószkript hibakeresése az Azure Machine Tanulás következtetési HTTP-kiszolgálóval

Online végpont helyi hibakeresése

Előfeltételek

Telepítés

A pontozási szkript helyi hibakeresése

A kiszolgáló viselkedésének tesztelése hamis pontozási szkripttel

Integrálás a Visual Studio Code-tal

Végpontok közötti példa

Kiszolgálói útvonalak

Kiszolgálóparaméterek

Kérelemfolyamat

A naplók ismertetése

Indítási naplók

Naplóformátum

Hibaelhárítási útmutató

Alapszintű lépések

Kiszolgáló verziója

Csomagfüggőségek

Gyakori kérdések

1. A kiszolgáló indításakor a következő hibát tapasztaltam:

2. A következő üzenethez hasonlóan egy modulban vagy modulban, MarkupSafejinja2vagy click indításkor találkoztam ImportErrorModuleNotFoundError:opencensus

Következő lépések

További források

2. A következő üzenethez hasonlóan egy modulban vagy modulban, `MarkupSafejinja2`vagy `click` indításkor találkoztam `ImportErrorModuleNotFoundError`:`opencensus`