Végpontok létrehozása az üzembe helyezett Machine Learning Studio (klasszikus) webszolgáltatásokhoz

ÉRVÉNYES: Machine Learning Studio (klasszikus) Azure Machine Learning

Fontos

A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.

2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.

• A gépi tanulási projektek ML Studióból (klasszikus) Azure Machine Learningbe való áthelyezéséről szóló információk.
• További információ az Azure Machine Learningről

A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.

A webszolgáltatások telepítése után egy alapértelmezett végpont kerül létrehozásra az adott szolgáltatáshoz. Az alapértelmezett végpont az API-kulcs használatával hívható meg. A Web Services portálon további végpontokat adhat hozzá saját kulcsokkal. A webszolgáltatás minden végpontja önállóan van kezelve, szabályozva és felügyelve. Minden végpont egy egyedi URL-cím, amely egy engedélyezési kulccsal rendelkezik, amelyet eloszthat az ügyfelek számára.

Végpontok hozzáadása webszolgáltatáshoz

A Machine Learning Web Services portálon végpontot adhat hozzá egy webszolgáltatáshoz. A végpont létrehozása után szinkron API-k, batch API-k és Excel-munkalapok használatával használhatja fel.

Feljegyzés

Ha további végpontokat adott hozzá a webszolgáltatáshoz, nem törölheti az alapértelmezett végpontot.

1. A Machine Learning Studio (klasszikus) bal oldali navigációs oszlopában kattintson a Web Services elemre.
2. A webszolgáltatás-irányítópult alján kattintson a Végpontok kezelése elemre. A Machine Learning Web Services portál megnyílik a webszolgáltatás végpontok lapján.
3. Kattintson az Új gombra.
4. Írja be az új végpont nevét és leírását. A végpontneveknek legalább 24 karakter hosszúságúnak kell lenniük, és kisbetűs ábécékből vagy számokból kell lenniük. Válassza ki a naplózási szintet, és hogy engedélyezve van-e a mintaadatok használata. A naplózásról további információt a Machine Learning webszolgáltatások naplózásának engedélyezése című témakörben talál.

Webszolgáltatás skálázása további végpontok hozzáadásával

Alapértelmezés szerint minden közzétett webszolgáltatás 20 egyidejű kérés támogatására van konfigurálva, és akár 200 egyidejű kérés is lehet. A Machine Learning Studio (klasszikus) automatikusan optimalizálja a beállítást, hogy a legjobb teljesítményt nyújtsa a webszolgáltatás számára, és a portál értékét figyelmen kívül hagyja.

Ha a 200-nál nagyobb terhelésű API meghívását tervezi, akkor több végpontot kell létrehoznia ugyanazon a webszolgáltatáson. Ezután véletlenszerűen eloszthatja a terhelést az összes között.

A webszolgáltatás skálázása gyakori feladat. A skálázás néhány oka, hogy több mint 200 egyidejű kérést támogat, több végponton keresztül növeli a rendelkezésre állást, vagy külön végpontokat biztosít a webszolgáltatás számára. A skálázás növeléséhez adjon hozzá további végpontokat ugyanahhoz a webszolgáltatáshoz a Machine Learning Web Service portálon keresztül.

Ne feledje, hogy a magas egyidejűségi szám használata hátrányos lehet, ha nem az API-t hívja meg megfelelően magas sebességgel. Szórványos időtúllépések és/vagy kiugró késések jelenhetnek meg, ha viszonylag alacsony terhelést helyez el egy magas terhelésre konfigurált API-n.

A szinkron API-kat általában olyan helyzetekben használják, ahol alacsony késésre van szükség. A késés itt azt jelenti, hogy az API-nak egy kérést kell teljesítenie, és nem veszi figyelembe a hálózati késéseket. Tegyük fel, hogy rendelkezik 50 ms-os késéssel rendelkező API-val. A rendelkezésre álló kapacitás magas és maximális egyidejű hívások = 20 teljes felhasználásához ezt az API-t 20 * 1000 / 50 = másodpercenként 400-szor kell meghívnia. Ezt tovább bővítve a 200-ból álló maximális egyidejű hívásokkal másodpercenként 4000 alkalommal hívhatja meg az API-t, 50 ms-os késést feltételezve.

Következő lépések

Machine Learning webszolgáltatás használata.