Batch-végpontok ismertetése és létrehozása
Ha le szeretne kapni egy modellt a kötegelt előrejelzések létrehozásához, üzembe helyezheti a modellt egy kötegvégponton.
Megtudhatja, hogyan használhat kötegvégpontokat az aszinkron kötegpontozáshoz.
Kötegelt előrejelzések
A kötegelt előrejelzések lekéréséhez üzembe helyezhet egy modellt egy végponton. A végpont egy HTTPS-végpont, amelyet meghívhat egy kötegpontozási feladat aktiválásához. Az ilyen végpontok előnye, hogy egy másik szolgáltatásból, például az Azure Synapse Analyticsből vagy az Azure Databricksből indíthatja el a kötegelt pontozási feladatot. A kötegvégpontokkal integrálhatja a kötegpontozást egy meglévő adatbetöltési és átalakítási folyamattal.
Amikor meghívja a végpontot, a rendszer kötegelt pontozási feladatot küld az Azure Machine Tanulás munkaterületre. A feladat általában egy számítási fürtöt használ több bemenet pontozásához. Az eredmények tárolhatók egy adattárban, amely az Azure Machine Tanulás-munkaterülethez csatlakozik.
Batch-végpont létrehozása
Ha egy modellt egy kötegvégponton szeretne üzembe helyezni, először létre kell hoznia a kötegvégpontot.
Batch-végpont létrehozásához az osztályt BatchEndpoint
kell használnia. A Batch-végpontok nevének egyedinek kell lennie egy Azure-régióban.
Végpont létrehozásához használja a következő parancsot:
# create a batch endpoint
endpoint = BatchEndpoint(
name="endpoint-example",
description="A batch endpoint",
)
ml_client.batch_endpoints.begin_create_or_update(endpoint)
Tipp.
A referenciadokumentációban kötegvégpontot hozhat létre a Python SDK 2-vel.
Modell üzembe helyezése kötegelt végponton
Több modellt is üzembe helyezhet egy kötegvégponton. Amikor meghívja a kötegvégpontozási feladatot aktiváló kötegvégpontot, a rendszer az alapértelmezett üzembe helyezést használja, kivéve, ha másként van megadva.
Számítási fürtök használata kötegelt üzembe helyezéshez
A kötegelt üzembe helyezésekhez ideális számítási feladat az Azure Machine Tanulás számítási fürt. Ha azt szeretné, hogy a kötegpontozási feladat párhuzamos kötegekben dolgozza fel az új adatokat, egynél több példányt tartalmazó számítási fürtöt kell kiépítenie.
Számítási fürt létrehozásához használhatja az osztályt AMLCompute
.
from azure.ai.ml.entities import AmlCompute
cpu_cluster = AmlCompute(
name="aml-cluster",
type="amlcompute",
size="STANDARD_DS11_V2",
min_instances=0,
max_instances=4,
idle_time_before_scale_down=120,
tier="Dedicated",
)
cpu_cluster = ml_client.compute.begin_create_or_update(cpu_cluster)