배포 엔드포인트를 SDK v2로 업그레이드
SDK/CLI v1을 사용하면 ACI 또는 AKS에 모델을 웹 서비스로 배포할 수 있습니다. 기존 v1 모델 배포 및 웹 서비스는 그대로 계속 작동하지만 SDK/CLI v1을 사용하여 ACI 또는 AKS에 모델을 웹 서비스로 배포하면 이제 레거시로 간주됩니다. 새 모델 배포 시 v2로 업그레이드하는 것이 좋습니다.
v2에서는 관리 엔드포인트 또는 Kubernetes 엔드포인트를 제공합니다. v1과 v2를 비교하려면 엔드포인트 및 배포를 참조하세요.
관리형 온라인 엔드포인트, v2의 kubernetes 온라인 엔드포인트(Azure Kubernetes Services 및 Arc 지원 Kubernetes 포함), v1의 ACI(Azure Container Instances) 및 AKS(Kubernetes Services) 웹 서비스와 같은 여러 배포 경로가 있습니다. 이 문서에서는 ACI 웹 서비스(v1)와 관리형 온라인 엔드포인트(v2)에 대한 배포 비교에 중점을 둘 것입니다.
이 문서의 예는 다음 방법을 보여 줍니다.
- Azure에 모델 배포
- 엔드포인트를 사용하여 채점
- 웹 서비스/엔드포인트 삭제
유추 리소스 만들기
- SDK v1
모델, 환경 및 채점 스크립트를 구성합니다.
# configure a model. example for registering a model from azureml.core.model import Model model = Model.register(ws, model_name="bidaf_onnx", model_path="./model.onnx") # configure an environment from azureml.core import Environment env = Environment(name='myenv') python_packages = ['nltk', 'numpy', 'onnxruntime'] for package in python_packages: env.python.conda_dependencies.add_pip_package(package) # configure an inference configuration with a scoring script from azureml.core.model import InferenceConfig inference_config = InferenceConfig( environment=env, source_directory="./source_dir", entry_script="./score.py", )ACI 웹 서비스 구성 및 배포:
from azureml.core.webservice import AciWebservice # defince compute resources for ACI deployment_config = AciWebservice.deploy_configuration( cpu_cores=0.5, memory_gb=1, auth_enabled=True ) # define an ACI webservice service = Model.deploy( ws, "myservice", [model], inference_config, deployment_config, overwrite=True, ) # create the service service.wait_for_deployment(show_output=True)
모델 등록에 대한 자세한 내용은 로컬 파일에서 모델 등록을 참조하세요.
SDK v2
모델, 환경 및 채점 스크립트를 구성합니다.
from azure.ai.ml.entities import Model # configure a model model = Model(path="../model-1/model/sklearn_regression_model.pkl") # configure an environment from azure.ai.ml.entities import Environment env = Environment( conda_file="../model-1/environment/conda.yml", image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210727.v1", ) # configure an inference configuration with a scoring script from azure.ai.ml.entities import CodeConfiguration code_config = CodeConfiguration( code="../model-1/onlinescoring", scoring_script="score.py" )온라인 엔드포인트 구성 및 만들기:
import datetime from azure.ai.ml.entities import ManagedOnlineEndpoint # create a unique endpoint name with current datetime to avoid conflicts online_endpoint_name = "endpoint-" + datetime.datetime.now().strftime("%m%d%H%M%f") # define an online endpoint endpoint = ManagedOnlineEndpoint( name=online_endpoint_name, description="this is a sample online endpoint", auth_mode="key", tags={"foo": "bar"}, ) # create the endpoint: ml_client.begin_create_or_update(endpoint)온라인 배포 구성 및 만들기:
from azure.ai.ml.entities import ManagedOnlineDeployment # define a deployment blue_deployment = ManagedOnlineDeployment( name="blue", endpoint_name=online_endpoint_name, model=model, environment=env, code_configuration=code_config, instance_type="Standard_F2s_v2", instance_count=1, ) # create the deployment: ml_client.begin_create_or_update(blue_deployment) # blue deployment takes 100 traffic endpoint.traffic = {"blue": 100} ml_client.begin_create_or_update(endpoint)
엔드포인트 및 배포 개념에 대한 자세한 내용은 온라인 엔드포인트란?을 참조하세요.
요청 제출
SDK v1
import json data = { "query": "What color is the fox", "context": "The quick brown fox jumped over the lazy dog.", } data = json.dumps(data) predictions = service.run(input_data=data) print(predictions)SDK v2
# test the endpoint (the request will route to blue deployment as set above) ml_client.online_endpoints.invoke( endpoint_name=online_endpoint_name, request_file="../model-1/sample-request.json", ) # test the specific (blue) deployment ml_client.online_endpoints.invoke( endpoint_name=online_endpoint_name, deployment_name="blue", request_file="../model-1/sample-request.json", )
리소스 삭제
SDK v1
service.delete()SDK v2
ml_client.online_endpoints.begin_delete(name=online_endpoint_name)
SDK v1 및 SDK v2의 주요 기능 매핑
관련 문서
자세한 내용은 참조하세요.
v2 문서:
v1 문서: