Delen via

Implementatie-eindpunten upgraden naar SDK v2

  • Artikel

Met SDK/CLI v1 kunt u modellen op ACI of AKS implementeren als webservices. Uw bestaande v1-modelimplementaties en webservices blijven werken zoals ze zijn, maar het gebruik van SDK/CLI v1 om modellen op ACI of AKS te implementeren als webservices, wordt nu beschouwd als verouderd. Voor nieuwe modelimplementaties raden we u aan een upgrade uit te voeren naar v2.

In v2 bieden we beheerde eindpunten of Kubernetes-eindpunten. Zie Eindpunten en implementatie voor een vergelijking van v1 en v2.

Er zijn verschillende implementatietrechters, zoals beheerde online-eindpunten, kubernetes online-eindpunten (waaronder Azure Kubernetes Services en Kubernetes met Arc) in v2 en Azure Container Instances-webservices (ACI) en Kubernetes Services (AKS) in v1. In dit artikel richten we ons op de vergelijking van implementatie naar ACI-webservices (v1) en beheerde online-eindpunten (v2).

Voorbeelden in dit artikel laten zien hoe u het volgende kunt doen:

  • Uw model implementeren in Azure
  • Scoren met behulp van het eindpunt
  • De webservice/het eindpunt verwijderen

Deductieresources maken

  • SDK v1

    1. Configureer een model, een omgeving en een scorescript:

      # 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",
)

    2. Een ACI-webservice configureren en implementeren:

      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)

Zie Een model registreren vanuit een lokaal bestand voor meer informatie over het registreren van modellen.

  • SDK v2

    1. Configureer een model, een omgeving en een scorescript:

      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"
    )

    2. Een online-eindpunt configureren en maken:

      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)

    3. Een online-implementatie configureren en maken:

      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)

Zie Wat zijn online-eindpunten? voor meer informatie over concepten voor eindpunten en implementaties.

Dien een aanvraag in

  • 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",
)

Resources verwijderen

  • SDK v1

    service.delete()

  • SDK v2

    ml_client.online_endpoints.begin_delete(name=online_endpoint_name)

Toewijzing van belangrijke functionaliteit in SDK v1 en SDK v2

Functionaliteit in SDK v1 Ruwe toewijzing in SDK v2
azureml.core.model.Model-klasse klasse azure.ai.ml.entities.Model
azureml.core.Environment-klasse azure.ai.ml.entities.Environment-klasse
klasse azureml.core.model.InferenceConfig klasse azure.ai.ml.entities.CodeConfiguration
klasse azureml.core.webservice.AciWebservice azure.ai.ml.entities.OnlineDeployment-klasse (en klasse azure.ai.ml.entities.ManagedOnlineEndpoint)
Model.deploy of Webservice.deploy ml_client.begin_create_or_update(online_deployment)
Webservice.run ml_client.online_endpoints.invoke
Webservice.delete ml_client.online_endpoints.delete

Zie voor meer informatie

v2-documenten:

v1-documenten: