Taken en invoergegevens voor batcheindpunten maken

Batch-eindpunten kunnen worden gebruikt om lange batchbewerkingen uit te voeren over grote hoeveelheden gegevens. Dergelijke gegevens kunnen op verschillende plaatsen worden geplaatst. Sommige typen batcheindpunten kunnen ook letterlijke parameters ontvangen als invoer. In deze zelfstudie wordt beschreven hoe u deze invoer kunt opgeven en welke verschillende typen of locaties worden ondersteund.

Voordat u een eindpunt aanroept

Als u een batch-eindpunt wilt aanroepen en taken wilt maken, moet u het volgende hebben:

• U bent gemachtigd om een batch-eindpuntimplementatie uit te voeren. De rollen AzureML Datawetenschapper, Inzender en Eigenaar kunnen worden gebruikt om een implementatie uit te voeren. Lees autorisatie voor aangepaste rollendefinities voor batcheindpunten om te weten welke specifieke machtigingen nodig zijn.

• U hebt een geldig Microsoft Entra ID-token dat een beveiligingsprincipal vertegenwoordigt om het eindpunt aan te roepen. Deze principal kan een gebruikers-principal of een service-principal zijn. Wanneer een eindpunt is aangeroepen, wordt er in elk geval een batchimplementatietaak gemaakt onder de identiteit die is gekoppeld aan het token. Voor testdoeleinden kunt u uw eigen referenties gebruiken voor de aanroep, zoals hieronder wordt vermeld.

  Azure-CLI

  Gebruik de Azure CLI om u aan te melden met behulp van interactieve verificatie of verificatie van apparaatcode:

  az login
  

  Python

  Gebruik de Azure Machine Learning SDK voor Python om u aan te melden:

  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  ml_client = MLClient.from_config(DefaultAzureCredential())
  

  Als u buiten Azure Machine Learning-rekenproces wordt uitgevoerd, moet u de werkruimte opgeven waar het eindpunt wordt geïmplementeerd:

  from azure.ai.ml import MLClient
  from azure.identity import DefaultAzureCredential
  
  subscription_id = "<subscription>"
  resource_group = "<resource-group>"
  workspace = "<workspace>"
  
  ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
  

  REST

  De eenvoudigste manier om een geldig token voor uw gebruikersaccount op te halen, is door de Azure CLI te gebruiken. Voer in een console de volgende opdracht uit:

  az account get-access-token --resource https://ml.azure.com --query "accessToken" --output tsv
  

  Tip

  Wanneer u met REST werkt, raden we u aan batch-eindpunten aan te roepen met behulp van een service-principal. Zie Taken uitvoeren met behulp van een service-principal (REST) voor meer informatie over het ophalen van een token voor een service-principal met behulp van REST.

  Voor meer informatie over verificatie met meerdere typen referenties leest u Autorisatie op batch-eindpunten.

• Het rekencluster waar het eindpunt is geïmplementeerd, heeft toegang om de invoergegevens te lezen.

  Tip

  Als u een gegevensarchief met minder referenties of een extern Azure Storage-account gebruikt als gegevensinvoer, moet u rekenclusters configureren voor gegevenstoegang. De beheerde identiteit van het rekencluster wordt gebruikt voor het koppelen van het opslagaccount. De identiteit van de taak (invoker) wordt nog steeds gebruikt om de onderliggende gegevens te lezen, zodat u gedetailleerd toegangsbeheer kunt bereiken.

Basisbeginselen van taken maken

Als u een taak wilt maken op basis van een batch-eindpunt, moet u deze aanroepen. U kunt aanroepen doen met behulp van de Azure CLI, de Azure Machine Learning SDK voor Python of een REST API-aanroep. In de volgende voorbeelden ziet u de basisbeginselen van aanroepen voor een batch-eindpunt dat één invoergegevensmap ontvangt voor verwerking. Zie Informatie over invoer en uitvoer voor voorbeelden met verschillende invoer en uitvoer.

Azure-CLI

Gebruik de invoke bewerking onder batch-eindpunten:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Python

Gebruik de methode MLClient.batch_endpoints.invoke() om de naam van het experiment op te geven:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

REST

POST Een aanvraag indienen bij de aanroep-URL van het eindpunt. U kunt de aanroep-URL ophalen uit de Azure Machine Learning-portal, op de pagina met details van het eindpunt.

Tekst

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Aanvragen

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

Een specifieke implementatie aanroepen

Batch-eindpunten kunnen meerdere implementaties hosten onder hetzelfde eindpunt. Het standaardeindpunt wordt gebruikt, tenzij de gebruiker anders opgeeft. U kunt de implementatie wijzigen die als volgt wordt gebruikt:

Azure-CLI

Gebruik het argument --deployment-name of -d geef de naam van de implementatie op:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --deployment-name $DEPLOYMENT_NAME \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Python

Gebruik de parameter deployment_name om de naam van de implementatie op te geven:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment.name,
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data")
    }
)

REST

Voeg de header azureml-model-deployment toe aan uw aanvraag, inclusief de naam van de implementatie die u wilt aanroepen.

Tekst

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        }
    }
}

Aanvragen

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json
azureml-model-deployment: DEPLOYMENT_NAME

Taakeigenschappen configureren

U kunt enkele eigenschappen in de gemaakte taak configureren tijdens het aanroepen.

Notitie

Het configureren van taakeigenschappen is momenteel alleen beschikbaar in batch-eindpunten met pijplijnonderdeelimplementaties.

Experimentnaam configureren

Azure-CLI

Gebruik het argument --experiment-name om de naam van het experiment op te geven:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
                            --experiment-name "my-batch-job-experiment" \
                            --input https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data

Python

Gebruik de parameter experiment_name om de naam van het experiment op te geven:

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    experiment_name="my-batch-job-experiment",
    inputs={
        "heart_dataset": Input("https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"),
    }
)

REST

Gebruik de sleutel experimentName in properties de sectie om de naam van het experiment aan te geven:

Tekst

{
    "properties": {
        "InputData": {
           "heart_dataset": {
               "JobInputType" : "UriFolder",
               "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
           }
        },
        "properties":
        {
            "experimentName": "my-batch-job-experiment"
        }
    }
}

Aanvragen

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

Informatie over invoer en uitvoer

Batch-eindpunten bieden een duurzame API die consumenten kunnen gebruiken om batchtaken te maken. Dezelfde interface kan worden gebruikt om de invoer en de uitvoer op te geven die uw implementatie verwacht. Gebruik invoer om informatie door te geven die uw eindpunt nodig heeft om de taak uit te voeren.

Batch-eindpunten ondersteunen twee typen invoer:

• Gegevensinvoer, die verwijst naar een specifieke opslaglocatie of Azure Machine Learning-asset.
• Letterlijke invoer, die letterlijke waarden zijn (zoals getallen of tekenreeksen) die u aan de taak wilt doorgeven.

Het aantal en het type invoer en uitvoer zijn afhankelijk van het type batchimplementatie. Modelimplementaties vereisen altijd één gegevensinvoer en produceren één gegevensuitvoer. Letterlijke invoer wordt niet ondersteund. Implementaties van pijplijnonderdelen bieden echter een algemenere constructie voor het bouwen van eindpunten en bieden u de mogelijkheid om een willekeurig aantal invoer (gegevens en letterlijke waarden) en uitvoer op te geven.

De volgende tabel bevat een overzicht van de invoer en uitvoer voor batchimplementaties:

Implementatietype	Het nummer van de invoer	Ondersteunde invoertypen	Het nummer van de uitvoer	Ondersteunde typen uitvoer
Modelimplementatie	1	Gegevensinvoer	1	Gegevensuitvoer
Implementatie van pijplijnonderdelen	[0..N]	Gegevensinvoer en letterlijke invoer	[0..N]	Gegevensuitvoer

Tip

Invoer en uitvoer hebben altijd de naam. Deze namen fungeren als sleutels om ze te identificeren en de werkelijke waarde door te geven tijdens het aanroepen. Voor modelimplementaties, omdat ze altijd één invoer en uitvoer vereisen, wordt de naam tijdens het aanroepen genegeerd. U kunt de naam toewijzen die uw use case het beste beschrijft, zoals 'sales_estimation'.

Gegevensinvoer

Gegevensinvoer verwijst naar invoer die verwijst naar een locatie waar gegevens worden geplaatst. Omdat batcheindpunten meestal grote hoeveelheden gegevens verbruiken, kunt u de invoergegevens niet doorgeven als onderdeel van de aanroepaanvraag. In plaats daarvan geeft u de locatie op waar het batch-eindpunt naar de gegevens moet zoeken. Invoergegevens worden gekoppeld en gestreamd op de doel-rekenkracht om de prestaties te verbeteren.

Batch-eindpunten ondersteunen het lezen van bestanden in de volgende opslagopties:

• Azure Machine Learning-gegevensassets, waaronder map (uri_folder) en bestand (uri_file).
• Azure Machine Learning-gegevensarchieven, waaronder Azure Blob Storage, Azure Data Lake Storage Gen1 en Azure Data Lake Storage Gen2.
• Azure Storage-accounts, waaronder Azure Data Lake Storage Gen1, Azure Data Lake Storage Gen2 en Azure Blob Storage.
• Lokale gegevensmappen/bestanden (Azure Machine Learning CLI of Azure Machine Learning SDK voor Python). Deze bewerking resulteert echter in het uploaden van de lokale gegevens naar de standaard Azure Machine Learning-gegevensopslag van de werkruimte waaraan u werkt.

Belangrijk

Afschaffingsmelding: Gegevenssets van het type FileDataset (V1) zijn afgeschaft en worden in de toekomst buiten gebruik gesteld. Bestaande batcheindpunten die afhankelijk zijn van deze functionaliteit blijven werken, maar batcheindpunten die zijn gemaakt met GA CLIv2 (2.4.0 en hoger) of GA REST API (2022-05-01 en hoger) bieden geen ondersteuning voor V1-gegevensset.

Letterlijke invoer

Letterlijke invoer verwijst naar invoer die kan worden weergegeven en omgezet tijdens aanroeptijd, zoals tekenreeksen, getallen en booleaanse waarden. Doorgaans gebruikt u letterlijke invoer om parameters door te geven aan uw eindpunt als onderdeel van een implementatie van een pijplijnonderdeel. Batch-eindpunten ondersteunen de volgende letterlijke typen:

• string
• boolean
• float
• integer

Letterlijke invoer wordt alleen ondersteund in implementaties van pijplijnonderdelen. Zie Taken maken met letterlijke invoer voor meer informatie over het opgeven van taken.

Gegevensuitvoer

Gegevensuitvoer verwijst naar de locatie waar de resultaten van een batchtaak moeten worden geplaatst. Uitvoer wordt geïdentificeerd op naam en Azure Machine Learning wijst automatisch een uniek pad toe aan elke benoemde uitvoer. U kunt echter desgewenst een ander pad opgeven.

Belangrijk

Batch-eindpunten ondersteunen alleen schrijfuitvoer in Azure Blob Storage-gegevensarchieven. Als u naar een opslagaccount moet schrijven waarvoor hiërarchische naamruimten zijn ingeschakeld (ook wel Bekend als Azure Datalake Gen2 of ADLS Gen2), ziet u dat een dergelijke opslagservice kan worden geregistreerd als een Azure Blob Storage-gegevensarchief omdat de services volledig compatibel zijn. Op deze manier kunt u uitvoer van batcheindpunten schrijven naar ADLS Gen2.

Taken maken met gegevensinvoer

In de volgende voorbeelden ziet u hoe u taken maakt, gegevensinvoer neemt van gegevensassets, gegevensarchieven en Azure Storage-accounts.

Invoergegevens van een gegevensasset

Azure Machine Learning-gegevensassets (voorheen gegevenssets genoemd) worden ondersteund als invoer voor taken. Volg deze stappen om een batch-eindpunttaak uit te voeren met behulp van gegevens die zijn opgeslagen in een geregistreerde gegevensasset in Azure Machine Learning:

Waarschuwing

Gegevensassets van het type Tabel (MLTable) worden momenteel niet ondersteund.

1. Maak eerst de gegevensasset. Deze gegevensasset bestaat uit een map met meerdere CSV-bestanden die u parallel gaat verwerken met behulp van batch-eindpunten. U kunt deze stap overslaan als uw gegevens al zijn geregistreerd als gegevensasset.

   Azure-CLI

   Een gegevensassetdefinitie maken in YAML:

   heart-dataset-unlabeled.yml

   $schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
   name: heart-dataset-unlabeled
   description: An unlabeled dataset for heart classification.
   type: uri_folder
   path: heart-classifier-mlflow/data
   

   Maak vervolgens de gegevensasset:

   az ml data create -f heart-dataset-unlabeled.yml
   

   Python

   data_path = "heart-classifier-mlflow/data"
   dataset_name = "heart-dataset-unlabeled"
   
   heart_dataset_unlabeled = Data(
       path=data_path,
       type=AssetTypes.URI_FOLDER,
       description="An unlabeled dataset for heart classification",
       name=dataset_name,
   )
   

   Maak de gegevensasset:

   ml_client.data.create_or_update(heart_dataset_unlabeled)
   

   Als u de zojuist gemaakte gegevensasset wilt ophalen, gebruikt u:

   heart_dataset_unlabeled = ml_client.data.get(name=dataset_name, label="latest")
   

   REST

   Gebruik de Azure Machine Learning CLI, Azure Machine Learning SDK voor Python of de Azure Machine Learning-studio om de locatie (regio), werkruimte en de naam en versie van de gegevensasset op te halen. U hebt deze later nog nodig.

2. Maak de invoer of aanvraag:

   Azure-CLI

   DATASET_ID=$(az ml data show -n heart-dataset-unlabeled --label latest | jq -r .id)
   

   Python

   input = Input(path=heart_dataset_unlabeled.id)
   

   REST

   Tekst

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFolder",
                   "Uri": "azureml://locations/<location>/workspaces/<workspace>/data/<dataset_name>/versions/labels/latest"
               }
           }
       }
   }
   

   Notitie

   De id van gegevensassets ziet er als /subscriptions/<subscription>/resourcegroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/data/<data-asset>/versions/<version>volgt uit. U kunt de invoer ook gebruiken azureml:/<datasset_name>@latest als een manier om de invoer op te geven.

3. Voer het eindpunt uit:

   Azure-CLI

   Gebruik het --set argument om de invoer op te geven:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$DATASET_ID
   

   Voor een eindpunt dat een modelimplementatie dient, kunt u het --input argument gebruiken om de gegevensinvoer op te geven, omdat voor een modelimplementatie altijd slechts één gegevensinvoer is vereist.

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $DATASET_ID
   

   Het argument --set produceert meestal lange opdrachten wanneer meerdere invoerwaarden worden opgegeven. In dergelijke gevallen plaatst u uw invoer in een YAML bestand en gebruikt --file u deze om de invoer op te geven die u nodig hebt voor de aanroep van het eindpunt.

   inputs.yml

   inputs:
     heart_dataset: azureml:/<datasset_name>@latest
   

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
   

   Python

   Tip

   Wat is het verschil tussen inputs en input wanneer u een eindpunt aanroept?

   Over het algemeen kunt u een woordenlijst inputs = {} met de invoke methode gebruiken om een willekeurig aantal vereiste invoer op te geven aan een batch-eindpunt dat een modelimplementatie of een pijplijnimplementatie bevat.

   Voor een modelimplementatie kunt u een kortere manier gebruiken input om de locatie van de invoergegevens voor de implementatie op te geven, omdat voor een modelimplementatie altijd slechts één gegevensinvoer nodig is.

   Roep de invoke methode aan met behulp van inputs het opgeven van de vereiste invoer:

   job = ml_client.batch_endpoints.invoke(
       endpoint_name=endpoint.name,
       inputs={
           "heart_dataset": input,
       }
   )
   

   Vereenvoudig de invoke aanroep voor een modelimplementatie verder door input de locatie op te geven voor de invoergegevens:

   job = ml_client.batch_endpoints.invoke(
      endpoint_name=endpoint.name,
      input=input,
   )
   

   REST

   Aanvragen

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Invoergegevens uit gegevensarchieven

Gegevens uit geregistreerde Azure Machine Learning-gegevensarchieven kunnen rechtstreeks worden verwezen door batchimplementatietaken. In dit voorbeeld uploadt u eerst enkele gegevens naar het standaardgegevensarchief in de Azure Machine Learning-werkruimte en voert u er vervolgens een batchimplementatie op uit. Volg deze stappen om een batch-eindpunttaak uit te voeren met behulp van gegevens die zijn opgeslagen in een gegevensarchief.

1. Open het standaardgegevensarchief in de Azure Machine Learning-werkruimte. Als uw gegevens zich in een ander archief bevinden, kunt u die opslag gebruiken. U hoeft het standaardgegevensarchief niet te gebruiken.

   Azure-CLI

   DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
   

   Notitie

   De id van gegevensarchieven ziet er als volgt /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>uit.

   Python

   default_ds = ml_client.datastores.get_default()
   

   REST

   Gebruik de Azure Machine Learning CLI, Azure Machine Learning SDK voor Python of Studio om de gegevensopslaggegevens op te halen.

   Tip

   Het standaard-blobgegevensarchief in een werkruimte wordt workspaceblobstore genoemd. U kunt deze stap overslaan als u de resource-id van het standaardgegevensarchief in uw werkruimte al kent.

2. U moet enkele voorbeeldgegevens uploaden naar het gegevensarchief. In dit voorbeeld wordt ervan uitgegaan dat u de voorbeeldgegevens die zijn opgenomen in de opslagplaats in de map in de map sdk/python/endpoints/batch/deploy-models/heart-classifier-mlflow/dataheart-disease-uci-unlabeled in het blobopslagaccount al hebt geüpload. Zorg ervoor dat u dat hebt gedaan voordat u verdergaat.

3. Maak de invoer of aanvraag:

   Azure-CLI

   Plaats het bestandspad in de volgende variabele:

   DATA_PATH="heart-disease-uci-unlabeled"
   INPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"
   

   Python

   data_path = "heart-disease-uci-unlabeled"
   input = Input(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})
   

   Als uw gegevens een bestand zijn, wijzigt u type=AssetTypes.URI_FILE.

   REST

   Tekst

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFolder",
                   "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
               }
           }
       }
   }
   

   Als uw gegevens een bestand zijn, gebruikt UriFile u in plaats daarvan als type.

   Notitie

   Bekijk hoe het pad paths wordt toegevoegd aan de resource-id van het gegevensarchief om aan te geven dat wat er volgt een pad in het pad is.

   Tip

   U kunt de invoer ook gebruiken azureml://datastores/<data-store>/paths/<data-path> als een manier om de invoer op te geven.

4. Voer het eindpunt uit:

   Azure-CLI

   Gebruik het --set argument om de invoer op te geven:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_PATH
   

   Voor een eindpunt dat een modelimplementatie dient, kunt u het --input argument gebruiken om de gegevensinvoer op te geven, omdat voor een modelimplementatie altijd slechts één gegevensinvoer is vereist.

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_PATH --input-type uri_folder
   

   Het argument --set produceert meestal lange opdrachten wanneer meerdere invoerwaarden worden opgegeven. In dergelijke gevallen plaatst u uw invoer in een YAML bestand en gebruikt --file u deze om de invoer op te geven die u nodig hebt voor de aanroep van het eindpunt.

   inputs.yml

   inputs:
     heart_dataset:
       type: uri_folder
       path: azureml://datastores/<data-store>/paths/<data-path>
   

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
   

   Als uw gegevens een bestand zijn, gebruikt uri_file u in plaats daarvan als type.

   Python

   Tip

   Wat is het verschil tussen inputs en input wanneer u een eindpunt aanroept?

   Over het algemeen kunt u een woordenlijst inputs = {} met de invoke methode gebruiken om een willekeurig aantal vereiste invoer op te geven aan een batch-eindpunt dat een modelimplementatie of een pijplijnimplementatie bevat.

   Voor een modelimplementatie kunt u een kortere manier gebruiken input om de locatie van de invoergegevens voor de implementatie op te geven, omdat voor een modelimplementatie altijd slechts één gegevensinvoer nodig is.

   Roep de invoke methode aan met behulp van inputs het opgeven van de vereiste invoer:

   job = ml_client.batch_endpoints.invoke(
       endpoint_name=endpoint.name,
       inputs={
           "heart_dataset": input,
       }
   )
   

   Vereenvoudig de invoke aanroep voor een modelimplementatie verder door input de locatie op te geven voor de invoergegevens:

   job = ml_client.batch_endpoints.invoke(
      endpoint_name=endpoint.name,
      input=input,
   )
   

   REST

   Aanvragen

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Invoergegevens van Azure Storage-accounts

Azure Machine Learning-batcheindpunten kunnen gegevens lezen uit cloudlocaties in Azure Storage-accounts, zowel openbaar als privé. Voer de volgende stappen uit om een batch-eindpunttaak uit te voeren met behulp van gegevens die zijn opgeslagen in een opslagaccount:

Notitie

Raadpleeg de sectie Rekenclusters configureren voor gegevenstoegang voor meer informatie over aanvullende configuratie die is vereist voor het lezen van gegevens uit opslagtoenames.

1. Maak de invoer of aanvraag:

   Azure-CLI

   INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   

   Als uw gegevens een bestand zijn:

   INPUT_DATA = "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
   

   Python

   input = Input(
       type=AssetTypes.URI_FOLDER, 
       path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   )
   

   Als uw gegevens een bestand zijn, wijzigt u type=AssetTypes.URI_FILE:

   input = Input(
       type=AssetTypes.URI_FILE,
       path="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
   )
   

   REST

   Tekst

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFolder",
                   "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
               }
           }
       }
   }
   

   Als uw gegevens een bestand zijn, wijzigt u JobInputType:

   Tekst

   {
       "properties": {
           "InputData": {
               "heart_dataset": {
                   "JobInputType" : "UriFile",
                   "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data/heart.csv"
               }
           }
       }
   }
   

2. Voer het eindpunt uit:

   Azure-CLI

   Gebruik het --set argument om de invoer op te geven:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.type="uri_folder" inputs.heart_dataset.path=$INPUT_DATA
   

   Voor een eindpunt dat een modelimplementatie dient, kunt u het --input argument gebruiken om de gegevensinvoer op te geven, omdat voor een modelimplementatie altijd slechts één gegevensinvoer is vereist.

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --input $INPUT_DATA --input-type uri_folder
   

   Het argument --set produceert meestal lange opdrachten wanneer meerdere invoerwaarden worden opgegeven. In dergelijke gevallen plaatst u uw invoer in een YAML bestand en gebruikt --file u deze om de invoer op te geven die u nodig hebt voor de aanroep van het eindpunt.

   inputs.yml

   inputs:
     heart_dataset:
       type: uri_folder
       path: https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data
   

   az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml
   

   Als uw gegevens een bestand zijn, gebruikt uri_file u in plaats daarvan als type.

   Python

   Tip

   Wat is het verschil tussen inputs en input wanneer u een eindpunt aanroept?

   Over het algemeen kunt u een woordenlijst inputs = {} met de invoke methode gebruiken om een willekeurig aantal vereiste invoer op te geven aan een batch-eindpunt dat een modelimplementatie of een pijplijnimplementatie bevat.

   Voor een modelimplementatie kunt u een kortere manier gebruiken input om de locatie van de invoergegevens voor de implementatie op te geven, omdat voor een modelimplementatie altijd slechts één gegevensinvoer nodig is.

   Roep de invoke methode aan met behulp van inputs het opgeven van de vereiste invoer:

   job = ml_client.batch_endpoints.invoke(
       endpoint_name=endpoint.name,
       inputs={
           "heart_dataset": input,
       }
   )
   

   Vereenvoudig de invoke aanroep voor een modelimplementatie verder door input de locatie op te geven voor de invoergegevens:

   job = ml_client.batch_endpoints.invoke(
      endpoint_name=endpoint.name,
      input=input,
   )
   

   REST

   Aanvragen

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Taken maken met letterlijke invoer

Implementaties van pijplijnonderdelen kunnen letterlijke invoer aannemen. In het volgende voorbeeld ziet u hoe u een invoer met de naam score_mode, van het type string, met de waarde :append

Azure-CLI

Plaats uw invoer in een YAML bestand en gebruik --file deze om de invoer op te geven die u nodig hebt voor de aanroep van het eindpunt.

inputs.yml

inputs:
  score_mode:
    type: string
    default: append

az ml batch-endpoint invoke --name $ENDPOINT_NAME --file inputs.yml

U kunt ook het argument --set gebruiken om de waarde op te geven. Het produceert echter vaak lange opdrachten wanneer meerdere invoerwaarden zijn opgegeven:

az ml batch-endpoint invoke --name $ENDPOINT_NAME \
    --set inputs.score_mode.type="string" inputs.score_mode.default="append"

Python

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, 
    inputs = { 
        'score_mode': Input(type="string", default="append")
        }
)

REST

Tekst

{
    "properties": {
        "InputData": {
            "score_mode": {
                "JobInputType" : "Literal",
                "Value": "append"
            }
        }
    }
}

Aanvragen

POST jobs HTTP/1.1
Host: <ENDPOINT_URI>
Authorization: Bearer <TOKEN>
Content-Type: application/json

Taken maken met gegevensuitvoer

In het volgende voorbeeld ziet u hoe u de locatie wijzigt waar een uitvoer met de naam score wordt geplaatst. Voor volledigheid configureren deze voorbeelden ook een invoer met de naam heart_dataset.

1. Gebruik het standaardgegevensarchief in de Azure Machine Learning-werkruimte om de uitvoer op te slaan. U kunt elk ander gegevensarchief in uw werkruimte gebruiken zolang het een blob-opslagaccount is.

   Azure-CLI

   DATASTORE_ID=$(az ml datastore show -n workspaceblobstore | jq -r '.id')
   

   Notitie

   De id van gegevensarchieven ziet er als volgt /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>uit.

   Python

   default_ds = ml_client.datastores.get_default()
   

   REST

   Gebruik de Azure Machine Learning CLI, Azure Machine Learning SDK voor Python of Studio om de gegevensopslaggegevens op te halen.

2. Een gegevensuitvoer maken:

   Azure-CLI

   DATA_PATH="batch-jobs/my-unique-path"
   OUTPUT_PATH="$DATASTORE_ID/paths/$DATA_PATH"
   

   Maak voor volledigheid ook een gegevensinvoer:

   INPUT_PATH="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   

   Python

   data_path = "batch-jobs/my-unique-path"
   output = Output(type=AssetTypes.URI_FOLDER, path=f"{default_ds.id}/paths/{data_path})
   

   Voor volledigheid gaan we ook een gegevensinvoer maken:

   input="https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
   

   REST

   Tekst

   {
       "properties": {
           "InputData": {
              "heart_dataset": {
                  "JobInputType" : "UriFolder",
                  "Uri": "https://azuremlexampledata.blob.core.windows.net/data/heart-disease-uci/data"
              }
           },
           "OutputData": {
               "score": {
                   "JobOutputType" : "UriFile",
                   "Uri": "azureml:/subscriptions/<subscription>/resourceGroups/<resource-group/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>/paths/<data-path>"
               }
           }
       }
   }
   

   Notitie

   Bekijk hoe het pad paths wordt toegevoegd aan de resource-id van het gegevensarchief om aan te geven dat wat er volgt een pad in het pad is.

3. Voer de implementatie uit:

   Azure-CLI

   Gebruik het argument --set om de invoer op te geven:

   az ml batch-endpoint invoke --name $ENDPOINT_NAME \
       --set inputs.heart_dataset.path=$INPUT_PATH \
       --set outputs.score.path=$OUTPUT_PATH
   

   Python

   job = ml_client.batch_endpoints.invoke(
      endpoint_name=endpoint.name,
      inputs={ "heart_dataset": input },
      outputs={ "score": output }
   )
   

   REST

   Aanvragen

   POST jobs HTTP/1.1
   Host: <ENDPOINT_URI>
   Authorization: Bearer <TOKEN>
   Content-Type: application/json
   

Volgende stappen

• Problemen met batcheindpunten oplossen.
• Uitvoer aanpassen in batchimplementaties voor modelimplementaties.
• Maak een aangepaste scorepijplijn met invoer en uitvoer.
• Batch-eindpunten aanroepen vanuit Azure Data Factory.