Praca z zarejestrowanymi modelami w usłudze Azure Machine Learning

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure w wersji 2 (current)Zestaw PYTHON SDK azure-ai-ml v2 (bieżąca)

Z tego artykułu dowiesz się, jak rejestrować modele i pracować z nimi w usłudze Azure Machine Learning przy użyciu:

• Interfejs użytkownika usługi Azure Machine Learning Studio.
• Interfejs wiersza polecenia usługi Azure Machine Learning w wersji 2.
• Zestaw SDK usługi Azure Machine Learning w wersji 2 języka Python.

Dowiedz się, jak odbywa się:

• Utwórz zarejestrowane modele w rejestrze modeli na podstawie plików lokalnych, magazynów danych lub danych wyjściowych zadania.
• Praca z różnymi typami modeli, takimi jak niestandardowe, MLflow i Triton.
• Używaj modeli jako danych wejściowych lub wyjściowych w zadaniach szkoleniowych.
• Zarządzanie cyklem życia zasobów modelu.

Rejestracja modelu

Rejestracja modelu umożliwia przechowywanie i przechowywanie wersji modeli w obszarze roboczym w chmurze platformy Azure. Rejestr modeli ułatwia organizowanie i śledzenie wytrenowanych modeli. Modele można rejestrować jako zasoby w usłudze Azure Machine Learning przy użyciu interfejsu wiersza polecenia platformy Azure, zestawu SDK języka Python lub interfejsu użytkownika usługi Machine Learning Studio.

Obsługiwane ścieżki

Aby zarejestrować model, należy określić ścieżkę wskazującą dane lub lokalizację zadania. W poniższej tabeli przedstawiono różne lokalizacje danych obsługiwane przez usługę Azure Machine Learning oraz składnię parametru path :

Lokalizacja	Składnia
Komputer lokalny	<model-folder>/<model-filename>
Magazyn danych usługi Azure Machine Learning	azureml://datastores/<datastore-name>/paths/<path_on_datastore>
Zadanie usługi Azure Machine Learning	azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
Zadanie MLflow	runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
Zasób modelu w obszarze roboczym usługi Machine Learning	azureml:<model-name>:<version>
Zasób modelu w rejestrze usługi Machine Learning	azureml://registries/<registry-name>/models/<model-name>/versions/<version>

Obsługiwane tryby

W przypadku używania modeli dla danych wejściowych lub wyjściowych można określić jeden z następujących trybów. Można na przykład określić, czy model powinien być zainstalowany tylko do odczytu, czy pobrany do docelowego obiektu obliczeniowego.

• ro_mount: Zainstaluj dane w docelowym obiekcie obliczeniowym jako tylko do odczytu.
• rw_mount: Odczyt-zapis zainstaluj dane.
• download: pobierz dane do docelowego obiektu obliczeniowego.
• upload: przekaż dane z docelowego obiektu obliczeniowego.
• direct: przekaż identyfikator URI jako ciąg.

W poniższej tabeli przedstawiono dostępne opcje trybu dla różnych danych wejściowych i wyjściowych typu modelu.

Typ	upload	download	ro_mount	rw_mount	direct
custom dane wejściowe pliku
custom dane wejściowe folderu		✓	✓		✓
mlflow wkład		✓	✓
custom dane wyjściowe pliku	✓			✓	✓
custom dane wyjściowe folderu	✓			✓	✓
mlflow wyjście	✓			✓	✓

Wymagania wstępne

• Subskrypcja platformy Azure z bezpłatną lub płatną wersją usługi Azure Machine Learning. Jeśli nie masz subskrypcji platformy Azure, przed rozpoczęciem utwórz bezpłatne konto.
• Obszar roboczy usługi Azure Machine Learning.

Aby uruchomić przykłady kodu w tym artykule i pracować z interfejsem wiersza polecenia usługi Azure Machine Learning w wersji 2 lub zestawem SDK usługi Azure Machine Learning w wersji 2 języka Python, potrzebne są również następujące elementy:

Interfejs wiersza polecenia platformy Azure

• Zainstalowany interfejs wiersza polecenia platformy Azure w wersji 2.38.0 lub nowszej.

• W wersji 2 zainstalowanego ml rozszerzenia, uruchamiając następujące polecenie. Aby uzyskać więcej informacji, zobacz Instalowanie, konfigurowanie i używanie interfejsu wiersza polecenia (wersja 2).

  az extension add -n ml
  

Zestaw SDK dla języka Python

• Zainstalowano środowisko Python w wersji 3.8 lub nowszej.

• Zestaw AZURE Machine Learning SDK w wersji 2 dla języka Python jest zainstalowany, uruchamiając następujące polecenie:

  pip install azure-ai-ml azure-identity
  

Uwaga

Wersja 2 zapewnia pełną zgodność z poprzednimi wersjami. Zasoby modelu można nadal używać z zestawu SDK lub interfejsu wiersza polecenia w wersji 1. Wszystkie modele zarejestrowane w interfejsie wiersza polecenia lub zestawie SDK w wersji 1 mają przypisany typ custom.

Rejestrowanie modelu przy użyciu interfejsu użytkownika programu Studio

Aby zarejestrować model przy użyciu interfejsu użytkownika usługi Azure Machine Learning Studio:

1. W obszarze roboczym w programie Studio wybierz pozycję Modele w obszarze nawigacji po lewej stronie.

2. Na stronie Lista modeli wybierz pozycję Zarejestruj i wybierz jedną z następujących lokalizacji z listy rozwijanej:

   • Z plików lokalnych
   • Z danych wyjściowych zadania
   • Z magazynu danych
   • Z plików lokalnych (na podstawie struktury)

3. Na pierwszym ekranie Rejestrowanie modelu :

   1. Przejdź do pliku lokalnego, magazynu danych lub danych wyjściowych zadania dla modelu.
   2. Wybierz typ modelu wejściowego: MLflow, Triton lub Nieokreślony.

4. Na ekranie Ustawienia modelu podaj nazwę i inne opcjonalne ustawienia zarejestrowanego modelu, a następnie wybierz pozycję Dalej.

5. Na ekranie Przegląd przejrzyj konfigurację, a następnie wybierz pozycję Zarejestruj.

Rejestrowanie modelu przy użyciu interfejsu wiersza polecenia platformy Azure lub zestawu SDK języka Python

Poniższe fragmenty kodu obejmują sposób rejestrowania modelu jako elementu zawartości w usłudze Azure Machine Learning przy użyciu interfejsu wiersza polecenia platformy Azure lub zestawu SDK języka Python. Te fragmenty kodu używają custom typów modeli i mlflow .

• custom Typ odnosi się do pliku lub folderu modelu przeszkolonego przy użyciu niestandardowego standardu, który obecnie nie obsługuje usługi Azure Machine Learning.
• mlflow typ odnosi się do modelu trenowanego za pomocą biblioteki MLflow. Wytrenowane modele MLflow znajdują się w folderze zawierającym plik MLmodel , plik modelu , plik zależności conda i plik requirements.txt .

Napiwek

Możesz skorzystać z poniższych przykładów w języku Python, uruchamiając notes model.ipynb w repozytorium azureml-examples .

Nawiązywanie połączenia z obszarem roboczym

Obszar roboczy jest zasobem najwyższego poziomu dla usługi Azure Machine Learning, który udostępnia scentralizowane miejsce do pracy z wszystkimi tworzonymi podczas korzystania usługi Azure Machine Learning artefaktami. W tej sekcji połączysz się z obszarem roboczym usługi Azure Machine Learning, aby utworzyć zarejestrowany model.

Interfejs wiersza polecenia platformy Azure

1. Zaloguj się do platformy Azure, uruchamiając az login polecenie i postępując zgodnie z monitami.

2. W poniższych poleceniach zastąp <subscription-id>symbole zastępcze , <workspace-name>, <resource-group>i <location> wartościami środowiska.

   az account set --subscription <subscription-id>
   az configure --defaults workspace=<workspace-name> group=<resource-group> location=<location>
   

Zestaw SDK dla języka Python

1. Zaimportuj wymagane biblioteki:

   from azure.ai.ml import MLClient, Input
   from azure.ai.ml.entities import Model
   from azure.ai.ml.constants import AssetTypes
   from azure.identity import DefaultAzureCredential
   

2. Konfigurowanie szczegółów obszaru roboczego i uzyskiwanie dojścia do obszaru roboczego. W poniższym fragmencie kodu zastąp <subscription-id>symbole zastępcze , <resource-group>i <workspace-name> wartościami środowiska.

   subscription_id = "<subscription-id>"
   resource_group = "<resource-group>"
   workspace = "<workspace-name>"
   
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
   

Tworzenie zarejestrowanego modelu

Możesz utworzyć zarejestrowany model na podstawie modelu, który jest:

• Znajduje się na komputerze lokalnym.
• Znajduje się w magazynie danych usługi Azure Machine Learning.
• Dane wyjściowe z zadania usługi Azure Machine Learning.

Lokalny plik lub folder

Interfejs wiersza polecenia platformy Azure

1. Utwórz nazwę pliku <>YAML.yml. W pliku podaj nazwę zarejestrowanego modelu, ścieżkę do lokalnego pliku modelu i opis. Na przykład:

   $schema: https://azuremlschemas.azureedge.net/latest/model.schema.json
   name: local-file-example
   path: mlflow-model/model.pkl
   description: Model created from local file.
   

2. Uruchom następujące polecenie, używając nazwy pliku YAML:

   az ml model create -f <file-name>.yml
   

Aby zapoznać się z kompletnym przykładem, zobacz model YAML.

Zestaw SDK dla języka Python

W poniższym przykładzie pokazano tworzenie zarejestrowanego modelu z pliku lokalnego.

from azure.ai.ml.entities import Model
from azure.ai.ml.constants import AssetTypes

file_model = Model(
    path="mlflow-model/model.pkl",
    type=AssetTypes.CUSTOM_MODEL,
    name="local-file-example",
    description="Model created from local file.",
)
ml_client.models.create_or_update(file_model)

Magazyn danych

Model można utworzyć na podstawie ścieżki chmury przy użyciu dowolnego z obsługiwanych formatów identyfikatora URI.

Interfejs wiersza polecenia platformy Azure

W poniższym przykładzie użyto schematu skróconego azureml do wskazywania ścieżki w magazynie danych przy użyciu składni azureml://datastores/<datastore-name>/paths/<path_on_datastore>.

az ml model create --name my-model --version 1 --path azureml://datastores/myblobstore/paths/models/cifar10/cifar.pt

Pełny przykład można znaleźć w dokumentacji interfejsu wiersza polecenia.

Zestaw SDK dla języka Python

W poniższym przykładzie użyto schematu skróconego azureml do wskazywania ścieżki w magazynie danych przy użyciu składni azureml://datastores/${{datastore-name}}/paths/${{path_on_datastore}}.

from azure.ai.ml.entities import Model
from azure.ai.ml.constants import AssetTypes

cloud_model = Model(
    path=file_model.path,
    # The above line basically provides a path in the format "azureml://subscriptions/XXXXXXXXXXXXXXXX/resourceGroups/XXXXXXXXXXX/workspaces/XXXXXXXXXXX/datastores/workspaceblobstore/paths/model.pkl"
    # Users could also use,"azureml://datastores/workspaceblobstore/paths/model.pkl" as a shorthand to the same location
    name="cloud-path-example",
    type=AssetTypes.CUSTOM_MODEL,
    description="Model created from cloud path.",
)
ml_client.models.create_or_update(cloud_model)

Dane wyjściowe zadania

Jeśli dane modelu pochodzą z danych wyjściowych zadania, masz dwie opcje określania ścieżki modelu. Możesz użyć formatu URI platformy MLflow runs: lub formatu identyfikatora azureml://jobs URI.

Uwaga

Zastrzeżone słowo kluczowe artefaktów reprezentuje dane wyjściowe z domyślnej lokalizacji artefaktu.

• Przebiegi MLflow: format identyfikatora URI

  Ta opcja jest zoptymalizowana pod kątem użytkowników MLflow, którzy prawdopodobnie znają już format identyfikatora URI MLflow runs: . Ta opcja tworzy model na podstawie artefaktów w domyślnej lokalizacji artefaktu, w której znajdują się wszystkie modele i artefakty zarejestrowane przez platformę MLflow. Ta opcja określa również pochodzenie między zarejestrowanym modelem a uruchomieniem, z których pochodzi model.

  Format: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>

  Przykład:

  Interfejs wiersza polecenia platformy Azure

  az ml model create --name my-registered-model --version 1 --path runs:/my_run_0000000000/model/ --type mlflow_model
  

  Zestaw SDK dla języka Python

  from azure.ai.ml.entities import Model
  from azure.ai.ml.constants import ModelType
  
  run_model = Model(
      path="runs:/my_run_0000000000/model/"
      name="my-registered-model",
      description="Model created from run.",
      type=ModelType.MLFLOW_MODEL
  )
  
  ml_client.models.create_or_update(run_model) 
  

---

• format identyfikatora URI azureml://jobs

  Opcja identyfikatora azureml://jobs URI odwołania umożliwia zarejestrowanie modelu z artefaktów w dowolnych ścieżkach wyjściowych zadania. Ten format jest zgodny z formatem identyfikatora azureml://datastores URI odwołania, a także obsługuje odwoływanie się do artefaktów z nazwanych danych wyjściowych innych niż domyślna lokalizacja artefaktu.

  Jeśli model nie został bezpośrednio zarejestrowany w skrygcie trenowania przy użyciu biblioteki MLflow, możesz użyć tej opcji, aby ustanowić pochodzenie między zarejestrowanym modelem a zadaniem, z którego został wytrenowany.

  Format: azureml://jobs/<run-id>/outputs/<output-name>/paths/<path-to-model>

  • Domyślna lokalizacja artefaktu: azureml://jobs/<run-id>/outputs/artifacts/paths/<path-to-model>/. Ta lokalizacja jest odpowiednikiem biblioteki MLflow runs:/<run-id>/<model>.
  • Nazwany folder wyjściowy: azureml://jobs/<run-id>/outputs/<named-output-folder>
  • Określony plik w nazwanym folderze wyjściowym: azureml://jobs/<run-id>/outputs/<named-output-folder>/paths/<model-filename>
  • Określona ścieżka folderu w nazwanym folderze wyjściowym: azureml://jobs/<run-id>/outputs/<named-output-folder>/paths/<model-folder-name>

  Przykład:

  Interfejs wiersza polecenia platformy Azure

  Zapisz model z nazwanego folderu wyjściowego:

  az ml model create --name run-model-example --version 1 --path azureml://jobs/my_run_0000000000/outputs/artifacts/paths/model/
  

  Pełny przykład można znaleźć w dokumentacji interfejsu wiersza polecenia.

  Zestaw SDK dla języka Python

  Zapisz model z nazwanych danych wyjściowych:

  from azure.ai.ml.entities import Model
  from azure.ai.ml.constants import AssetTypes
  
  job_name = "<JOB_NAME>"
  
  run_model = Model(
      path=f"azureml://jobs/{job_name}/outputs/artifacts/paths/model/",
      name="run-model-example",
      description="Model created from run.",
      type=AssetTypes.MLFLOW_MODEL,
  )
  # Uncomment after adding required details above
  # ml_client.models.create_or_update(run_model)

  Pełny przykład można znaleźć w notesie modelu.

---

Używanie modeli do trenowania

Interfejs wiersza polecenia platformy Azure w wersji 2 i zestaw SDK języka Python umożliwiają również używanie modeli jako danych wejściowych lub wyjściowych w zadaniach szkoleniowych.

Używanie modelu jako danych wejściowych w zadaniu treningowym

Interfejs wiersza polecenia platformy Azure

1. Utwórz plik YAML specyfikacji zadania, <nazwę> pliku.yml. inputs W sekcji zadania określ:

   • Model type, który może być mlflow_model, custom_modellub triton_model.
   • Miejsce path , w którym znajduje się model, który może być dowolną ścieżką wymienioną w komentarzu w poniższym przykładzie.

   $schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
   
   # Possible Paths for models:
   # AzureML Datastore: azureml://datastores/<datastore-name>/paths/<path_on_datastore>
   # MLflow run: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
   # Job: azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
   # Model Asset: azureml:<my_model>:<version>
   
   command: |
     ls ${{inputs.my_model}}
   inputs:
     my_model:
       type: mlflow_model # List of all model types here: https://learn.microsoft.com/azure/machine-learning/reference-yaml-model#yaml-syntax
       path: ../../assets/model/mlflow-model
   environment: azureml://registries/azureml/environments/sklearn-1.0/labels/latest
   

2. Uruchom następujące polecenie, zastępując nazwę pliku YAML.

   az ml job create -f <file-name>.yml
   

Pełny przykład można znaleźć w repozytorium GitHub modelu.

Zestaw SDK dla języka Python

Klasa Input umożliwia zdefiniowanie następujących elementów:

• Typ zasobu modelu, który może być jedną z następujących wartości:

  • AssetTypes.CUSTOM_MODEL
  • AssetTypes.MLFLOW_MODEL
  • AssetTypes.TRITON_MODEL

• Element path do danych modelu, który może być jedną z następujących lokalizacji:

  • Ścieżka lokalna: <model-folder>/<model-filename>
  • Magazyn danych usługi Azure Machine Learning: azureml://datastores/<datastore-name>/paths/<path_on_datastore>
  • Uruchomienie platformy MLflow: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
  • Zadanie: azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
  • Zasób modelu: azureml:<my_model>:<version>

Poniższy przykład wprowadza model MLflow z folderu lokalnego.

from azure.ai.ml import command
from azure.ai.ml.entities import Model
from azure.ai.ml import Input
from azure.ai.ml.constants import AssetTypes
from azure.ai.ml import MLClient

my_job_inputs = {
    "input_model": Input(type=AssetTypes.MLFLOW_MODEL, path="mlflow-model")
}

job = command(
    code="./src",  # local path where the code is stored
    command="ls ${{inputs.input_model}}",
    inputs=my_job_inputs,
    environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu:9",
    compute="cpu-cluster",
)

# submit the command
returned_job = ml_client.jobs.create_or_update(job)
# get a URL for the status of the job
returned_job.services["Studio"].endpoint

Pisanie modelu jako danych wyjściowych zadania

Zadanie może zapisywać model w magazynie opartym na chmurze przy użyciu danych wyjściowych.

Interfejs wiersza polecenia platformy Azure

1. Utwórz specyfikację pliku YAML <>specyfikacji zadania.yml. Wypełnij sekcję typem outputs i ścieżką modelu wyjściowego.

   $schema: https://azuremlschemas.azureedge.net/latest/commandJob.schema.json
   
   # Possible Paths for Model:
   # Local path: mlflow-model/model.pkl
   # AzureML Datastore: azureml://datastores/<datastore-name>/paths/<path_on_datastore>
   # MLflow run: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
   # Job: azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
   # Model Asset: azureml:<my_model>:<version>
   
   code: src
   command: >-
     python hello-model-as-output.py 
     --input_model ${{inputs.input_model}} 
     --custom_model_output ${{outputs.output_folder}}
   inputs:
     input_model: 
       type: mlflow_model # mlflow_model,custom_model, triton_model
       path: ../../assets/model/mlflow-model
   outputs:
     output_folder: 
       type: custom_model # mlflow_model,custom_model, triton_model
   environment: azureml://registries/azureml/environments/sklearn-1.0/labels/latest
   

2. Utwórz zadanie przy użyciu interfejsu wiersza polecenia:

   az ml job create --file <file-name>.yml
   

Pełny przykład można znaleźć w repozytorium GitHub modelu.

Zestaw SDK dla języka Python

Klasa Output umożliwia zdefiniowanie następujących elementów:

• Typ zasobu modelu, który może być jedną z następujących wartości:

  • AssetTypes.CUSTOM_MODEL
  • AssetTypes.MLFLOW_MODEL
  • AssetTypes.TRITON_MODEL

• Element path dla danych modelu, który może być jedną z następujących lokalizacji:

  • Ścieżka lokalna: mlflow-model/model.pkl
  • Magazyn danych usługi Azure Machine Learning: azureml://datastores/<datastore-name>/paths/<path_on_datastore>
  • Uruchomienie platformy MLflow: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
  • Zadanie: azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
  • Zasób modelu: azureml:<my_model>:<version>

Poniższy przykład tworzy dane wyjściowe, które instaluje domyślny magazyn danych w trybie odczytu i zapisu. Kod po prostu ładuje lokalny model MLflow jako dane wejściowe i eksportuje ten sam model co dane wyjściowe zadania zapisanego w zainstalowanym magazynie danych.

from azure.ai.ml import command
from azure.ai.ml.entities import Model
from azure.ai.ml import Input, Output
from azure.ai.ml.constants import AssetTypes

my_job_inputs = {
    "input_model": Input(type=AssetTypes.MLFLOW_MODEL, path="mlflow-model"),
    "input_data": Input(type=AssetTypes.URI_FILE, path="./mlflow-model/input_example.json"),}

my_job_outputs = {
    "output_folder": Output(type=AssetTypes.CUSTOM_MODEL)
}

job = command(
    code="./src",  # local path where the code is stored
    command="python load_write_model.py --input_model ${{inputs.input_model}} --output_folder ${{outputs.output_folder}}",
    inputs=my_job_inputs,
    outputs=my_job_outputs,
    environment="AzureML-sklearn-0.24-ubuntu18.04-py37-cpu:9",
    compute="cpu-cluster",
)

# submit the command
returned_job = ml_client.create_or_update(job)
# get a URL for the status of the job
returned_job.services["Studio"].endpoint

Zarządzanie modelami

Interfejs wiersza polecenia platformy Azure i zestaw SDK języka Python umożliwiają również zarządzanie cyklem życia zasobów modelu usługi Azure Machine Learning.

List

Interfejs wiersza polecenia platformy Azure

Wyświetl listę wszystkich modeli w obszarze roboczym:

az ml model list

Wyświetl listę wszystkich wersji modelu pod daną nazwą:

az ml model list --name run-model-example

Zestaw SDK dla języka Python

Wyświetl listę wszystkich modeli w obszarze roboczym:

models = ml_client.models.list()
for model in models:
    print(model.name)

Wyświetl listę wszystkich wersji modelu pod daną nazwą:

models = ml_client.models.list(name="run-model-example")
for model in models:
    print(model.version)

Pokaż

Uzyskaj szczegóły określonego modelu:

Interfejs wiersza polecenia platformy Azure

az ml model show --name run-model-example --version 1

Zestaw SDK dla języka Python

model_example = ml_client.models.get(name="run-model-example", version="1")
print(model_example)

Zaktualizuj

Zaktualizuj modyfikowalne właściwości określonego modelu:

Ważne

Tylko w przypadku modeli description i tags można je aktualizować. Wszystkie inne właściwości są niezmienne i jeśli trzeba je zmienić, należy utworzyć nową wersję modelu.

Interfejs wiersza polecenia platformy Azure

az ml model update --name  run-model-example --version 1 --set description="This is an updated description." --set tags.stage="Prod"

Zestaw SDK dla języka Python

model_example.description="This is an updated description."
model_example.tags={"stage":"Prod"}
ml_client.models.create_or_update(model=model_example)

Archiwizuj

Archiwizowanie modelu powoduje ukrycie go przed zapytaniami listy, takimi jak az ml model list domyślnie. Możesz nadal odwoływać się do zarchiwizowanego modelu w przepływach pracy i używać go.

Można zarchiwizować wszystkie wersje lub tylko określone wersje modelu. Jeśli nie określisz wersji, wszystkie wersje modelu zostaną zarchiwizowane. Jeśli tworzysz nową wersję modelu w zarchiwizowanym kontenerze modelu, nowa wersja zostanie również automatycznie ustawiona jako zarchiwizowana.

Interfejs wiersza polecenia platformy Azure

Zarchiwizuj wszystkie wersje modelu:

az ml model archive --name run-model-example

Zarchiwizuj określoną wersję modelu:

az ml model archive --name run-model-example --version 1

Zestaw SDK dla języka Python

Zarchiwizuj wszystkie wersje modelu:

ml_client.models.archive(name="run-model-example")

Zarchiwizuj określoną wersję modelu:

ml_client.models.archive(name="run-model-example", version="1")

Powiązana zawartość

• Biblioteka klienta pakietu Azure Machine Learning dla języka Python — wersja 1.16.1
• Rozszerzenie interfejsu wiersza polecenia platformy Azure ml
• Przepływ uczenia maszynowego i usługa Azure Machine Learning
• Wdrażanie modeli MLflow w punktach końcowych online