Udostępnij za pośrednictwem

Profilowanie modelu w celu określenia wykorzystania zasobów

  • Artykuł

DOTYCZY: Rozszerzenie interfejsu wiersza polecenia platformy Azure ml w wersji 1zestawu SDK języka Python azureml v1

W tym artykule pokazano, jak profilować uczenie maszynowe w celu określenia, ile procesora CPU i pamięci należy przydzielić dla modelu podczas wdrażania go jako usługi internetowej.

Ważne

Ten artykuł dotyczy interfejsu wiersza polecenia w wersji 1 i zestawu SDK w wersji 1. Ta technika profilowania nie jest dostępna dla wersji 2 interfejsu wiersza polecenia lub zestawu SDK.

Ważne

Niektóre polecenia interfejsu wiersza polecenia platformy Azure w tym artykule używają azure-cli-mlrozszerzenia , lub w wersji 1 dla usługi Azure Machine Learning. Obsługa rozszerzenia w wersji 1 zakończy się 30 września 2025 r. Będzie można zainstalować rozszerzenie v1 i używać go do tej daty.

Zalecamy przejście do mlrozszerzenia , lub w wersji 2 przed 30 września 2025 r. Aby uzyskać więcej informacji na temat rozszerzenia w wersji 2, zobacz Rozszerzenie interfejsu wiersza polecenia usługi Azure ML i zestaw Python SDK w wersji 2.

Wymagania wstępne

W tym artykule założono, że model został wytrenowany i zarejestrowany w usłudze Azure Machine Learning. Zapoznaj się z przykładowym samouczkiem tutaj , aby zapoznać się z przykładem trenowania i rejestrowania modelu scikit-learn w usłudze Azure Machine Learning.

Ograniczenia

  • Profilowanie nie będzie działać, gdy usługa Azure Container Registry (ACR) dla obszaru roboczego znajduje się za siecią wirtualną.

Uruchamianie profilera

Po zarejestrowaniu modelu i przygotowaniu innych składników niezbędnych do wdrożenia można określić procesor i pamięć, której będzie potrzebować wdrożona usługa. Profilowanie testuje usługę, która uruchamia model i zwraca informacje, takie jak użycie procesora CPU, użycie pamięci i opóźnienie odpowiedzi. Zawiera również zalecenie dotyczące procesora CPU i pamięci na podstawie użycia zasobów.

Aby profilować model, potrzebne są następujące elementy:

  • Zarejestrowany model.
  • Konfiguracja wnioskowania na podstawie skryptu wejściowego i definicji środowiska wnioskowania.
  • Jednokolumnowy tabelaryczny zestaw danych, w którym każdy wiersz zawiera ciąg reprezentujący przykładowe dane żądania.

Ważne

W tym momencie obsługujemy tylko profilowanie usług, które oczekują, że ich dane żądania będą ciągiem, na przykład: ciąg serializowany json, tekst, obraz serializowany ciąg itp. Zawartość każdego wiersza zestawu danych (ciągu) zostanie umieszczona w treści żądania HTTP i wysłana do usługi hermetyzując model na potrzeby oceniania.

Ważne

Obsługujemy profilowanie do 2 procesorów CPU w regionie ChinaEast2 i USGovArizona.

Poniżej przedstawiono przykład tworzenia wejściowego zestawu danych w celu profilowania usługi, która oczekuje, że dane żądania przychodzącego będą zawierać serializowany kod json. W tym przypadku utworzyliśmy zestaw danych na podstawie 100 wystąpień tej samej zawartości danych żądania. W rzeczywistych scenariuszach sugerujemy użycie większych zestawów danych zawierających różne dane wejściowe, zwłaszcza jeśli użycie/zachowanie zasobu modelu jest zależne od danych wejściowych.

DOTYCZY: Zestaw SDK języka Python azureml w wersji 1 

import json
from azureml.core import Datastore
from azureml.core.dataset import Dataset
from azureml.data import dataset_type_definitions

input_json = {'data': [[1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                       [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]]}
# create a string that can be utf-8 encoded and
# put in the body of the request
serialized_input_json = json.dumps(input_json)
dataset_content = []
for i in range(100):
    dataset_content.append(serialized_input_json)
dataset_content = '\n'.join(dataset_content)
file_name = 'sample_request_data.txt'
f = open(file_name, 'w')
f.write(dataset_content)
f.close()

# upload the txt file created above to the Datastore and create a dataset from it
data_store = Datastore.get_default(ws)
data_store.upload_files(['./' + file_name], target_path='sample_request_data')
datastore_path = [(data_store, 'sample_request_data' +'/' + file_name)]
sample_request_data = Dataset.Tabular.from_delimited_files(
    datastore_path, separator='\n',
    infer_column_types=True,
    header=dataset_type_definitions.PromoteHeadersBehavior.NO_HEADERS)
sample_request_data = sample_request_data.register(workspace=ws,
                                                   name='sample_request_data',
                                                   create_new_version=True)

Po uzyskaniu zestawu danych zawierającego przykładowe dane żądania utwórz konfigurację wnioskowania. Konfiguracja wnioskowania jest oparta na score.py i definicji środowiska. W poniższym przykładzie pokazano, jak utworzyć konfigurację wnioskowania i uruchomić profilowanie:

from azureml.core.model import InferenceConfig, Model
from azureml.core.dataset import Dataset


model = Model(ws, id=model_id)
inference_config = InferenceConfig(entry_script='path-to-score.py',
                                   environment=myenv)
input_dataset = Dataset.get_by_name(workspace=ws, name='sample_request_data')
profile = Model.profile(ws,
            'unique_name',
            [model],
            inference_config,
            input_dataset=input_dataset)

profile.wait_for_completion(True)

# see the result
details = profile.get_details()

DOTYCZY ROZSZERZENIA ML interfejsu wiersza polecenia platformy Azure w wersji 1

Następujące polecenie pokazuje, jak profilować model przy użyciu interfejsu wiersza polecenia:

az ml model profile -g <resource-group-name> -w <workspace-name> --inference-config-file <path-to-inf-config.json> -m <model-id> --idi <input-dataset-id> -n <unique-name>

Napiwek

Aby utrwały informacje zwracane przez profilowanie, użyj tagów lub właściwości modelu. Użycie tagów lub właściwości przechowuje dane z modelem w rejestrze modeli. W poniższych przykładach pokazano dodawanie nowego tagu zawierającego requestedCpu informacje i requestedMemoryInGb :

model.add_tags({'requestedCpu': details['requestedCpu'],
                'requestedMemoryInGb': details['requestedMemoryInGb']})

az ml model profile -g <resource-group-name> -w <workspace-name> --i <model-id> --add-tag requestedCpu=1 --add-tag requestedMemoryInGb=0.5

Następne kroki