Toplu iş uç noktaları için iş ve giriş verileri oluşturma

Batch uç noktaları, büyük miktarlarda veri üzerinde uzun toplu işlemler gerçekleştirmenizi sağlar. Veriler, dağınık bölgeler gibi farklı yerlerde bulunabilir. Belirli toplu iş uç noktası türleri de giriş olarak değişmez parametreleri alabilir.

Bu makalede, toplu iş uç noktaları için parametre girişlerini belirtme ve dağıtım işleri oluşturma işlemleri açıklanmaktadır. bu işlem farklı veri türleriyle çalışmayı destekler. Bazı örnekler için bkz . Girişleri ve çıkışları anlama.

Önkoşullar

Toplu iş uç noktasını başarıyla çağırmak ve iş oluşturmak için aşağıdaki önkoşulları tamamladığınızdan emin olun:

• Toplu iş uç noktası ve dağıtımı. Bu kaynaklara sahip değilseniz bkz . Dağıtım oluşturmak için toplu iş uç noktalarındaki puanlama modellerini dağıtma.

• Toplu uç nokta dağıtımı çalıştırma izinleri. Dağıtımı çalıştırmak için AzureML Veri Bilimci, Katkıda Bulunan ve Sahip rolleri kullanılabilir. Özel rol tanımları için, belirli gerekli izinleri gözden geçirmek için bkz . Toplu iş uç noktaları üzerinde yetkilendirme.

• Uç noktayı çağırmak için güvenlik sorumlusunu temsil eden geçerli bir Microsoft Entra Id belirteci. Bu sorumlu bir kullanıcı sorumlusu veya hizmet sorumlusu olabilir. Bir uç noktayı çağırdıktan sonra, Azure Machine Learning belirteçle ilişkilendirilmiş kimlik altında bir toplu dağıtım işi oluşturur. Aşağıdaki yordamlarda açıklandığı gibi çağırma için kendi kimlik bilgilerinizi kullanabilirsiniz.

  Azure CLI

  Etkileşimli veya cihaz kodu kimlik doğrulamasıyla oturum açmak için Azure CLI'yi kullanın:

  az login
  

  Python

  Oturum açmak için Python için Azure Machine Learning SDK'sını kullanın:

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

  Yapılandırmanız bir Azure Machine Learning işleminin dışında çalışıyorsa uç noktanın dağıtıldığı çalışma alanını belirtmeniz gerekir:

  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

  Kullanıcı hesabınız için geçerli bir belirteç edinmenin en basit yolu Azure CLI'yi kullanmaktır. Konsolda aşağıdaki Azure CLI komutunu çalıştırın:

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

  İpucu

  REST ile çalışırken, hizmet sorumlusu kullanarak toplu iş uç noktalarını çağırmanızı öneririz. Daha fazla bilgi için rest ile hizmet sorumlusu için belirteç almayı öğrenmek için bkz . Hizmet sorumlusu (REST) kullanarak işleri çalıştırma.

  Farklı kimlik bilgisi türlerini kullanarak toplu dağıtım işlerini başlatma hakkında daha fazla bilgi edinmek için bkz . Farklı kimlik bilgisi türleri kullanarak işleri çalıştırma.

• Uç noktanın dağıtıldığı işlem kümesinin giriş verilerini okuma erişimi vardır.

  İpucu

  Veri girişi olarak kimlik bilgisi olmayan bir veri deposu veya dış Azure Depolama Hesabı kullanıyorsanız, işlem kümelerini veri erişimi için yapılandırdığınızdan emin olun. İşlem kümesinin yönetilen kimliği, depolama hesabını bağlamak için kullanılır. İşin (çağırıcı) kimliği, ayrıntılı erişim denetimi elde etmenizi sağlayan temel alınan verileri okumak için hala kullanılır.

İş oluşturmayla ilgili temel bilgiler

Toplu iş uç noktasından iş oluşturmak için uç noktayı çağırırsınız. Çağırma işlemi Azure CLI, Python için Azure Machine Learning SDK'sı veya REST API çağrısı kullanılarak yapılabilir. Aşağıdaki örneklerde, işlenmek üzere tek bir giriş veri klasörü alan bir toplu iş uç noktasını çağırmanın temelleri gösterilmektedir. Farklı giriş ve çıkışlara sahip örnekler için bkz . Girişleri ve çıkışları anlama.

Azure CLI

invoke Toplu iş uç noktaları altındaki işlemi kullanın:

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

Python

Denemenin MLClient.batch_endpoints.invoke() adını belirtmek için yöntemini kullanın:

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 Uç noktanın çağırma URL'sine istekte bulunun. Azure Machine Learning portalından çağrı URL'sini uç noktanın ayrıntılar sayfasından alabilirsiniz.

Gövde

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

İste

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

Belirli bir dağıtımı çağırma

Batch uç noktaları aynı uç nokta altında birden çok dağıtım barındırabilir. Kullanıcı aksini belirtmediği sürece varsayılan uç nokta kullanılır. Dağıtımı aşağıdaki yordamlarla kullanılacak şekilde değiştirebilirsiniz.

Azure CLI

Bağımsız değişkenini --deployment-name kullanın veya -d dağıtımın adını belirtin:

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

Dağıtımın adını belirtmek için parametresini deployment_name kullanın:

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

Çağırmak istediğiniz dağıtımın adı da dahil olmak üzere üst bilgiyi azureml-model-deployment isteğinize ekleyin:

Gövde

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

İste

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

İş özelliklerini yapılandırma

Oluşturulan işteki bazı özellikleri çağırma zamanında yapılandırabilirsiniz.

Not

İş özelliklerini yapılandırma özelliği şu anda yalnızca İşlem Hattı bileşeni dağıtımlarına sahip toplu uç noktalarda kullanılabilir.

Deneme adını yapılandırma

Deneme adını yapılandırmak için aşağıdaki yordamları kullanın.

Azure CLI

Denemenin adını belirtmek için bağımsız değişkenini --experiment-name kullanın:

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

Denemenin adını belirtmek için parametresini experiment_name kullanın:

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

Bölümündeki anahtarı properties kullanarak experimentName deneme adını belirtin:

Gövde

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

İste

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

Girişleri ve çıkışları anlama

Toplu iş uç noktaları, tüketicilerin toplu iş oluşturmak için kullanabileceği dayanıklı bir API sağlar. Dağıtımınızın beklediği girişleri ve çıkışları belirtmek için aynı arabirim kullanılabilir. Uç noktanızın işi gerçekleştirmek için ihtiyaç duyduğu bilgileri geçirmek için girişleri kullanın.

Batch uç noktaları iki tür girişi destekler:

• Veri girişleri: Belirli bir depolama konumuna veya Azure Machine Learning varlığına yönelik işaretçiler.
• Değişmez değer girişleri: İşe geçirmek istediğiniz sayılar veya dizeler gibi değişmez değerler.

Girişlerin ve çıkışların sayısı ve türü, toplu dağıtım türüne bağlıdır. Model dağıtımları her zaman bir veri girişi gerektirir ve bir veri çıkışı üretir. Değişmez değer girişleri desteklenmez. Ancak işlem hattı bileşeni dağıtımları uç noktaları oluşturmak için daha genel bir yapı sağlar ve istediğiniz sayıda giriş (veri ve değişmez değer) ve çıkış belirtmenize olanak sağlar.

Aşağıdaki tabloda toplu dağıtımlar için girişler ve çıkışlar özetlemektedir:

Dağıtım türü	Giriş sayısı	Desteklenen giriş türleri	Çıkış sayısı	Desteklenen çıkış türleri
Model dağıtımı	1	Veri girişleri	1	Veri çıkışları
İşlem hattı bileşeni dağıtımı	[0..N]	Veri girişleri ve değişmez değer girişleri	[0..N]	Veri çıkışları

İpucu

Girişler ve çıkışlar her zaman adlandırılır. Adlar, verileri tanımlamak ve çağırma sırasında gerçek değeri geçirmek için anahtar görevi görür. Model dağıtımları her zaman bir giriş ve çıkış gerektirdiğinden, çağırma sırasında ad yoksayılır. "sales_estimation" gibi kullanım örneğinizi en iyi açıklayan adı atayabilirsiniz.

Veri girişlerini keşfetme

Veri girişleri, verilerin yerleştirildiği bir konuma işaret eden girişlere başvurur. Toplu iş uç noktaları genellikle büyük miktarda veri tükettiğinden, giriş verilerini çağırma isteğinin bir parçası olarak geçiremezsiniz. Bunun yerine, toplu iş uç noktasının verileri aramak için gitmesi gereken konumu belirtirsiniz. Giriş verileri, performansı geliştirmek için hedef işlemde bağlanır ve akışa alınmıştır.

Batch uç noktaları, aşağıdaki depolama seçeneklerinde bulunan dosyaların okunmasını destekler:

• Klasör () ve Dosya (uri_folderuri_file) gibi Azure Machine Learning veri varlıkları.
• Azure Blob Depolama, Azure Data Lake Storage 1. Nesil ve Azure Data Lake Storage 2. Nesil gibi Azure Machine Learning veri depoları.
• Azure Data Lake Storage 1. Nesil, Azure Data Lake Storage 2. Nesil ve Azure Blob Depolama dahil olmak üzere Azure Depolama Hesapları.
• Yerel veri klasörleri/dosyaları (Azure Machine Learning CLI veya Python için Azure Machine Learning SDK'sı). Ancak bu işlem yerel verilerin üzerinde çalıştığınız çalışma alanının varsayılan Azure Machine Learning Veri Deposu'na yüklenmesine neden olur.

Önemli

Kullanımdan kaldırma bildirimi: (V1) türündeki FileDataset veri kümeleri kullanım dışıdır ve gelecekte kullanımdan kaldırılacaktır. Bu işlevi kullanan mevcut toplu iş uç noktaları çalışmaya devam edecektir. GA CLIv2 (2.4.0 ve üzeri) veya GA REST API (2022-05-01 ve üzeri) ile oluşturulan batch uç noktaları V1 veri kümesini desteklemez.

Değişmez değer girişlerini keşfetme

Değişmez değer girişleri dizeler, sayılar ve boole değerleri gibi çağrı zamanında temsil edilebilen ve çözümlenebilen girişlere başvurur. Genellikle işlem hattı bileşeni dağıtımının bir parçası olarak uç noktanıza parametre geçirmek için değişmez değer girişleri kullanırsınız. Batch uç noktaları aşağıdaki değişmez değer türlerini destekler:

• string
• boolean
• float
• integer

Değişmez değer girişleri yalnızca işlem hattı bileşeni dağıtımlarında desteklenir. Bunların nasıl belirtileceğini öğrenmek için bkz . Değişmez değer girişleriyle iş oluşturma.

Veri çıkışlarını keşfetme

Veri çıkışları, toplu işin sonuçlarının yerleştirilmesi gereken konuma başvurur. Her çıkışın tanımlanabilir bir adı vardır ve Azure Machine Learning her adlandırılmış çıkışa otomatik olarak benzersiz bir yol atar. Gerektiği gibi başka bir yol belirtebilirsiniz.

Önemli

Batch uç noktaları yalnızca Azure Blob Depolama veri depolarında çıkış yazmayı destekler. Hiyerarşik ad alanlarının etkin olduğu bir depolama hesabına (Azure Datalake 2. Nesil veya ADLS 2. Nesil olarak da bilinir) yazmanız gerekiyorsa, hizmetler tam olarak uyumlu olduğundan depolama hizmetini Azure Blob Depolama veri deposu olarak kaydedebilirsiniz. Bu şekilde, toplu iş uç noktalarındaki çıkışları ADLS 2. Nesil'e yazabilirsiniz.

Veri girişleriyle iş oluşturma

Aşağıdaki örneklerde iş oluşturma, veri varlıklarından, veri depolarından ve Azure Depolama Hesaplarından veri girişleri alma işlemleri gösterilmektedir.

Veri varlığından giriş verilerini kullanma

Azure Machine Learning veri varlıkları (eski adıyla veri kümeleri), işler için giriş olarak desteklenir. Azure Machine Learning'de kayıtlı bir veri varlığında depolanan verileri kullanarak bir toplu iş uç noktası işi çalıştırmak için bu adımları izleyin.

Uyarı

Tablo (MLTable) türünde veri varlıkları şu anda desteklenmemektedir.

1. İlk olarak veri varlığını oluşturun. Bu veri varlığı, toplu iş uç noktalarını kullanarak paralel olarak işlediğiniz birden çok CSV dosyasını içeren bir klasörden oluşur. Verileriniz zaten bir veri varlığı olarak kayıtlıysa bu adımı atlayabilirsiniz.

   Azure CLI

   içinde YAMLbir veri varlığı tanımı oluşturun:

   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
   

   Ardından veri varlığını oluşturun:

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

   Python

   Veri varlığı tanımı oluşturma:

   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,
   )
   

   Veri varlığını oluşturun:

   ml_client.data.create_or_update(heart_dataset_unlabeled)
   

   Yeni oluşturulan veri varlığını almak için aşağıdaki komutu kullanın:

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

   REST

   Konumu (bölge), çalışma alanını ve veri varlığı adını ve sürümünü almak için Azure Machine Learning CLI'sını, Python için Azure Machine Learning SDK'sını veya Azure Machine Learning stüdyosu kullanın. Sonraki yordamlar için bu öğelere ihtiyacınız vardır.

2. Girişi veya isteği oluşturun:

   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

   Gövde

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

   Veri varlıkları kimliği gibi /subscriptions/<subscription>/resourcegroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/data/<data-asset>/versions/<version>görünür. Girişi belirtmek için biçimini de kullanabilirsiniz azureml:<datasset_name>@latest .

3. Uç noktayı çalıştırın:

   Azure CLI

   Girdiyi --set belirtmek için bağımsız değişkenini kullanın:

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

   Model dağıtımı sunan bir uç nokta için bağımsız değişkenini --input kullanarak veri girişini belirtebilirsiniz çünkü model dağıtımı her zaman yalnızca bir veri girişi gerektirir.

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

   Bağımsız değişken --set , birden çok giriş belirtildiğinde uzun komutlar üretme eğilimindedir. Böyle durumlarda, girişlerinizi bir YAML dosyaya yerleştirin ve bağımsız değişkenini --file kullanarak uç nokta çağrınız için ihtiyacınız olan girişleri belirtin.

   inputs.yml

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

   Şu komutu çalıştırın:

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

   Python

   İpucu

   Bir uç noktayı çağırdığınızda ve input parametresi arasındaki inputs fark nedir?

   Genel olarak, bir model dağıtımı veya işlem hattı dağıtımı içeren bir toplu iş uç noktasına rastgele sayıda gerekli giriş sağlamak için yöntemiyle invoke bir sözlük inputs = {} parametresi kullanabilirsiniz.

   Model dağıtımı için parametresini, dağıtımın input giriş veri konumunu belirtmek için daha kısa bir yol olarak kullanabilirsiniz. Model dağıtımı her zaman tek bir veri girişi aldığından bu yaklaşım çalışır.

   invoke Gerekli girişleri belirtmek için parametresini inputs kullanarak yöntemini çağırın:

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

   Giriş verilerinin invoke konumunu belirtmek için parametresini input kullanarak model dağıtımı çağrısını daha da basitleştirin:

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

   REST

   İste

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

Veri depolarından giriş verilerini kullanma

Toplu dağıtım işleri ile Azure Machine Learning kayıtlı veri depolarından verilere doğrudan başvurabilirsiniz. Bu örnekte, önce Azure Machine Learning çalışma alanında bazı verileri varsayılan veri deposuna yükler ve ardından üzerinde bir toplu dağıtım çalıştırırsınız. Bir veri deposunda depolanan verileri kullanarak toplu uç nokta işini çalıştırmak için bu adımları izleyin.

1. Azure Machine Learning çalışma alanında varsayılan veri deposuna erişin. Verileriniz farklı bir depodaysa bunun yerine bu depoyı kullanabilirsiniz. Varsayılan veri depoyu kullanmanız gerekmez.

   Azure CLI

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

   Veri depoları kimliği gibi /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>görünür.

   Python

   default_ds = ml_client.datastores.get_default()
   

   REST

   Veri deposu bilgilerini almak için Azure Machine Learning CLI'sını, Python için Azure Machine Learning SDK'sını veya stüdyoyu kullanın.

   İpucu

   Çalışma alanındaki varsayılan blob veri deposu workspaceblobstore olarak adlandırılır. Çalışma alanınızdaki varsayılan veri deposunun kaynak kimliğini zaten biliyorsanız bu adımı atlayabilirsiniz.

2. Bazı örnek verileri veri deposuna yükleyin.

   Bu örnekte, Blob Depolama hesabındaki klasördeki depoya sdk/python/endpoints/batch/deploy-models/heart-classifier-mlflow/data heart-disease-uci-unlabeled dahil edilen örnek verileri zaten karşıya yüklediğiniz varsayılır. Devam etmeden önce bu adımı tamamladığınızdan emin olun.

3. Girişi veya isteği oluşturun:

   Azure CLI

   Dosya yolunu değişkenine INPUT_PATH yerleştirin:

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

   Python

   Dosya yolunu değişkenine input yerleştirin:

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

   Verileriniz bir dosyaysa, giriş türünü olarak type=AssetTypes.URI_FILEdeğiştirin.

   REST

   Gövde

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

   Verileriniz bir dosyaysa, bunun yerine girişin türünü kullanın UriFile .

   Yol değişkeninin paths veri deposunun kaynak kimliğine nasıl eklendiğine dikkat edin. Bu biçim, izleyen değerin bir yol olduğunu gösterir.

   İpucu

   Girişi belirtmek için biçimini azureml://datastores/<data-store>/paths/<data-path> de kullanabilirsiniz.

4. Uç noktayı çalıştırın:

   Azure CLI

   Girdiyi --set belirtmek için bağımsız değişkenini kullanın:

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

   Model dağıtımı sunan bir uç nokta için bağımsız değişkenini --input kullanarak veri girişini belirtebilirsiniz çünkü model dağıtımı her zaman yalnızca bir veri girişi gerektirir.

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

   Bağımsız değişken --set , birden çok giriş belirtildiğinde uzun komutlar üretme eğilimindedir. Böyle durumlarda, girişlerinizi bir YAML dosyaya yerleştirin ve bağımsız değişkenini --file kullanarak uç nokta çağrınız için ihtiyacınız olan girişleri belirtin.

   inputs.yml

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

   Şu komutu çalıştırın:

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

   Verileriniz bir dosyaysa, bunun yerine girişin türünü kullanın uri_file .

   Python

   İpucu

   Bir uç noktayı çağırdığınızda ve input parametresi arasındaki inputs fark nedir?

   Genel olarak, bir model dağıtımı veya işlem hattı dağıtımı içeren bir toplu iş uç noktasına rastgele sayıda gerekli giriş sağlamak için yöntemiyle invoke bir sözlük inputs = {} parametresi kullanabilirsiniz.

   Model dağıtımı için parametresini, dağıtımın input giriş veri konumunu belirtmek için daha kısa bir yol olarak kullanabilirsiniz. Model dağıtımı her zaman tek bir veri girişi aldığından bu yaklaşım çalışır.

   invoke Gerekli girişleri belirtmek için parametresini inputs kullanarak yöntemini çağırın:

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

   Giriş verilerinin invoke konumunu belirtmek için parametresini input kullanarak model dağıtımı çağrısını daha da basitleştirin:

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

   REST

   İste

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

Azure Depolama Hesaplarından giriş verilerini kullanma

Azure Machine Learning toplu uç noktaları, Azure Depolama Hesapları'ndaki bulut konumlarından verileri hem genel hem de özel olarak okuyabilir. Bir depolama hesabında depolanan verilerle toplu uç nokta işini çalıştırmak için aşağıdaki adımları kullanın.

Depolama hesaplarından veri okumak için ek gerekli yapılandırma hakkında daha fazla bilgi edinmek için bkz . Veri erişimi için işlem kümelerini yapılandırma.

1. Girişi veya isteği oluşturun:

   Azure CLI

   INPUT_DATA Değişkeni ayarlayın:

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

   Verileriniz bir dosyaysa değişkenini aşağıdaki biçimde ayarlayın:

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

   Python

   input Değişkeni ayarlayın:

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

   Verileriniz bir dosyaysa, giriş türünü olarak type=AssetTypes.URI_FILEdeğiştirin:

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

   REST

   Gövde

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

   Verileriniz bir dosyaysa, giriş türünü olarak JobInputTypedeğiştirin:

   Gövde

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

2. Uç noktayı çalıştırın:

   Azure CLI

   Girdiyi --set belirtmek için bağımsız değişkenini kullanın:

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

   Model dağıtımı sunan bir uç nokta için bağımsız değişkenini --input kullanarak veri girişini belirtebilirsiniz çünkü model dağıtımı her zaman yalnızca bir veri girişi gerektirir.

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

   --set Bağımsız değişken, birden çok giriş belirtildiğinde uzun komutlar üretme eğilimindedir. Böyle durumlarda, girişlerinizi bir YAML dosyaya yerleştirin ve bağımsız değişkenini --file kullanarak uç nokta çağrınız için ihtiyacınız olan girişleri belirtin.

   inputs.yml

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

   Şu komutu çalıştırın:

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

   Verileriniz bir dosyaysa, bunun yerine girişin türünü kullanın uri_file .

   Python

   İpucu

   Bir uç noktayı çağırdığınızda ve input parametresi arasındaki inputs fark nedir?

   Genel olarak, bir model dağıtımı veya işlem hattı dağıtımı içeren bir toplu iş uç noktasına rastgele sayıda gerekli giriş sağlamak için yöntemiyle invoke bir sözlük inputs = {} parametresi kullanabilirsiniz.

   Model dağıtımı için parametresini, dağıtımın input giriş veri konumunu belirtmek için daha kısa bir yol olarak kullanabilirsiniz. Model dağıtımı her zaman tek bir veri girişi aldığından bu yaklaşım çalışır.

   invoke Gerekli girişleri belirtmek için parametresini inputs kullanarak yöntemini çağırın:

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

   Giriş verilerinin invoke konumunu belirtmek için parametresini input kullanarak model dağıtımı çağrısını daha da basitleştirin:

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

   REST

   İste

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

Değişmez değer girişleriyle iş oluşturma

İşlem hattı bileşeni dağıtımları değişmez değer girişleri alabilir. Aşağıdaki örnekte değeri olan , türünde bir girişin score_modenasıl belirtilmesi gösterilmektedirappend:string

Azure CLI

Girişlerinizi bir YAML dosyaya yerleştirin ve uç nokta çağırmanız için ihtiyacınız olan girişleri belirtmek için kullanın --file .

inputs.yml

inputs:
  score_mode:
    type: string
    default: append

Şu komutu çalıştırın:

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

Değeri belirtmek için bağımsız değişkenini --set de kullanabilirsiniz. Ancak, bu yaklaşım birden çok giriş belirtildiğinde uzun komutlar üretme eğilimindedir:

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

Gövde

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

İste

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

Veri çıkışlarıyla iş oluşturma

Aşağıdaki örnekte adlı score çıkışın yerleştirildiği konumun nasıl değiştirileceği gösterilmektedir. Tamlık için, bu örneklerde adlı heart_datasetbir giriş de yapılandırılır.

1. Azure Machine Learning çalışma alanında varsayılan veri depounu kullanarak çıkışı kaydedin. Blob Depolama hesabı olduğu sürece çalışma alanınızdaki diğer veri depolarını kullanabilirsiniz.

   Azure CLI

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

   Veri depoları kimliği gibi /subscriptions/<subscription>/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace>/datastores/<data-store>görünür.

   Python

   default_ds = ml_client.datastores.get_default()
   

   REST

   Veri deposu bilgilerini almak için Azure Machine Learning CLI'sını, Python için Azure Machine Learning SDK'sını veya stüdyoyu kullanın.

2. Veri çıkışı oluşturma:

   Azure CLI

   OUTPUT_PATH Değişkeni ayarlayın:

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

   Eksiksizlik için bir veri girişi de oluşturun:

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

   Python

   Yol değişkenini output ayarlayın:

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

   Tamlık için bir veri girişi de oluşturalım:

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

   REST

   Gövde

   {
       "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>"
               }
           }
       }
   }
   

   Not

   Yol değişkeninin paths veri deposunun kaynak kimliğine nasıl eklendiğine dikkat edin. Bu biçim, izleyen değerin bir yol olduğunu gösterir.

3. Dağıtımı çalıştırın:

   Azure CLI

   Girdiyi --set belirtmek için bağımsız değişkenini kullanın:

   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

   İste

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

İlgili içerik

• Model dağıtımlarındaki çıktıları özelleştirme toplu dağıtımları
• Giriş ve çıkışlarla özel puanlama işlem hattı oluşturma
• Azure Data Factory'den toplu iş uç noktalarını çağırma