Azure Machine Learning'de kayıtlı modellerle çalışma

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Bu makalede, aşağıdakileri kullanarak Azure Machine Learning'de modelleri kaydetmeyi ve bunlarla çalışmayı öğreneceksiniz:

• Azure Machine Learning stüdyosu kullanıcı arabirimi.
• The Azure Machine Learning V2 CLI.
• Python Azure Machine Learning V2 SDK'sı.

Şunları yapmayı öğreneceksiniz:

• Yerel dosyalardan, veri depolarından veya iş çıkışlarından model kayıt defterinde kayıtlı modeller oluşturun.
• Özel, MLflow ve Triton gibi farklı model türleriyle çalışın.
• Modelleri eğitim işlerinde giriş veya çıkış olarak kullanın.
• Model varlıklarının yaşam döngüsünü yönetin.

Model kaydı

Model kaydı , modellerinizi Azure bulutundaki çalışma alanınızda depolamanıza ve sürüm oluşturmanıza olanak tanır. Model kayıt defteri, eğitilen modellerinizi düzenlemenize ve izlemenize yardımcı olur. Azure CLI, Python SDK veya Machine Learning studio kullanıcı arabirimini kullanarak modelleri Azure Machine Learning'de varlık olarak kaydedebilirsiniz.

Desteklenen yollar

Modeli kaydetmek için verilere veya iş konumuna işaret eden bir yol belirtin. Aşağıdaki tabloda Azure Machine Learning'in desteklediği çeşitli veri konumları ve parametresinin söz dizimi gösterilmektedir path :

Konum	Sözdizimi
Yerel bilgisayar	<model-folder>/<model-filename>
Azure Machine Learning veri deposu	azureml://datastores/<datastore-name>/paths/<path_on_datastore>
Azure Machine Learning işi	azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
MLflow işi	runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
Machine Learning çalışma alanında model varlığı	azureml:<model-name>:<version>
Machine Learning kayıt defterindeki model varlığı	azureml://registries/<registry-name>/models/<model-name>/versions/<version>

Desteklenen modlar

Girişler veya çıkışlar için modelleri kullandığınızda aşağıdaki modlardan birini belirtin. Örneğin, modelin salt okunur olarak mı bağlanacağını yoksa işlem hedefine mi indirileceğini belirtin.

• ro_mount: Verileri işlem hedefine salt okunur olarak bağlayın.
• rw_mount: Verileri okuma-yazma bağlama.
• download: Verileri işlem hedefine indirin.
• upload: İşlem hedefinden verileri karşıya yükleyin.
• direct: URI'yi dize olarak geçirin.

Aşağıdaki tabloda, farklı model türü giriş ve çıkışları için kullanılabilir mod seçenekleri gösterilmektedir.

Tür	upload	download	ro_mount	rw_mount	direct
custom dosya girişi
custom klasör girişi		✓	✓		✓
mlflow girdi		✓	✓
custom dosya çıkışı	✓			✓	✓
custom klasör çıktısı	✓			✓	✓
mlflow çıktı	✓			✓	✓

Önkoşullar

• Azure Machine Learning'in ücretsiz veya ücretli sürümüne sahip bir Azure aboneliği. Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun.
• Azure Machine Learning çalışma alanı.

Bu makaledeki kod örneklerini çalıştırmak ve Azure Machine Learning V2 CLI veya Python Azure Machine Learning V2 SDK'sı ile çalışmak için şunlar da gerekir:

Azure CLI

• Azure CLI sürüm 2.38.0 veya üzeri yüklü.

• Aşağıdaki komutu çalıştırarak yüklenen uzantının V2'sini ml seçin. Daha fazla bilgi için bkz . CLI'yi (v2) yükleme, ayarlama ve kullanma.

  az extension add -n ml
  

Python SDK'sı

• Python 3.10 veya üzeri yüklü.

• Python için Azure Machine Learning SDK v2, aşağıdaki komutu çalıştırarak yüklenir:

  pip install azure-ai-ml azure-identity
  

Not

V2 tam geriye dönük uyumluluk sağlar. v1 SDK veya CLI'dan model varlıklarını kullanmaya devam edebilirsiniz. v1 CLI veya SDK ile kaydedilen tüm modellere türü customatanır.

Studio kullanıcı arabirimini kullanarak model kaydetme

Azure Machine Learning stüdyosu kullanıcı arabirimini kullanarak modeli kaydetmek için:

1. Stüdyodaki çalışma alanınızda sol gezinti bölmesinden Modeller'i seçin.

2. Model Listesi sayfasında Kaydet'i seçin ve açılan listeden aşağıdaki konumlardan birini seçin:

   • Yerel dosyalardan
   • İş çıkışından
   • Veri deposundan
   • Yerel dosyalardan (çerçeveye göre)

3. İlk Kayıt modeli ekranında:

   1. Modeliniz için yerel dosyaya, veri deposuna veya iş çıkışına gidin.
   2. Giriş modeli türünü seçin: MLflow, Triton veya Belirtilmeyen tür.

4. Model ayarları ekranında, kayıtlı modeliniz için bir ad ve diğer isteğe bağlı ayarları sağlayın ve İleri'yi seçin.

5. Gözden Geçir ekranında yapılandırmayı gözden geçirin ve kaydet'i seçin.

Azure CLI veya Python SDK'sını kullanarak model kaydetme

Aşağıdaki kod parçacıkları, Azure CLI veya Python SDK'sını kullanarak modelin Azure Machine Learning'de varlık olarak nasıl kaydedileceğini gösterir. Bu kod parçacıkları ve custom model türlerini kullanırmlflow.

• custom tür, Azure Machine Learning'in şu anda desteklemediği özel bir standartla eğitilen bir model dosyasına veya klasöre başvurur.
• mlflowtür, MLflow ile eğitilen bir modeli ifade eder. MLflow tarafından eğitilen modeller MLmodel dosyasını, model dosyasını, conda bağımlılıkları dosyasını ve requirements.txt dosyasını içeren bir klasörde bulunur.

İpucu

Azureml-examples deposunda model.ipynb not defterini çalıştırarak aşağıdaki örneklerin Python sürümleriyle birlikte izleyebilirsiniz.

Çalışma alanınıza bağlanma

Çalışma alanı, Azure Machine Learning için en üst düzey kaynaktır. Azure Machine Learning'i kullanırken oluşturduğunuz tüm yapıtlarla çalışmak için merkezi bir yer sağlar. Bu bölümde, kayıtlı modeli oluşturmak için Azure Machine Learning çalışma alanınıza bağlanacaksınız.

Azure CLI

1. komutunu çalıştırarak az login ve istemleri izleyerek Azure'da oturum açın.

2. Aşağıdaki komutlarda , <subscription-id>, <workspace-name>ve <resource-group> yer tutucularını ortamınızın değerleriyle değiştirin<location>.

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

Python SDK'sı

1. Gerekli kitaplıkları içeri aktarın.

   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. Çalışma alanı ayrıntılarını yapılandırın ve çalışma alanına bir tanıtıcı alın. Aşağıdaki kod parçacığında , <subscription-id>ve <resource-group> yer tutucularını ortamınızın değerleriyle değiştirin<workspace-name>.

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

Kayıtlı modeli oluşturma

Şu şekilde bir modelden kayıtlı bir model oluşturabilirsiniz:

• Yerel bilgisayarınızda bulunur.
• Azure Machine Learning veri deposunda bulunur.
• Azure Machine Learning işinden çıktı.

Yerel dosya veya klasör

Azure CLI

1. YAML dosya <adı>.yml oluşturun. Dosyasında kayıtlı modeliniz için bir ad, yerel model dosyasının yolu ve bir açıklama girin. Örneğin:

   $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. YAML dosyanızın adını kullanarak aşağıdaki komutu çalıştırın:

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

Tam bir örnek için yaml modeline bakın.

Python SDK'sı

Aşağıdaki örnekte, yerel bir dosyadan kayıtlı model oluşturma gösterilmektedir.

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)

Veri Deposu

Desteklenen URI biçimlerinden herhangi birini kullanarak bir bulut yolundan model oluşturabilirsiniz.

Azure CLI

Aşağıdaki örnek, söz dizimini azuremlkullanarak veri deposundaki bir yola işaret etmek için kısaltma azureml://datastores/<datastore-name>/paths/<path_on_datastore> düzenini kullanır.

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

Tam bir örnek için bkz . CLI başvurusu.

Python SDK'sı

Aşağıdaki örnek, söz dizimini azuremlkullanarak veri deposundaki bir yola işaret etmek için kısaltma azureml://datastores/${{datastore-name}}/paths/${{path_on_datastore}} düzenini kullanır.

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)

İş çıktısı

Model verileriniz bir iş çıkışından geliyorsa, model yolunu belirtmek için iki seçeneğiniz vardır. MLflow runs: URI biçimini veya azureml://jobs URI biçimini kullanabilirsiniz.

Not

Yapıtlar ayrılmış anahtar sözcüğü varsayılan yapıt konumundan çıktıyı temsil eder.

• MLflow çalıştırmaları: URI biçimi

  Bu seçenek, büyük olasılıkla MLflow URI biçimini zaten bilen MLflow runs: kullanıcıları için en iyi şekilde çalışır. Varsayılan yapıt konumundaki yapıtlardan, MLflow tarafından günlüğe kaydedilen tüm modeller ve yapıtların olduğu yerde, bir model oluşturur. Bu seçenek ayrıca kayıtlı bir model ile modelin geldiği çalıştırma arasında bir köken oluşturur.

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

  Örnek:

  Azure CLI

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

  Python SDK'sı

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

---

• azureml://jobs URI biçimi

  azureml://jobs İşin herhangi bir çıkış yolundaki artifaktlardan bir model kaydetmek için başvuru URI'sini kullanın. Bu biçim, başvuru URI biçimiyle azureml://datastores hizalanır. Ayrıca, varsayılan yapıt konumu dışındaki adlandırılmış çıkışlardan yapıtlara başvurmayı da destekler.

  MLflow kullanarak modelinizi doğrudan eğitim betiğine kaydetmediyseniz, kayıtlı modelle eğittiği iş arasında bir köken oluşturmak için bu seçeneği kullanın.

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

  • Varsayılan yapıt konumu: azureml://jobs/<run-id>/outputs/artifacts/paths/<path-to-model>/. Bu konum MLflow runs:/<run-id>/<model>ile eşdeğerdir.
  • Adlandırılmış çıkış klasörü: azureml://jobs/<run-id>/outputs/<named-output-folder>
  • Adlandırılmış çıkış klasöründeki belirli dosya: azureml://jobs/<run-id>/outputs/<named-output-folder>/paths/<model-filename>
  • Adlandırılmış çıktı klasörünün içindeki belirli klasör yolu: azureml://jobs/<run-id>/outputs/<named-output-folder>/paths/<model-folder-name>

  Örnek:

  Azure CLI

  Adlandırılmış bir çıkış klasöründen model kaydedin:

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

  Tam bir örnek için bkz . CLI başvurusu.

  Python SDK'sı

  Adlandırılmış bir çıkıştan model kaydetme:

  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)

  Tam bir örnek için model not defterine bakın.

---

Eğitim için modelleri kullanma

v2 Azure CLI ve Python SDK'sı ayrıca modelleri eğitim işlerinde giriş veya çıkış olarak kullanmanıza da olanak tanır.

Eğitim işinde giriş olarak model kullanma

Azure CLI

1. İş belirtimi YAML dosyası, <dosya adı>.yml oluşturun. inputs İşin bölümünde şunları belirtin:

   • modeli type, veya mlflow_modelolabilircustom_modeltriton_model.
   • path Modelinizin bulunduğu yer. Aşağıdaki örneğin açıklamasında listelenen yollardan herhangi birini kullanabilirsiniz.

   $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-1.5/labels/latest
   

2. YAML dosyanızın adını değiştirerek aşağıdaki komutu çalıştırın.

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

Tam bir örnek için bkz . Model GitHub deposu.

Python SDK'sı

Bu Input sınıf tanımlamanızı sağlar:

• Aşağıdaki değerlerden biri olabilecek model varlığı türü:

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

• path aşağıdaki konumlardan biri olabilecek model verilerinize:

  • Yerel yol: <model-folder>/<model-filename>
  • Azure Machine Learning veri deposu: azureml://datastores/<datastore-name>/paths/<path_on_datastore>
  • MLflow çalıştırması: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
  • İş: azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
  • Model varlığı: azureml:<my_model>:<version>

Aşağıdaki örnek, yerel klasörden bir MLflow modeli girişi yapar.

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://registries/azureml/environments/sklearn-1.5-ubuntu20.04-py310-cpu/labels/latest",
    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

İş için çıkış olarak model yazma

İşiniz, çıkışları kullanarak bulut tabanlı depolama alanınıza model yazabilir.

Azure CLI

1. İş belirtimi YAML dosya <adı>.yml oluşturun. outputs Bölümünü çıkış modeli türü ve yolu ile doldurun.

   $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-1.5/labels/latest
   

2. CLI kullanarak iş oluşturma:

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

Tam bir örnek için bkz . Model GitHub deposu.

Python SDK'sı

Output sınıfı şunları belirtmenizi sağlar:

• Aşağıdaki değerlerden biri olabilecek model varlığı türü:

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

• path Model verileriniz için, aşağıdaki konumlardan biri olabilir:

  • Yerel yol: mlflow-model/model.pkl
  • Azure Machine Learning veri deposu: azureml://datastores/<datastore-name>/paths/<path_on_datastore>
  • MLflow çalıştırması: runs:/<run-id>/<path-to-model-relative-to-the-root-of-the-artifact-location>
  • İş: azureml://jobs/<job-name>/outputs/<output-name>/paths/<path-to-model-relative-to-the-named-output-location>
  • Model varlığı: azureml:<my_model>:<version>

Aşağıdaki örnek, varsayılan veri deponuzu okuma-yazma moduna bağlayan bir çıkış oluşturur. Kod, yerel MLflow modelini giriş olarak yükler ve bağlı veri deposuna kaydedilen işin çıkışıyla aynı modeli dışarı aktarır.

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://registries/azureml/environments/sklearn-1.5-ubuntu20.04-py310-cpu/labels/latest",
    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

Modelleri yönetme

Azure Machine Learning model varlıklarınızın yaşam döngüsünü yönetmek için Azure CLI ve Python SDK'sını kullanabilirsiniz.

Liste

Azure CLI

Çalışma alanınızdaki tüm modelleri listeleyin:

az ml model list

Tüm model sürümlerini belirli bir ad altında listeleyin:

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

Python SDK'sı

Çalışma alanınızdaki tüm modelleri listeleyin:

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

Tüm model sürümlerini belirli bir ad altında listeleyin:

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

Göster

Belirli bir modelin ayrıntılarını alın:

Azure CLI

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

Python SDK'sı

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

Güncelleştir

Belirli bir modelin değiştirilebilir özelliklerini güncelleştirme:

Önemli

Modeller için yalnızca description ve tags özelliklerini güncelleştirebilirsiniz. Diğer tüm özellikler sabittir. Bu özellikleri değiştirmek için modelin yeni bir sürümünü oluşturun.

Azure CLI

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

Python SDK'sı

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

Arşiv

Modeli arşivleme, varsayılan olarak olduğu gibi az ml model list liste sorgularından gizler. İş akışlarınızda arşivlenmiş bir modele başvurmaya ve kullanmaya devam edebilirsiniz.

Modelin tüm sürümlerini veya yalnızca belirli sürümlerini arşivleyebilirsiniz. Bir sürüm belirtmezseniz, komutu modelin tüm sürümlerini arşivler. Arşivlenmiş bir model kapsayıcısı altında yeni bir model sürümü oluşturursanız, yeni sürüm de otomatik olarak arşivlenmiş olarak ayarlanır.

Azure CLI

Belirli bir model sürümünü arşivle:

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

Python SDK'sı

Belirli bir model sürümünü arşivle:

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

İlgili içerik

• Kayıt defterleriyle çalışma alanları arasında modelleri, bileşenleri ve ortamları paylaşma
• Python için Azure Machine Learning paketi istemci kitaplığı
• Azure CLI ml uzantısı
• MLflow ve Azure Machine Learning
• MLflow modellerini çevrimiçi uç noktalara dağıtma