Toplu uç noktaları çalıştırma ve sorun giderme

  • 5 dakika

Bir toplu iş uç noktasını çağırdığınızda, bir Azure Machine Learningişlem hattı işini tetiklersiniz. İş, puanlamak istediğiniz veri kümesine işaret eden bir giriş parametresi bekler.

Toplu puanlama işini tetikle

Verileri toplu tahminlere hazırlamak için Azure Machine Learning çalışma alanında bir klasörü veri varlığı olarak kaydedebilirsiniz.

Daha sonra Python SDK'sı ile toplu iş uç noktasını çağırırken giriş olarak kayıtlı veri varlığını kullanabilirsiniz:

from azure.ai.ml import Input
from azure.ai.ml.constants import AssetTypes

input = Input(type=AssetTypes.URI_FOLDER, path="azureml:new-data:1")

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

İşlem hattı işinin çalışmasını Azure Machine Learning studio'da izleyebilirsiniz. Toplu iş uç noktası çağrılarak tetiklenen tüm işler, toplu iş uç noktasının İşler sekmesinde gösterilir.

Çağrılan bir toplu işlem uç noktasından tamamlanan ve başarısız olan işlerin ekran görüntüsü.

Tahminler varsayılan veri deposunda depolanır.

Toplu puanlama işinin sorunlarını giderme

Toplu puanlama işi, işlem hattı işi olarak çalışır. İşlem hattı işinin sorunlarını gidermek istiyorsanız, işlem hattı işinin ayrıntılarını, çıktılarını ve günlüklerini gözden geçirebilirsiniz.

İşlem hattı işine genel bakış altındaki alt işin ekran görüntüsü.

Puanlama betiğinin sorunlarını gidermek istiyorsanız alt işi seçip çıktılarını ve günlüklerini gözden geçirebilirsiniz.

Çıkışlar + günlükler sekmesine gidin. logs/user/ klasörü, sorun gidermenize yardımcı olacak üç dosya içerir:

  • job_error.txt: Betiğinizdeki hataları özetleyin.
  • job_progress_overview.txt: Şimdiye kadar işlenen mini toplu işlemlerin sayısı hakkında üst düzey bilgiler sağlar.
  • job_result.txt: Puanlama betiğinde init() ve run() işlevini çağırma hatalarını gösterir.

Alt işin çıktısının ve günlüklerinin ekran görüntüsü.