你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

如何使用批处理终结点来操作训练管道

项目
09/03/2024

适用范围：Azure CLI ml 扩展 v2（最新版）Python SDK azure-ai-ml v2（最新版）

本文介绍如何在批处理终结点下操作训练管道。管道使用多个组件（或步骤），包括模型训练、数据预处理和模型评估。

你将了解以下内容：

创建和测试训练管道
将管道部署到批处理终结点
修改管道并在同一终结点中创建新部署
测试新部署，并将其设置为默认部署

关于此示例

此示例部署了一个训练管道，该管道将获取输入训练数据（已标记）并生成预测模型，以及评估结果和预处理期间应用的转换。该管道将使用 UCI 心脏病数据集中的表格数据来训练 XGBoost 模型。在将数据发送到训练组件以拟合和评估模型之前，我们使用数据预处理组件对其进行预处理。

管道的可视化效果如下所示：

本文中的示例基于 azureml-examples 存储库中包含的代码示例。要在无需复制/粘贴 YAML 和其他文件的情况下在本地运行命令，请先克隆存储库，然后将目录更改为以下文件夹：

Azure CLI
Python

git clone https://github.com/Azure/azureml-examples --depth 1
cd azureml-examples/cli

git clone https://github.com/Azure/azureml-examples --depth 1
cd azureml-examples/sdk/python

此示例的文件位于以下位置：

cd endpoints/batch/deploy-pipelines/training-with-components

在 Jupyter Notebook 中继续操作

可以通过在克隆的存储库中打开 sdk-deploy-and-test.ipynb 笔记本来遵循此示例的 Python SDK 版本。

先决条件

Azure 订阅。如果没有 Azure 订阅，请在开始操作前先创建一个免费帐户。试用免费版或付费版 Azure 机器学习。
一个 Azure 机器学习工作区。若要创建工作区，请参阅管理 Azure 机器学习工作区。
确保你在机器学习工作区中拥有以下权限：
- 创建或管理批处理终结点和部署：使用允许 Microsoft.MachineLearningServices/workspaces/batchEndpoints/* 的所有者、参与者或自定义角色。
- 在工作区资源组中创建 Azure 资源管理器部署：在部署工作区的资源组中使用允许 Microsoft.Resources/deployments/write 的所有者、参与者或自定义角色。
安装以下软件以使用机器学习：
- Azure CLI
- Python
运行以下命令，以安装 Azure CLI 和 Azure 机器学习的 ml 扩展：
```
az extension add -n ml
```
Azure CLI 的 ml 扩展版本 2.7 中引入了批处理终结点的管道组件部署。使用 az extension update --name ml 命令获取最新版本。
运行以下命令安装适用于 Python 的 Azure 机器学习 SDK：
```
pip install azure-ai-ml
```
该 SDK 的 1.7.0 版本中引入了 ModelBatchDeployment 和 PipelineComponentBatchDeployment 类。使用 pip install -U azure-ai-ml 命令获取最新版本。

连接到工作区

工作区是机器学习的顶级资源。它提供一个集中的位置用于处理使用机器学习时创建的所有工件。在本部分，你将连接到要在其中执行部署任务的工作区。

Azure CLI
Python

在以下命令中，请输入你的订阅 ID、工作区、位置和资源组的值：

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

导入所需的库：

from azure.ai.ml import MLClient, Input, load_component
from azure.ai.ml.entities import BatchEndpoint, ModelBatchDeployment, ModelBatchDeploymentSettings, PipelineComponentBatchDeployment, Model, AmlCompute, Data, BatchRetrySettings, CodeConfiguration, Environment, Data
from azure.ai.ml.constants import AssetTypes, BatchDeploymentOutputAction
from azure.ai.ml.dsl import pipeline
from azure.identity import DefaultAzureCredential

配置工作区详细信息并获取工作区句柄：

在以下命令中，请输入你的订阅 ID、工作区和资源组的值：

subscription_id = "<subscription>"
resource_group = "<resource-group>"
workspace = "<workspace>"

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)

创建训练管道组件

在此部分，我们将创建训练管道所需的所有资产。首先，我们将创建一个环境，其中包含训练模型所需的库。然后，我们将创建一个要在其上运行批处理部署的计算群集，最后，将输入数据注册为数据资产。

创建环境

此示例中的组件将使用包含 XGBoost 和 scikit-learn 库的环境。 environment/conda.yml 文件包含环境的配置：

environment/conda.yml

channels:
- conda-forge
dependencies:
- python=3.8.5
- pip
- pip:
  - mlflow
  - azureml-mlflow
  - datasets
  - jobtools
  - cloudpickle==1.6.0
  - dask==2023.2.0
  - scikit-learn==1.1.2
  - xgboost==1.3.3
  - pandas==1.4
name: mlflow-env

按如下所示创建环境：

定义环境：

Azure CLI
Python

environment/xgboost-sklearn-py38.yml

$schema: https://azuremlschemas.azureedge.net/latest/environment.schema.json
name: xgboost-sklearn-py38
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
conda_file: conda.yml
description: An environment for models built with XGBoost and Scikit-learn.

environment = Environment(
    name="xgboost-sklearn-py38",
    description="An environment for models built with XGBoost and Scikit-learn.",
    image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest",
    conda_file="environment/conda.yml",
)

创建环境：

Azure CLI
Python

az ml environment create -f environment/xgboost-sklearn-py38.yml

try:
    ml_client.environments.create_or_update(environment)
except ResourceExistsError:
    pass

创建计算群集

批处理终结点和部署在计算群集上运行。它们可以运行在工作区中已存在的任何 Azure 机器学习计算群集上。因此，多个批处理部署可以共享相同的计算基础结构。在此示例中，我们将在名为 batch-cluster 的 Azure 机器学习计算群集上工作。让我们验证工作区上是否存在计算，如果不存在，则创建计算。

Azure CLI
Python

az ml compute create -n batch-cluster --type amlcompute --min-instances 0 --max-instances 5

compute_name = "batch-cluster"
if not any(filter(lambda m: m.name == compute_name, ml_client.compute.list())):
    compute_cluster = AmlCompute(
        name=compute_name,
        description="Batch endpoints compute cluster",
        min_instances=0,
        max_instances=5,
    )
    ml_client.begin_create_or_update(compute_cluster).result()

将训练数据注册为数据资产

我们的训练数据以 CSV 文件表示。为了模拟更多生产级别的工作负载，我们将 heart.csv 文件中的训练数据注册为工作区中的数据资产。此数据资产稍后将指示为终结点的输入。

Azure CLI
Python

az ml data create --name heart-classifier-train --type uri_folder --path data/train

data_path = "data/train"
dataset_name = "heart-dataset-train"

heart_dataset_train = Data(
    path=data_path,
    type=AssetTypes.URI_FOLDER,
    description="A training dataset for heart classification",
    name=dataset_name,
)

创建数据资产：

ml_client.data.create_or_update(heart_dataset_train)

让我们获取对新数据资产的引用：

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

创建管道

要操作的管道将获取一个输入（即训练数据）并生成三个输出：已训练的模型、评估结果以及作为预处理应用的数据转换。此管道包含两个组件：

preprocess_job：此步骤将读取输入数据并返回准备好的数据和已应用的转换。该步骤将接收三个输入：
- data：包含要转换和评分的输入数据的文件夹
- transformations：（可选）将要应用的转换路径（如果可用）。如果未提供路径，则将从输入数据中学习转换。由于输入 transformations 是可选的，因此可以在训练和评分期间使用 preprocess_job 组件。
- categorical_encoding：分类特征的编码策略（ordinal 或 onehot）。
train_job：此步骤将基于准备好的数据来训练 XGBoost 模型，并返回评估结果和已训练的模型。该步骤将接收三个输入：
- data：预处理的数据。
- target_column：我们要预测的列。
- eval_size：指示用于评估的输入数据的比例。

Azure CLI
Python

管道配置是在 deployment-ordinal/pipeline.yml 文件中定义的：

deployment-ordinal/pipeline.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponent.schema.json
type: pipeline

name: uci-heart-train-pipeline
display_name: uci-heart-train
description: This pipeline demonstrates how to train a machine learning classifier over the UCI heart dataset.

inputs:
  input_data:
    type: uri_folder

outputs: 
  model:
    type: mlflow_model
    mode: upload
  evaluation_results:
    type: uri_folder
    mode: upload
  prepare_transformations:
    type: uri_folder
    mode: upload

jobs:
  preprocess_job:
    type: command
    component: ../components/prepare/prepare.yml
    inputs:
      data: ${{parent.inputs.input_data}}
      categorical_encoding: ordinal
    outputs:
      prepared_data:
      transformations_output: ${{parent.outputs.prepare_transformations}}
  
  train_job:
    type: command
    component: ../components/train_xgb/train_xgb.yml
    inputs:
      data: ${{parent.jobs.preprocess_job.outputs.prepared_data}}
      target_column: target
      register_best_model: false
      eval_size: 0.3
    outputs:
      model: 
        mode: upload
        type: mlflow_model
        path: ${{parent.outputs.model}}
      evaluation_results:
        mode: upload
        type: uri_folder
        path: ${{parent.outputs.evaluation_results}}

注意

在 pipeline.yml 文件中，preprocess_job 中缺少 transformations 输入；因此，脚本将从输入数据中学习转换参数。

管道组件的配置位于 prepare.yml 和 train_xgb.yml 文件中。加载组件：

prepare_data = load_component(source="components/prepare/prepare.yml")
train_xgb = load_component(source="components/train_xgb/train_xgb.yml")

构造管道：

@pipeline()
def uci_heart_classifier_trainer(input_data: Input(type=AssetTypes.URI_FOLDER)):
    prepared_data = prepare_data(data=input_data)
    trained_model = train_xgb(
        data=prepared_data.outputs.prepared_data,
        target_column="target",
        register_best_model=False,
        eval_size=0.3,
    )

    return {
        "model": trained_model.outputs.model,
        "evaluation_results": trained_model.outputs.evaluation_results,
        "transformations_output": prepared_data.outputs.transformations_output,
    }

注意

在管道中，缺少 transformations 输入；因此，脚本将从输入数据中学习参数。

该管道的可视化效果如下所示：

测试管道

我们可使用一些示例数据来测试管道。为此，我们将使用之前创建的管道和 batch-cluster 计算群集创建一个作业。

Azure CLI
Python

以下 pipeline-job.yml 文件包含了管道作业的配置：

deployment-ordinal/pipeline-job.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline

experiment_name: uci-heart-train-pipeline
display_name: uci-heart-train-job
description: This pipeline demonstrates how to train a machine learning classifier over the UCI heart dataset.

compute: batch-cluster
component: pipeline.yml
inputs:
  input_data:
    type: uri_folder
outputs: 
  model:
    type: mlflow_model
    mode: upload
  evaluation_results:
    type: uri_folder
    mode: upload
  prepare_transformations:
    mode: upload

pipeline_job = uci_heart_classifier_trainer(
    Input(type="uri_folder", path=heart_dataset_train.id)
)

现在，我们将配置一些运行设置来运行测试：

pipeline_job.settings.default_datastore = "workspaceblobstore"
pipeline_job.settings.default_compute = "batch-cluster"

创建测试作业：

Azure CLI
Python

az ml job create -f deployment-ordinal/pipeline-job.yml --set inputs.input_data.path=azureml:heart-classifier-train@latest

pipeline_job_run = ml_client.jobs.create_or_update(
    pipeline_job, experiment_name="uci-heart-train-pipeline"
)
pipeline_job_run

创建批处理终结点

为终结点提供名称。批处理终结点的名称在每个区域中必须是唯一的，因为该名称将用于构造调用 URI。为了确保唯一性，请在以下代码中指定的名称后面追加任何尾随字符。
- Azure CLI
- Python
```
ENDPOINT_NAME="uci-classifier-train"
```
```
endpoint_name = "uci-classifier-train"
```

配置终结点：

Azure CLI
Python

endpoint.yml 文件包含了终结点的配置。

endpoint.yml

$schema: https://azuremlschemas.azureedge.net/latest/batchEndpoint.schema.json
name: uci-classifier-train
description: An endpoint to perform training of the Heart Disease Data Set prediction task.
auth_mode: aad_token

endpoint = BatchEndpoint(
    name=endpoint_name,
    description="An endpoint to perform training of the Heart Disease Data Set prediction task",
)

创建终结点：

Azure CLI
Python

az ml batch-endpoint create --name $ENDPOINT_NAME -f endpoint.yml

ml_client.batch_endpoints.begin_create_or_update(endpoint).result()

查询终结点 URI：

Azure CLI
Python

az ml batch-endpoint show --name $ENDPOINT_NAME

endpoint = ml_client.batch_endpoints.get(name=endpoint_name)
print(endpoint)

部署管道组件

要部署管道组件，必须创建批处理部署。部署是承载执行实际工作的资产所需的一组资源。

配置部署：

Azure CLI
Python

deployment-ordinal/deployment.yml 文件包含部署的配置。可以检查额外属性中的完整批处理终结点 YAML 架构。

deployment-ordinal/deployment.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponentBatchDeployment.schema.json
name: uci-classifier-train-xgb
description: A sample deployment that trains an XGBoost model for the UCI dataset.
endpoint_name: uci-classifier-train
type: pipeline
component: pipeline.yml
settings:
    continue_on_step_failure: false
    default_compute: batch-cluster

管道是在函数中定义的。若要将其转换为组件，请从中使用 component 属性。管道组件是可重用的计算图，它们可以包含在批处理部署中，也可以用于组合更复杂的管道。

pipeline_component = ml_client.components.create_or_update(
    uci_heart_classifier_trainer().component
)

现在，我们可以定义部署：

deployment = PipelineComponentBatchDeployment(
    name="uci-classifier-train-xgb",
    description="A sample deployment that trains an XGBoost model for the UCI dataset.",
    endpoint_name=endpoint.name,
    component=pipeline_component,
    settings={"continue_on_step_failure": False, "default_compute": compute_name},
)

创建部署：
- Azure CLI
- Python
运行以下代码以在批处理终结点下创建一个批处理部署，并将其设置为默认部署。
```
az ml batch-deployment create --endpoint $ENDPOINT_NAME -f deployment-ordinal/deployment.yml --set-default
```
提示

请注意，我们使用 --set-default 标志来指示此新部署现在是默认部署。
此命令将启动部署创建操作，并在部署创建操作继续时返回确认响应。
```
ml_client.batch_deployments.begin_create_or_update(deployment).result()
```
创建后，将此新部署配置为默认部署：
```
endpoint = ml_client.batch_endpoints.get(endpoint_name)
endpoint.defaults.deployment_name = deployment.name
ml_client.batch_endpoints.begin_create_or_update(endpoint).result()
```
部署已就绪，可供使用。

测试部署

创建部署后，即可接收作业。按照以下步骤对其进行测试：

我们的部署要求指示一个数据输入。
- Azure CLI
- Python
inputs.yml 文件包含了输入数据资产的定义：

inputs.yml
```
inputs:
  input_data:
    type: uri_folder
    path: azureml:heart-classifier-train@latest
```
定义输入数据资产：
```
input_data = Input(type=AssetTypes.URI_FOLDER, path=heart_dataset_train.id)
```
提示

要详细了解如何指示输入，请参阅《为批处理终结点创建作业和输入数据》。
可以按如下所示调用默认部署：
- Azure CLI
- Python
```
JOB_NAME=$(az ml batch-endpoint invoke -n $ENDPOINT_NAME --f inputs.yml --query name -o tsv)
```
提示

调用终结点时，使用 inputs 和 input 参数有什么差别？

一般情况下，可以将字典 inputs = {} 参数与 invoke 方法一起使用，以便向包含模型部署或管道部署的批处理终结点提供任意数量的所需输入。

对于模型部署，可以使用 参数来更方便地指定部署的输入数据位置input。这种方法之所以可行，是因为模型部署始终只采用一个数据输入。
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name, inputs={"input_data": input_data}
)
```
可以使用以下方法监视演示进度并流式传输日志：
- Azure CLI
- Python
```
az ml job stream -n $JOB_NAME
```
```
ml_client.jobs.get(job.name)
```
若要等待作业完成，请运行以下代码：
```
ml_client.jobs.stream(name=job.name)
```

值得一提的是，只有管道的输入才会在批处理终结点中作为输入发布。例如，categorical_encoding 是管道步骤的输入，而不是管道本身的输入。利用这一点可以控制要向客户端公开的输入以及要隐藏的输入。

访问作业输出

作业完成后，可以访问它的某些输出。此管道将为其组件生成以下输出：

preprocess job：输出为 transformations_output
train job：输出为 model 和 evaluation_results

可以使用以下方法下载关联结果：

Azure CLI
Python

az ml job download --name $JOB_NAME --output-name transformations
az ml job download --name $JOB_NAME --output-name model
az ml job download --name $JOB_NAME --output-name evaluation_results

ml_client.jobs.download(
    name=job.name, download_path=".", output_name="transformations_output"
)
ml_client.jobs.download(name=job.name, download_path=".", output_name="model")
ml_client.jobs.download(
    name=job.name, download_path=".", output_name="evaluation_results"
)

在终结点中创建新部署

终结点可以同时托管多个部署，而默认情况下只会保留一个部署。因此，可以循环访问不同的模型，将不同的模型部署到终结点并对其进行测试，最后，将默认部署切换为最适合你的模型部署。

让我们更改在管道中完成预处理的方式，看看是否可获得一个性能更好的模型。

更改管道预处理组件中的参数

预处理组件具有名为 categorical_encoding 的输入，后者可以具有值 ordinal 或 onehot。这些值对应于两种不同的分类特征编码方式。

ordinal：使用 [1:n] 中的数值（序号）对特征值进行编码，其中 n 是特征中的类别数。序号编码意味着特征类别之间存在自然排序。
onehot：并不表示自然排序关系，但如果类别数很大，则会导致维度问题。

默认情况下，我们在前面使用了 ordinal。现在，让我们将分类编码更改为使用 onehot，并查看模型的性能。

提示

或者，我们可以向客户端公开 categorial_encoding 输入作为管道作业本身的输入。但是，我们选择在预处理步骤中更改参数值，以便能够隐藏和控制部署内部的参数，并利用机会在同一终结点下包含多个部署。

修改管道。它如下所示：

Azure CLI
Python

管道配置是在 deployment-onehot/pipeline.yml 文件中定义的：

deployment-onehot/pipeline.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponent.schema.json
type: pipeline

name: uci-heart-train-pipeline
display_name: uci-heart-train
description: This pipeline demonstrates how to train a machine learning classifier over the UCI heart dataset.

inputs:
  input_data:
    type: uri_folder

outputs: 
  model:
    type: mlflow_model
    mode: upload
  evaluation_results:
    type: uri_folder
    mode: upload
  prepare_transformations:
    type: uri_folder
    mode: upload

jobs:
  preprocess_job:
    type: command
    component: ../components/prepare/prepare.yml
    inputs:
      data: ${{parent.inputs.input_data}}
      categorical_encoding: onehot
    outputs:
      prepared_data:
      transformations_output: ${{parent.outputs.prepare_transformations}}
  
  train_job:
    type: command
    component: ../components/train_xgb/train_xgb.yml
    inputs:
      data: ${{parent.jobs.preprocess_job.outputs.prepared_data}}
      target_column: target
      eval_size: 0.3
    outputs:
      model: 
        type: mlflow_model
        path: ${{parent.outputs.model}}
      evaluation_results:
        type: uri_folder
        path: ${{parent.outputs.evaluation_results}}

@pipeline()
def uci_heart_classifier_onehot(input_data: Input(type=AssetTypes.URI_FOLDER)):
    prepared_data = prepare_data(data=input_data, categorical_encoding="onehot")
    trained_model = train_xgb(
        data=prepared_data.outputs.prepared_data,
        target_column="target",
        register_best_model=False,
        eval_size=0.3,
    )

    return {
        "model": trained_model.outputs.model,
        "evaluation_results": trained_model.outputs.evaluation_results,
        "transformations_output": prepared_data.outputs.transformations_output,
    }

配置部署：

Azure CLI
Python

deployment-onehot/deployment.yml 文件包含部署的配置。可以检查额外属性中的完整批处理终结点 YAML 架构。

deployment-onehot/deployment.yml

$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponentBatchDeployment.schema.json
name: uci-classifier-train-onehot
description: A sample deployment that trains an XGBoost model for the UCI dataset using onehot encoding for variables.
endpoint_name: uci-classifier-train
type: pipeline
component: pipeline.yml
settings:
    continue_on_step_failure: false
    default_compute: batch-cluster

管道是在函数中定义的。要将其转换为组件，请使用 build() 方法。管道组件是可重用的计算图，它们可以包含在批处理部署中，也可以用于组合更复杂的管道。

pipeline_component = uci_heart_classifier_onehot._pipeline_builder.build()

现在，我们可以定义部署：

deployment_onehot = PipelineComponentBatchDeployment(
    name="uci-classifier-train-onehot",
    description="A sample deployment that trains an XGBoost model for the UCI dataset with one hot encoding of categorical variables.",
    endpoint_name=endpoint.name,
    component=pipeline_component,
    settings={"continue_on_step_failure": False, "default_compute": compute_name},
)

创建部署：
- Azure CLI
- Python
运行以下代码以在批处理终结点下创建一个批处理部署，并将其设置为默认部署。
```
az ml batch-deployment create --endpoint $ENDPOINT_NAME -f deployment-onehot/deployment.yml
```
部署已就绪，可供使用。
此命令将启动部署创建操作，并在部署创建操作继续时返回确认响应。
```
ml_client.batch_deployments.begin_create_or_update(deployment_onehot).result()
```
部署已准备就绪，可供使用。

测试非默认部署

创建部署后，即可接收作业。我们可以像以前一样测试它，但现在将调用一个特定部署：

按如下所示调用部署，指定部署参数以触发该特定部署 uci-classifier-train-onehot：
- Azure CLI
- Python
```
DEPLOYMENT_NAME="uci-classifier-train-onehot"
JOB_NAME=$(az ml batch-endpoint invoke -n $ENDPOINT_NAME -d $DEPLOYMENT_NAME --f inputs.yml --query name -o tsv)
```
提示

调用终结点时，使用 inputs 和 input 参数有什么差别？

一般情况下，可以将字典 inputs = {} 参数与 invoke 方法一起使用，以便向包含模型部署或管道部署的批处理终结点提供任意数量的所需输入。

对于模型部署，可以使用 参数来更方便地指定部署的输入数据位置input。这种方法之所以可行，是因为模型部署始终只采用一个数据输入。
```
job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    deployment_name=deployment_onehot.name,
    inputs={"input_data": input_data},
)
```
可以使用以下方法监视演示进度并流式传输日志：
- Azure CLI
- Python
```
az ml job stream -n $JOB_NAME
```
```
ml_client.jobs.get(name=job.name)
```
要等待作业完成，请运行以下代码：
```
ml_client.jobs.stream(name=job.name)
```

将新部署配置为默认部署

如果对新部署的性能感到满意，则可以将此新部署设置为默认部署：

Azure CLI
Python

az ml batch-endpoint update --name $ENDPOINT_NAME --set defaults.deployment_name=$DEPLOYMENT_NAME

endpoint = ml_client.batch_endpoints.get(endpoint_name)
endpoint.defaults.deployment_name = deployment.name
ml_client.batch_endpoints.begin_create_or_update(endpoint).result()

删除旧部署

完成后，如果不再需要旧部署，则可以将其删除：

Azure CLI
Python

az ml batch-deployment delete --name uci-classifier-train-xgb --endpoint-name $ENDPOINT_NAME --yes

ml_client.batch_deployments.begin_delete(
    name=deployment.name, endpoint_name=endpoint.name
).result()

清理资源

完成后，从工作区中删除关联的资源：

Azure CLI
Python

运行以下代码以删除批处理终结点及其基础部署。 --yes 用于确认删除。

az ml batch-endpoint delete -n $ENDPOINT_NAME --yes

删除终结点：

ml_client.batch_endpoints.begin_delete(endpoint_name).result()

（可选）除非计划在以后的部署中重用计算群集，否则请删除计算。

Azure CLI
Python

az ml compute delete -n batch-cluster

ml_client.compute.begin_delete(name="batch-cluster")

通过