模型部署

可以使用 Azure 机器学习工作区手动部署模型。要自动部署模型，可以使用 Azure 机器学习 CLI (v2) 和 GitHub Actions。要使用 GitHub Actions 自动部署模型，必须：

打包并注册模型

每当你想使用 Azure 机器学习工作区部署模型时，都需要保存模型的输出并在工作区中注册模型。注册模型时，可以指定是否拥有 MLflow 或自定义模型。

使用 MLflow 创建和记录模型时，可以使用无代码部署。

提示

了解有关如何部署 MLflow 模型的详细信息。

要使用 MLflow 记录模型，请使用 mlflow.autolog() 在训练脚本中启用自动记录。

在模型训练期间记录模型时，模型将存储在作业输出中。或者，可以将模型存储在 Azure 机器学习数据存储中。

要注册模型，可以指向作业的输出或 Azure 机器学习数据存储中的位置。

要将模型部署到终结点，首先需要创建一个终结点，然后部署模型。终结点是 Web 应用可以向其发送数据并从中获取预测的 HTTPS 终结点。你希望终结点保持不变，即使在将更新的模型部署到同一终结点之后也是如此。当终结点保持不变时，每次重新训练模型时都不需要更新 Web 应用。

提示

最后，需要在将终结点与 Web 应用集成之前测试已部署的模型。或者在将终结点的所有流量转换为更新的模型之前。可以手动测试在线终结点，也可以使用 GitHub Actions 自动测试终结点。

注意

可以将测试任务添加到与模型部署任务相同的工作流中。但是，模型部署可能需要一段时间才能完成。因此，需要确保仅在模型部署成功完成时才进行测试。