Share via

在 Azure Machine Learning 中重建工作室 (傳統) Web 服務

  • 發行項

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源 (工作區與 Web 服務方案)。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 實驗與 Web 服務。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

在本文中，您會了解如何重建工作室 (傳統) Web 服務，作為 Azure Machine Learning 中的端點。

使用 Azure Machine Learning 管線端點來進行預測、重新定型模型，或執行任何泛型管線。 REST 端點可讓您從任何平台執行管線。

本文是工作室 (傳統) 到 Azure Machine Learning 移轉系列的一部分。 如需移轉至 Azure Machine Learning 的詳細資訊，請參閱移轉概觀文章。

注意

此移轉系列著重於拖放設計工具。 如需以程式設計方式部署模型的詳細資訊，請參閱 在 Azure 中部署機器學習模型。

必要條件

即時端點與管線端點

工作室 (傳統) Web 服務已被 Azure Machine Learning 中的端點取代。 使用下表來選擇要使用的端點類型：

工作室 (傳統) Web 服務 Azure Machine Learning 取代
要求/回應 Web 服務 (即時預測) 即時端點
批次 Web 服務 (批次預測) 管線端點
重新定型 Web 服務 (重新定型) 管線端點

部署即時端點

在工作室 (傳統) 中，您已使用 REQUEST/RESPOND Web 服務，來部署模型進行即時預測。 在 Azure Machine Learning 中，您會使用即時端點。

有多種方式可以在 Azure Machine Learning 中部署模型。 其中一種最簡單的方式，就是使用設計工具來自動化部署流程。 使用下列步驟，將模型部署為即時端點：

  1. 至少執行一次您完成的定型管線。

  2. 在作業完成之後，請在畫布頂端選取 [建立推斷管線]> [即時推斷管線]。

    Create realtime inference pipeline

    設計工具會將定型管線轉換成即時推斷管線。 類似的轉換也會發生在工作室 (傳統) 中。

    在設計工具中，轉換步驟也會將定型的模型註冊到您的 Azure Machine Learning 工作區。

  3. 選取 [提交] 以執行即時推斷管線，並驗證其是否成功執行。

  4. 在驗證推斷管線之後，請選取 [部署]。

  5. 輸入您端點的名稱和計算類型。

    下表描述設計工具中的部署計算選項：

    計算目標 用於 描述 建立
    Azure Kubernetes Service (AKS) 即時推斷 大規模生產環境部署。 快速回應時間和服務自動調整。 使用者建立的。 如需詳細資訊，請參閱建立計算目標。
    Azure 容器執行個體 測試或開發 需要少於 48 GB RAM 的小規模 CPU 型工作負載。 由 Azure Machine Learning 自動建立。

測試即時端點

在部署完成之後，您可以查看更多詳細資料並測試您的端點：

  1. 移至 [端點] 索引標籤。

  2. 選取您的端點。

  3. 選取 [測試] 索引標籤。

    Screenshot showing the Endpoints tab with the Test endpoint button

發佈用於批次預測或重新定型的管線端點

您也可以使用定型管線來建立管線端點，而不是即時端點。 使用管線端點來執行批次預測或重新定型。

管線端點會取代工作室 (傳統) 批次執行端點和重新定型 Web 服務。

發佈用於批次預測的管線端點

發佈批次預測端點類似於即時端點。

請使用下列步驟來發佈用於批次預測的管線端點：

  1. 至少執行一次您完成的定型管線。

  2. 在作業完成之後，請在畫布頂端選取 [建立推斷管線]> [批次推斷管線]。

    Screenshot showing the create inference pipeline button on a training pipeline

    設計工具會將定型管線轉換成批次推斷管線。 類似的轉換也會發生在工作室 (傳統) 中。

    在設計工具中，此步驟也會將定型的模型註冊到您的 Azure Machine Learning 工作區。

  3. 選取 [提交] 以執行批次推斷管線，並驗證其是否成功完成。

  4. 在驗證推斷管線之後，請選取 [發佈]。

  5. 建立新的管線端點，或選取現有的管線端點。

    新的管線端點會為您的管線建立新的 REST 端點。

    如果選取現有的管線端點，則您不會覆寫現有的管線。 相反地，Azure Machine Learning 會設定端點中每個管線的版本。 您可以指定要在 REST 呼叫中執行的版本。 如果 REST 呼叫未指定版本，您亦須設定預設管線。

發佈用於重新定型的管線端點

若要發佈用於重新定型的管線端點，您必須已有定型模型的管線草稿。 如需建置定型管線的詳細資訊，請參閱 重建工作室 (傳統) 實驗。

若要重複使用管線端點進行重新定型，您必須為輸入資料集建立管線參數。 這可讓您動態設定您的定型資料集，以便您可以重新定型您的模型。

請使用下列步驟來發佈重新定型管線端點：

  1. 至少執行一次您的定型管線。

  2. 在執行完成之後，請選取資料集模組。

  3. 在模組詳細資料窗格中，選取 [設定為管線參數]。

  4. 提供描述性名稱，例如 "InputDataset"。

    Screenshot highlighting how to create a pipeline parameter

    這會為您的輸入資料集建立管線參數。 呼叫您的管線端點進行定型時，您可以指定新的資料集來重新定型模型。

  5. 選取發行。

    Screenshot highlighting the Publish button on a training pipeline

從工作室呼叫您的管線端點

在建立您的批次推斷或重新定型管線端點之後，您可以直接從瀏覽器呼叫您的端點。

  1. 移至 [管線] 索引標籤，然後選取 [管線端點]。

  2. 選取您要執行的管線端點。

  3. 選取 [提交]。

    在選取 [提交] 之後，您可以指定任何管線參數。

下一步

在本文中，您已了解如何在 Azure Machine Learning 中重建工作室 (傳統) Web 服務。 下一步是整合您的 Web 服務與用戶端應用程式。

請參閱工作室 (傳統) 移轉系列中的其他文章：

  1. 移轉概觀。
  2. 移轉資料集。
  3. 重建工作室 (傳統) 定型管線。
  4. 重建工作室 (傳統) Web 服務。
  5. 將 Azure Machine Learning Web 服務與用戶端應用程式整合。
  6. 移轉執行 R 指令碼。