將 MLflow 模型部署至線上端點

在本文中，您可了解如何將 MLflow 模型部署至線上端點以進行即時推斷。當您將 MLflow 模型部署到線上端點時，您不需要指定評分指令碼或環境，此功能稱為無程式碼部署。

針對無程式碼部署，Azure Machine Learning 會：

動態安裝您在 conda.yaml 檔案中所列的 Python 套件。因此，系統會在容器執行階段期間安裝相依性。
提供包含下列項目的 MLflow 基底映像或精心挑選的環境：
- azureml-inference-server-http 套件
- mlflow-skinny 套件
- 用於推斷的評分指令碼

Prerequisites

Azure 訂用帳戶。如尚未擁有 Azure 訂用帳戶，請在開始之前先建立免費帳戶。
至少具有下列其中一個 Azure 角色型存取控制（Azure RBAC）角色的用戶帳戶：
- Azure Machine Learning 工作區的擁有者角色
- Azure Machine Learning 工作區的參與者角色
- 具有 Microsoft.MachineLearningServices/workspaces/onlineEndpoints/* 許可權的自定義角色
如需詳細資訊，請參閱管理 Azure Machine Learning 工作區。
存取 Azure Machine Learning 服務：
安裝 Azure CLI 和 Azure CLI 的 ml 延伸模組。如需安裝步驟，請參閱安裝和設定 CLI （v2）。
安裝適用於 Python 的 Azure Machine Learning SDK。
```
pip install azure-ai-ml azure-identity
```
- 安裝 MLflow SDK 套件， mlflow以及適用於 MLflow azureml-mlflow的 Azure Machine Learning 整合套件。
```
pip install mlflow azureml-mlflow
```
- 如果您未在 Azure Machine Learning 計算實例中執行程式代碼，請設定 MLflow 追蹤 URI 或 MLflow 登錄 URI，以指向您工作的 Azure Machine Learning 工作區。如需如何將 MLflow 連線至工作區的詳細資訊，請參閱設定 Azure Machine Learning 的 MLflow。
當您在 Azure Machine Learning Studio 中工作時，沒有其他必要條件。

關於範例

本文中的範例示範如何將 MLflow 模型部署到在線端點，以執行預測。此範例會使用以糖尿病資料集為基礎的 MLflow 模型。此數據集包含10個基準變數：年齡、性別、身體質量指數、平均血壓和6個從442名糖尿病患者獲得的血液血清測量。其也包含感興趣的反應，即一項在基準資料日期後一年所測量的疾病進展量化量值。

模型是使用 scikit-learn 回歸分析器來訓練。所有必要的前置處理都會封裝為管線，因此此模型是從原始數據到預測的端對端管線。

本文中的資訊是以 azureml-examples 存放庫中的程式碼範例為基礎。如果您複製存放庫，您可以在本機執行本文中的命令，而不需要複製或貼上 YAML 檔案和其他檔案。使用下列命令複製存放庫，並移至程式代碼撰寫語言的資料夾：

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/endpoints/online/mlflow

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

在 Jupyter Notebook 中跟著做

若要遵循本文中的步驟，請參閱將 MLflow 模型部署至範例存放庫中的在線端點筆記本。

連線到您的工作區

線上到您的 Azure Machine Learning 工作區：

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

匯入必要的程式庫：

from azure.ai.ml import MLClient, Input
from azure.ai.ml.entities import (
ManagedOnlineEndpoint,
ManagedOnlineDeployment,
Model,
Environment,
CodeConfiguration,
)
from azure.identity import DefaultAzureCredential
from azure.ai.ml.constants import AssetTypes

設定工作區詳細資料，並取得工作區的控制代碼：

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

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

匯入必要的程式庫：

import json
import mlflow
import requests
import pandas as pd
from mlflow.deployments import get_deploy_client
from mlflow.tracking import MlflowClient

初始化 MLflow 用戶端：
```
mlflow_client = MlflowClient()
```

設定部署用戶端：

deployment_client = get_deploy_client(mlflow.get_tracking_uri())

註冊模型

您只能將已註冊的模型部署到線上端點。本文中的步驟使用針對糖尿病資料集訓練的模型。在此案例中，您複製的存放庫中已有模型的本機複本，所以你只要在工作區的登錄中發佈模型即可。如果您已註冊想要部署的模型，則可以略過此步驟。

MODEL_NAME='sklearn-diabetes'
az ml model create --name $MODEL_NAME --type "mlflow_model" --path "endpoints/online/ncd/sklearn-diabetes/model"

model_name = 'sklearn-diabetes'
model_local_path = "sklearn-diabetes/model"
model = ml_client.models.create_or_update(
        Model(name=model_name, path=model_local_path, type=AssetTypes.MLFLOW_MODEL)
)

model_name = 'sklearn-diabetes'
model_local_path = "sklearn-diabetes/model"

registered_model = mlflow_client.create_model_version(
    name=model_name, source=f"file://{model_local_path}"
)
version = registered_model.version

如果您的模型在某次運行中被記錄下來，該怎麼辦？

如果某個執行內已記錄您的模型，則您可以直接註冊該模型。

若要註冊模型，您必須知道其儲存位置：

如果您使用 MLflow autolog 功能，模型的路徑取決於模型類型和架構。檢查作業輸出，以識別模型資料夾的名稱。此資料夾包含名為 MLModel 的檔案。
如果您使用 log_model 方法來手動記錄模型，請將路徑傳遞至模型做為該方法的自變數。例如，如果您使用 mlflow.sklearn.log_model(my_model, "classifier") 來記錄模型， classifier 就是儲存模型的路徑。

您可以使用 Azure Machine Learning CLI v2，從定型作業輸出建立模型。下列程式代碼會使用標識碼為 $RUN_ID 的作業成品來註冊名為 $MODEL_NAME的模型。 $MODEL_PATH 是作業用來儲存模型的路徑。

az ml model create --name $MODEL_NAME --path azureml://jobs/$RUN_ID/outputs/artifacts/$MODEL_PATH

您可以使用 Python SDK 從訓練作業輸出建立模型。下列程式代碼會使用標識碼為 RUN_ID 的作業成品來註冊名為 sklearn-diabetes的模型。 MODEL_PATH 是作業用來儲存模型的路徑。

model_name = 'sklearn-diabetes'

ml_client.models.create_or_update(
    Model(
        path=f"azureml://jobs/{RUN_ID}/outputs/artifacts/{MODEL_PATH}",
        name=model_name,
        type=AssetTypes.MLFLOW_MODEL
    )
)

您可以使用 Python MLflow SDK 從定型作業輸出建立模型。下列程式代碼會使用標識碼為 RUN_ID 的作業成品來註冊名為 sklearn-diabetes的模型。 MODEL_PATH 是作業用來儲存模型的路徑。

model_name = 'sklearn-diabetes'

registered_model = mlflow_client.create_model_version(
    name=model_name, source=f"runs://{RUN_ID}/{MODEL_PATH}"
)
version = registered_model.version

將 MLflow 模型部署到線上端點

使用下列程式代碼來設定您要部署模型之端點的名稱和驗證模式：

執行下列命令來設定端點名稱。首先，以唯一的名稱取代 YOUR_ENDPOINT_NAME 。

export ENDPOINT_NAME="<YOUR_ENDPOINT_NAME>"

若要設定您的端點，請建立名為 create-endpoint.yaml 的 YAML 檔案，其中包含下列幾行：

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineEndpoint.schema.json
name: my-endpoint
auth_mode: key

# To create a unique endpoint name, use a time stamp of the current date and time.
import datetime

endpoint_name = "sklearn-diabetes-" + datetime.datetime.now().strftime("%m%d%H%M%f")

endpoint = ManagedOnlineEndpoint(
    name=endpoint_name,
    description="An online endpoint to generate predictions for the diabetes dataset",
    auth_mode="key",
    tags={"env": "dev"},
)

您可以使用組態檔來設定端點的屬性。在這裡情況下，您會將端點的驗證模式設定為 key。


# To create a unique endpoint name, use a time stamp of the current date and time.
import datetime

endpoint_name = "sklearn-diabetes-" + datetime.datetime.now().strftime("%m%d%H%M%f")

endpoint_config = {
    "auth_mode": "key",
    "identity": {
        "type": "system_assigned"
    }
}

使用下列程式代碼將此組態資訊寫入 JSON 檔案：

endpoint_config_path = "endpoint_config.json"
with open(endpoint_config_path, "w") as outfile:
    outfile.write(json.dumps(endpoint_config))

建立端點：

az ml online-endpoint create --name $ENDPOINT_NAME -f endpoints/online/ncd/create-endpoint.yaml

ml_client.begin_create_or_update(endpoint)

endpoint = deployment_client.create_endpoint(
    name=endpoint_name,
    config={"endpoint-config-file": endpoint_config_path},
)

設定部署。部署是託管執行實際推斷模型所需的一組資源。

建立名為 sklearn-deployment.yaml 的 YAML 檔案，其中包含下列幾行：

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: sklearn-deployment
endpoint_name: my-endpoint
model:
  name: mir-sample-sklearn-ncd-model
  version: 2
  path: sklearn-diabetes/model
  type: mlflow_model
instance_type: Standard_DS3_v2
instance_count: 1

blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=endpoint_name,
    model=model,
    instance_type="Standard_F4s_v2",
    instance_count=1
)

blue_deployment_name = "blue"

若要設定部署的硬體需求，請使用所需的組態來建立 JSON 檔案：

deploy_config = {
    "instance_type": "Standard_F4s_v2",
    "instance_count": 1,
}

Note

如需此組態完整規格的詳細資訊，請參閱 CLI （v2）受控在線部署 YAML 架構。

使用下列程式代碼將組態寫入檔案：

deployment_config_path = "deployment_config.json"
with open(deployment_config_path, "w") as outfile:
    outfile.write(json.dumps(deploy_config))

Note

僅支援對 scoring_script 模型變體自動產生 environment 和 PyFunc。若要使用不同的模型類別，請參閱自定義 MLflow 模型部署。

建立部署：
```
az ml online-deployment create --name sklearn-deployment --endpoint $ENDPOINT_NAME -f endpoints/online/ncd/sklearn-deployment.yaml --all-traffic
```
```
az ml online-deployment create --name sklearn-deployment --endpoint $ENDPOINT_NAME -f endpoints/online/ncd/sklearn-deployment.yaml --all-traffic
```
```
ml_client.online_deployments.begin_create_or_update(blue_deployment)
```
```
blue_deployment = deployment_client.create_deployment(
    name=blue_deployment_name,
    endpoint=endpoint_name,
    model_uri=f"models:/{model_name}/{version}",
    config={"deploy-config-file": deployment_config_path},
)    
```
1. 選取 [端點]。移至 [即時端點] 索引標籤，然後選取 [建立]。
2. 選取您先前註冊的 MLflow 模型，然後選取 [選取]。
  
  Note
  
  設定頁面中包含備註，以通知您系統會針對您選取的 MLflow 模型自動產生評分指令碼和環境。
3. 在 [端點] 底下，選取 [新增] 以部署至新的端點。
4. 在 [端點名稱] 底下，輸入端點的名稱或保留預設名稱。
5. 在 [部署名稱] 底下，輸入部署的名稱或保留預設名稱。
6. 選取 [部署] 將模型部署至端點。
將所有流量指派給部署。到目前為止，端點有一個部署，但不會為其指派任何流量。
如果您在建立期間使用--all-traffic旗標，則不需要在 Azure CLI 中執行此步驟。如果您需要變更流量，您可以使用 az ml online-endpoint update --traffic 命令。如需如何更新流量的詳細資訊，請參閱漸進式更新流量。
```
endpoint.traffic = {"blue": 100}
```
```
traffic_config = {"traffic": {blue_deployment_name: 100}}
```
將組態寫入檔案：
```
traffic_config_path = "traffic_config.json"
with open(traffic_config_path, "w") as outfile:
    outfile.write(json.dumps(traffic_config))
```
Studio 中不需要此步驟。
更新端點組態：
如果您在建立期間使用--all-traffic旗標，則不需要在 Azure CLI 中執行此步驟。如果您需要變更流量，您可以使用 az ml online-endpoint update --traffic 命令。如需如何更新流量的詳細資訊，請參閱漸進式更新流量。
```
ml_client.begin_create_or_update(endpoint).result()
```
```
deployment_client.update_endpoint(
    endpoint=endpoint_name,
    config={"endpoint-config-file": traffic_config_path},
)
```
Studio 中不需要此步驟。

叫用端點

當您的部署準備就緒時，您可以使用它來處理請求。測試部署的其中一種方式是在部署用戶端中使用內建調用功能。在範例存放庫中，sample-request-sklearn.json 檔案包含下列 JSON 程序代碼。您可以使用它作為部署的範例要求檔案。

{"input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ],
      [ 10.0,2.0,9.0,8.0,7.0,6.0,5.0,4.0,3.0,2.0]
    ],
    "index": [0,1]
  }}

{
  "input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ]
    ],
    "index": [0]
  }
}

{
  "input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ]
    ],
    "index": [0]
  }
}

{"input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ],
      [ 10.0,2.0,9.0,8.0,7.0,6.0,5.0,4.0,3.0,2.0]
    ],
    "index": [0,1]
  }}

Note

此檔案使用input_data 金鑰，而不是inputs，後者是 MLflow 服務使用的密鑰。 Azure Machine Learning 需要不同的輸入格式，才能自動產生端點的 Swagger 合約。如需預期輸入格式的詳細資訊，請參閱 MLflow 內建伺服器與 Azure Machine Learning 推斷伺服器中的部署。

將要求提交至端點：

az ml online-endpoint invoke --name $ENDPOINT_NAME --request-file endpoints/online/ncd/sample-request-sklearn.json

response = ml_client.online_endpoints.invoke(
    endpoint_name=endpoint_name,
    request_file="sample-request-sklearn.json",
)

# Read the sample request that's in the JSON file, and then construct a pandas data frame.
with open("sample-request-sklearn.json", "r") as f:
    sample_request = json.loads(f.read())
    samples = pd.DataFrame(**sample_request["input_data"])

deployment_client.predict(endpoint=endpoint_name, df=samples)

回應應該類似下列文字：

[ 
  11633.100167144921,
  8522.117402884991
]

[ 
  11633.100167144921
]

[ 
  11633.100167144921
]

[ 
  11633.100167144921,
  8522.117402884991
]

Important

在 MLflow 無代碼部署中，目前不支援透過本機端點進行測試。

自訂 MLflow 模型部署

您不需要在 MLflow 模型到線上端點的部署定義中指定評分指令碼。但是，如果您想要自定義推斷程式，可以指定評分腳本。

在下列情況下，您通常會想要自定義 MLflow 模型部署：

模型沒有 PyFunc 變體。
您必須自定義執行模型的方式。例如，您必須使用 mlflow.<flavor>.load_model() 來使用特定類別來載入模型。
您必須在評分例程中執行前置處理或後置處理，因為模型不會執行此處理。
模型輸出無法在表格式資料中正確表示。例如，輸出是代表影像的張量。

Important

如果您指定 MLflow 模型部署的評分腳本，您也必須指定部署執行的環境。

部署自訂評分腳本

若要部署使用自定義評分腳本的 MLflow 模型，請執行下列各節中的步驟。

識別模型資料夾

採取下列步驟來識別包含 MLflow 模型的資料夾：

移至 [Azure Machine Learning 工作室]。
移至 [模型] 區段。
選取您想要部署的模型，然後移至其 [成品] 索引標籤。
記下所顯示的資料夾。當您註冊模型時，您可以指定此資料夾。

建立評分指令碼

下列評分腳本 score.py 提供如何使用 MLflow 模型執行推斷的範例。您可以調整此指令碼以符合您的需求，或變更其中任何部分，以反映您的案例。請注意，您先前識別的資料夾名稱 model，已包含在函數 init() 中。

import logging
import os
import json
import mlflow
from io import StringIO
from mlflow.pyfunc.scoring_server import infer_and_parse_json_input, predictions_to_json


def init():
    global model
    global input_schema
    # "model" is the path of the mlflow artifacts when the model was registered. For automl
    # models, this is generally "mlflow-model".
    model_path = os.path.join(os.getenv("AZUREML_MODEL_DIR"), "model")
    model = mlflow.pyfunc.load_model(model_path)
    input_schema = model.metadata.get_input_schema()


def run(raw_data):
    json_data = json.loads(raw_data)
    if "input_data" not in json_data.keys():
        raise Exception("Request must contain a top level key named 'input_data'")

    serving_input = json.dumps(json_data["input_data"])
    data = infer_and_parse_json_input(serving_input, input_schema)
    predictions = model.predict(data)

    result = StringIO()
    predictions_to_json(predictions, result)
    return result.getvalue()

Warning

MLflow 2.0 諮詢：範例評分腳本適用於 MLflow 1.X 和 MLflow 2.X。不過，這些版本的預期輸入和輸出格式可能會有所不同。請檢查您的環境定義，以查看您使用的 MLflow 版本。只有 Python 3.8 和更新版本才支援 MLflow 2.0。

建立環境

下一個步驟是建立您可以執行評分腳本的環境。因為模型是 MLflow 模型，因此也會在模型套件中指定 conda 需求。如需 MLflow 模型中所含檔案的詳細資訊，請參閱 MLmodel 格式。您可以使用檔案中的 conda 相依性來建置環境。不過，您也必須包含 azureml-inference-server-http 套件，這是 Azure Machine Learning 中在線部署的必要專案。

您可以建立名為 conda.yaml 的 conda 定義檔案，其中包含下列幾行：

channels:
- conda-forge
dependencies:
- python=3.12
- pip
- pip:
  - mlflow
  - scikit-learn==1.7.0
  - cloudpickle==3.1.1
  - psutil==7.0.0
  - pandas==2.3.0
  - azureml-inference-server-http
name: mlflow-env

Note

此 Conda 檔案的 dependencies 區段包含 azureml-inference-server-http 套件。

使用此 conda 相依性檔案來建立環境：

環境會以內嵌方式建立到部署設定中。

environment = Environment(
    conda_file="sklearn-diabetes/environment/conda.yaml",
    image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu22.04:latest",
)

建立部署

在 endpoints/online/ncd 資料夾中，建立部署配置檔deployment.yml，其中包含下列幾行：

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: sklearn-diabetes-custom
endpoint_name: my-endpoint
model: azureml:sklearn-diabetes@latest
environment: 
    image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu22.04
    conda_file: sklearn-diabetes/environment/conda.yaml
code_configuration:
    code: sklearn-diabetes/src
    scoring_script: score.py
instance_type: Standard_F2s_v2
instance_count: 1

建立部署：

az ml online-deployment create -f endpoints/online/ncd/deployment.yml

blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=endpoint_name,
    model=model,
    environment=environment,
    code_configuration=CodeConfiguration(
        code="sklearn-diabetes/src",
        scoring_script="score.py"
    ),
    instance_type="Standard_F4s_v2",
    instance_count=1,
)

ml_client.online_deployments.begin_create_or_update(blue_deployment)

為要求提供服務

部署完成時，即可提供要求。測試部署的其中一種方法是搭配範例要求檔案使用 invoke 方法，例如下列檔案，sample-request-sklearn.json：

{"input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ],
      [ 10.0,2.0,9.0,8.0,7.0,6.0,5.0,4.0,3.0,2.0]
    ],
    "index": [0,1]
  }}

{
  "input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ]
    ],
    "index": [0]
  }
}

{"input_data": {
    "columns": [
      "age",
      "sex",
      "bmi",
      "bp",
      "s1",
      "s2",
      "s3",
      "s4",
      "s5",
      "s6"
    ],
    "data": [
      [ 1.0,2.0,3.0,4.0,5.0,6.0,7.0,8.0,9.0,10.0 ],
      [ 10.0,2.0,9.0,8.0,7.0,6.0,5.0,4.0,3.0,2.0]
    ],
    "index": [0,1]
  }}

將要求提交至端點：

az ml online-endpoint invoke --name $ENDPOINT_NAME --request-file endpoints/online/ncd/sample-request-sklearn.json

response = ml_client.online_endpoints.invoke(
    endpoint_name=endpoint_name,
    deployment_name=deployment.name,
    request_file="sample-request-sklearn.json",
)

回應應該類似下列文字：

{
    "predictions": [ 
    1095.2797413413252,
    1134.585328803727
    ]
}

{
    "predictions": [ 
    1095.2797413413252
    ]
}

{
    "predictions": [ 
    1095.2797413413252,
    1134.585328803727
    ]
}

Warning

MLflow 2.0 諮詢：在 MLflow 1.X 中，回應不包含 predictions 索引鍵。

清除資源

如果您不再需要端點，請刪除其相關聯的資源：

az ml online-endpoint delete --name $ENDPOINT_NAME --yes

ml_client.online_endpoints.begin_delete(endpoint_name)

deployment_client.delete_endpoint(endpoint_name)

意見反應

此頁面對您有幫助嗎？

Last updated on 2025-08-25

共用方式為

設定初始設定

設定自訂設定

共用方式為

將 MLflow 模型部署至線上端點

Prerequisites

關於範例

在 Jupyter Notebook 中跟著做

連線到您的工作區

註冊模型

如果您的模型在某次運行中被記錄下來，該怎麼辦？

將 MLflow 模型部署到線上端點

叫用端點

自訂 MLflow 模型部署

部署自訂評分腳本

識別模型資料夾

建立評分指令碼

建立環境

建立部署

為要求提供服務

清除資源

相關內容

意見反應

其他資源