適用於：
Azure CLI ml 延伸模組 v1Python SDK azureml v1
重要事項
本文提供使用 Azure Machine Learning SDK v1 的相關信息。 SDK v1 自 2025 年 3 月 31 日起已被取代。 其支援將於 2026 年 6 月 30 日結束。 您可以在該日期之前安裝並使用 SDK v1。 您使用 SDK v1 的現有工作流程將在支援終止日期後繼續運作。 不過，如果產品發生架構變更，它們可能會面臨安全性風險或重大變更。
建議您在 2026 年 6 月 30 日之前轉換至 SDK v2。 如需 SDK v2 的詳細資訊，請參閱 什麼是 Azure Machine Learning CLI 和 Python SDK v2？ 和 SDK v2 參考。
本文說明如何分析機器學習以建立模型模型，以判斷將模型部署為 Web 服務時，需要配置多少 CPU 和記憶體。
重要事項
本文適用於 CLI 第 1 版和 SDK 第 1 版。 此分析技術不適用於 CLI 或 SDK 的 v2。
重要事項
本文中的 Azure CLI 命令使用 azure-cli-ml 或 v1 (Azure Machine Learning 的擴充功能)。 CLI v1 的支援已於 2025 年 9 月 30 日結束。 Microsoft 將不再提供此服務的技術支援或更新。 您使用 CLI v1 的現有工作流程將在支援終止日期之後繼續運作。 不過，如果產品發生架構變更，它們可能會面臨安全性風險或重大變更。
建議您盡快轉換至 ml或 v2 擴充功能。 如需有關 v2 擴充功能的詳細資訊，請參閱 Azure Machine Learning CLI 擴充功能和 Python SDK v2。
先決條件
本文假設您使用 Azure Machine Learning 定型和註冊模型。 請參閱這裡的範例教學課程，其中提供使用 Azure Machine Learning 來定型和註冊 scikit-learn 模型的範例。
限制
- 當工作區的 Azure Container Registry (ACR) 位於虛擬網路後方時，分析會無法運作。
執行分析工具
註冊模型並備妥其部署所需的其他元件之後，您就可以判斷所部署服務所需的 CPU 和記憶體。 分析會測試負責執行模型的服務，並傳回 CPU 使用量、記憶體使用量和回應延遲等資訊。 也會根據資源使用量，提供 CPU 和記憶體的建議。
若要分析模型，您需要：
- 已註冊的模型。
- 以輸入腳本和推斷環境定義為基礎的推斷設定。
- 單一資料行表格式資料集，其中每個資料列都包含字串來代表樣本要求資料。
重要事項
Azure Machine Learning 僅支援分析預期其要求數據為字串的服務，例如：字串串行化 json、文字、字串串行化影像等。數據集（字串）的每個數據列內容都會放入 HTTP 要求的主體中，並傳送至封裝模型以進行評分的服務。
重要事項
在 ChinaEast2 和 USGovArizona 區域，我們只支援分析最多 2 個 CPU。
以下範例說明如何建構輸入數據集來分析預期其傳入要求數據包含串行化 json 的服務。 在此案例中，我們以相同要求資料內容的 100 個執行個體為基礎建立資料集。 在真實情節中，建議您使用包含各種輸入的更大資料集，特別是當模型資源使用量/行為取決於輸入時。
適用於：適用於 Python 的 Azure Machine Learning SDK v1
import json
from azureml.core import Datastore
from azureml.core.dataset import Dataset
from azureml.data import dataset_type_definitions
input_json = {'data': [[1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
[10, 9, 8, 7, 6, 5, 4, 3, 2, 1]]}
# create a string that can be utf-8 encoded and
# put in the body of the request
serialized_input_json = json.dumps(input_json)
dataset_content = []
for i in range(100):
dataset_content.append(serialized_input_json)
dataset_content = '\n'.join(dataset_content)
file_name = 'sample_request_data.txt'
f = open(file_name, 'w')
f.write(dataset_content)
f.close()
# upload the txt file created above to the Datastore and create a dataset from it
data_store = Datastore.get_default(ws)
data_store.upload_files(['./' + file_name], target_path='sample_request_data')
datastore_path = [(data_store, 'sample_request_data' +'/' + file_name)]
sample_request_data = Dataset.Tabular.from_delimited_files(
datastore_path, separator='\n',
infer_column_types=True,
header=dataset_type_definitions.PromoteHeadersBehavior.NO_HEADERS)
sample_request_data = sample_request_data.register(workspace=ws,
name='sample_request_data',
create_new_version=True)
備妥包含樣本要求資料的資料集之後，請建立推斷設定。 推斷設定以 score.py 和環境定義為基礎。 下列範例示範如何建立推斷設定並執行分析：
from azureml.core.model import InferenceConfig, Model
from azureml.core.dataset import Dataset
model = Model(ws, id=model_id)
inference_config = InferenceConfig(entry_script='path-to-score.py',
environment=myenv)
input_dataset = Dataset.get_by_name(workspace=ws, name='sample_request_data')
profile = Model.profile(ws,
'unique_name',
[model],
inference_config,
input_dataset=input_dataset)
profile.wait_for_completion(True)
# see the result
details = profile.get_details()
下列命令示範如何使用 CLI 來分析模型：
az ml model profile -g <resource-group-name> -w <workspace-name> --inference-config-file <path-to-inf-config.json> -m <model-id> --idi <input-dataset-id> -n <unique-name>
秘訣
若要保存分析所傳回的資訊，請使用模型的標籤或屬性。 使用標籤或屬性會將資料和模型一起儲存在模型登錄中。 下列範例示範新增包含 requestedCpu 和 requestedMemoryInGb 資訊的新標籤：
model.add_tags({'requestedCpu': details['requestedCpu'],
'requestedMemoryInGb': details['requestedMemoryInGb']})
az ml model profile -g <resource-group-name> -w <workspace-name> --i <model-id> --add-tag requestedCpu=1 --add-tag requestedMemoryInGb=0.5