CLI （v2） 批次部署 YAML 架構
您可以在 找到 https://azuremlschemas.azureedge.net/latest/batchDeployment.schema.json來源 JSON 架構。
注意
本文件中詳述的 YAML 語法是以最新版 ML CLI v2 延伸模組的 JSON 結構描述為基礎。 此語法僅保證能與最新版的 ML CLI v2 延伸模組搭配運作。 您可以在 https://azuremlschemasprod.azureedge.net/ 找到舊版延伸模組的結構描述。
YAML 語法
| 機碼 | 類型 | 描述 | 允許的值 | 預設值 |
|---|---|---|---|---|
$schema |
string | YAML 結構描述。 如果您使用 Azure Machine Learning VS Code 擴充功能來撰寫 YAML 檔案，在檔案頂端包含 $schema 可讓您叫用結構描述和資源完成。 |
||
name |
string | 必要。 部署的名稱。 | ||
description |
字串 | 部署的描述。 | ||
tags |
object | 部署標記的字典。 | ||
endpoint_name |
字串 | 必要。 要在其下建立部署的端點名稱。 | ||
type |
字串 | 必要。 浴場部署的類型。 用於model模型部署和pipeline管線元件部署。 1.7 版的新功能。 |
model, pipeline |
model |
settings |
object | 部署的組態。 如需允許的值，請參閱模型和管線元件的特定 YAML 參考。 1.7 版的新功能。 |
提示
密鑰 type 已在 CLI 延伸模組和更新版本的 1.7 版中引進。 若要完全支援回溯相容性，此屬性預設為 model。 不過，如果未明確指出，則不會強制執行索引鍵 settings ，而且模型部署設定的所有屬性都應該在 YAML 規格的根目錄中指出。
模型部署的 YAML 語法
當 為 時 type: model，會強制執行下列語法：
| 機碼 | 類型 | 描述 | 允許的值 | 預設值 |
|---|---|---|---|---|
model |
字串或物件 | 必要。 要用於部署的模型。 此值可以是工作區中現有已建立版本模型的參考，也可以是內嵌模型規格。 若要參考現有的模型，請使用 azureml:<model-name>:<version> 語法。 若要內嵌定義模型，請遵循 模型架構。 作為生產案例的最佳做法，您應該個別建立模型並在這裡參考該模型。 |
||
code_configuration |
object | 評分程式代碼邏輯的設定。 如果您的模型是 MLflow 格式，則不需要此屬性。 |
||
code_configuration.code |
字串 | 用於模型評分的所有 Python 原始程式碼目錄。 | ||
code_configuration.scoring_script |
字串 | 上述目錄中的 Python 檔案。 這個檔案必須有一個 init() 函式和個 run() 函式。 將 init() 函式用於任何昂貴或一般的準備 (例如，將模型載入記憶體)。 init() 只會在進程開始時呼叫一次。 使用 run(mini_batch) 來為每個項目評分；mini_batch 的值為檔案路徑的清單。 run() 函式應該傳回 Pandas 資料框架或陣列。 每個傳回的元素表示 mini_batch 中輸入元素的一個成功執行。 如需了解撰寫評分指令碼的詳細資訊，請參閱了解評分指令碼。 |
||
environment |
字串或物件 | 要用於部署的環境。 此值可以是工作區中現有已建立版本環境的參考，也可以是內嵌環境規格。 如果您的模型是 MLflow 格式，則不需要此屬性。 若要參考現有的環境，請使用 azureml:<environment-name>:<environment-version> 語法。 若要內嵌定義環境，請遵循 環境架構。 作為生產案例的最佳做法，您應該個別建立環境並在這裡參考該環境。 |
||
compute |
字串 | 必要。 要對其執行批次評分作業的計算目標名稱。 此值應該是使用 azureml:<compute-name> 語法在工作區中現有計算的參考。 |
||
resources.instance_count |
整數 | 要對每個 Batch 評分作業使用的節點數目。 | 1 |
|
settings |
object | 模型部署的特定組態。 在1.7版中變更。 |
||
settings.max_concurrency_per_instance |
整數 | 每個執行個體的平行 scoring_script 執行數目上限。 |
1 |
|
settings.error_threshold |
整數 | 應該忽略的檔案失敗數目。 如果整個輸入的錯誤計數超過此值，則會終止批次評分作業。 error_threshold 是針對整個輸入，而不是針對個別迷你批次。 如果省略，則允許任意數目的檔案失敗，而不會終止作業。 |
-1 |
|
settings.logging_level |
字串 | 記錄詳細程度層級。 | warning、 、 infodebug |
info |
settings.mini_batch_size |
整數 | code_configuration.scoring_script 可以在一個 run() 呼叫中處理的檔案數目。 |
10 |
|
settings.retry_settings |
object | 用於評分每個迷你 Batch 的重試設定。 | ||
settings.retry_settings.max_retries |
整數 | 失敗或逾時迷你批次的重試次數上限。 | 3 |
|
settings.retry_settings.timeout |
整數 | 為單一迷你批次評分以秒為單位的逾時。 當迷你批次大小較大或模型執行成本更高時，請使用較大的值。 | 30 |
|
settings.output_action |
字串 | 指出輸出應在輸出檔案中的組織方式。 如果您要產生輸出檔案，如自訂模型部署中的輸出中所述，請使用 summary_only 。 如果您要傳回預測做為函return式語句的一部分，run()請使用 append_row 。 |
append_row, summary_only |
append_row |
settings.output_file_name |
字串 | 批次評分輸出檔案的名稱。 | predictions.csv |
|
settings.environment_variables |
object | 要為每個批次評分作業設定的環境變數索引鍵/值組字典。 |
管線元件部署的 YAML 語法
當 為 時 type: pipeline，會強制執行下列語法：
| 機碼 | 類型 | 描述 | 允許的值 | 預設值 |
|---|---|---|---|---|
component |
字串或物件 | 必要。 用於部署的管線元件。 這個值可以是工作區或登錄中現有版本化管線元件的參考，或是內嵌管線規格。 若要參考現有的元件，請使用 azureml:<component-name>:<version> 語法。 若要內嵌定義管線元件，請遵循 管線元件架構。 作為生產案例的最佳作法，您應該個別建立元件，並在這裏加以參考。 1.7 版的新功能。 |
||
settings |
object | 管線作業的預設設定。 如需可設定的屬性集，請參閱 設定索引鍵 的屬性。 1.7 版的新功能。 |
備註
az ml batch-deployment命令可用於管理 Azure 機器學習 批次部署。
範例
範例 GitHub 存放庫中有範例可用。 以下是其中一些參考：
YAML：MLflow 模型部署
包含 MLflow 模型的模型部署，不需要指示 code_configuration 或 environment：
$schema: https://azuremlschemas.azureedge.net/latest/modelBatchDeployment.schema.json
endpoint_name: heart-classifier-batch
name: classifier-xgboost-mlflow
description: A heart condition classifier based on XGBoost
type: model
model: azureml:heart-classifier-mlflow@latest
compute: azureml:batch-cluster
resources:
instance_count: 2
settings:
max_concurrency_per_instance: 2
mini_batch_size: 2
output_action: append_row
output_file_name: predictions.csv
retry_settings:
max_retries: 3
timeout: 300
error_threshold: -1
logging_level: info
YAML：具有評分腳本的自定義模型部署
模型部署，指出要使用的評分腳本和環境：
$schema: https://azuremlschemas.azureedge.net/latest/modelBatchDeployment.schema.json
name: mnist-torch-dpl
description: A deployment using Torch to solve the MNIST classification dataset.
endpoint_name: mnist-batch
type: model
model:
name: mnist-classifier-torch
path: model
code_configuration:
code: code
scoring_script: batch_driver.py
environment:
name: batch-torch-py38
image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
conda_file: environment/conda.yaml
compute: azureml:batch-cluster
resources:
instance_count: 1
settings:
max_concurrency_per_instance: 2
mini_batch_size: 10
output_action: append_row
output_file_name: predictions.csv
retry_settings:
max_retries: 3
timeout: 30
error_threshold: -1
logging_level: info
YAML：舊版模型部署
如果 YAML 中未指出屬性 type ，則會推斷模型部署。 不過， settings 金鑰將無法使用，而且屬性應該放在 YAML 的根目錄中，如本範例所示。 強烈建議一律指定 屬性 type。
$schema: https://azuremlschemas.azureedge.net/latest/batchDeployment.schema.json
endpoint_name: heart-classifier-batch
name: classifier-xgboost-mlflow
description: A heart condition classifier based on XGBoost
model: azureml:heart-classifier-mlflow@latest
compute: azureml:batch-cluster
resources:
instance_count: 2
max_concurrency_per_instance: 2
mini_batch_size: 2
output_action: append_row
output_file_name: predictions.csv
retry_settings:
max_retries: 3
timeout: 300
error_threshold: -1
logging_level: info
YAML：管線元件部署
簡單的管線元件部署：
$schema: https://azuremlschemas.azureedge.net/latest/pipelineComponentBatchDeployment.schema.json
name: hello-batch-dpl
endpoint_name: hello-pipeline-batch
type: pipeline
component: azureml:hello_batch@latest
settings:
default_compute: batch-cluster