本地模型部署的疑難排解

發行項
04/04/2023

嘗試本地模型部署，做為針對 Azure Container Instances (ACI) 或 Azure Kubernetes Service (AKS) 的部署進行疑難排解的第一步。使用本地 Web 服務可讓您更輕鬆地找出並修正常見的 Azure Machine Learning Docker Web 服務部署錯誤。

必要條件

Azure 訂用帳戶。試用免費或付費版本的 Azure Machine Learning。
選項 A (建議) - 在 Azure Machine Learning Compute 執行個體上進行本機偵錯
- 具有執行中計算執行個體的 Azure Machine Learning 工作區
選項 B - 在您的計算上進行本機偵錯
- Azure Machine Learning SDK。
- Azure CLI。
- 適用於 Azure Machine Learning 的 CLI 擴充功能。
- 在您的本機系統上具有運作中的 Docker 安裝。
- 若要驗證您的 Docker 安裝，請從終端或命令提示字元使用命令 docker run hello-world。如需有關安裝 Docker 或針對 Docker 錯誤進行疑難排解的資訊，請參閱 Docker 文件。
選項 C - 使用 Azure Machine Learning 推斷 HTTP 伺服器啟用本機偵錯。
- Azure Machine Learning 推斷 HTTP 伺服器 (預覽) 是 Python 套件，可讓您輕鬆在本機開發環境中驗證輸入指令碼 (score.py)。如果評分指令碼有問題，伺服器會傳回錯誤。伺服器也會傳回發生錯誤的位置。
- 在持續整合和部署管線中建立驗證閘道時，也可以使用伺服器。例如，使用候選的指令碼啟動伺服器，並針對本機端點執行測試套件。

Azure Machine Learning 推斷 HTTP 伺服器

本機推斷伺服器可讓您快速地對輸入指令碼 (score.py)進行偵錯。如果基礎評分指令碼有 BUG，則伺服器無法初始化或處理模型。相反地會擲回例外狀況和發生問題的位置。深入了解 Azure Machine Learning 推斷 HTTP 伺服器

從 pypi 摘要安裝 azureml-inference-server-http 套件：
```
python -m pip install azureml-inference-server-http
```
啟動伺服器，並將 score.py 設定為輸入指令碼：
```
azmlinfsrv --entry_script score.py
```
使用 curl，將評分要求傳送至伺服器：
```
curl -p 127.0.0.1:5001/score
```

注意

了解 Azure 機器學習推斷 HTTP 伺服器的常見問題。

在本機執行偵錯

您可以在MachineLearningNotebooks 存放庫中尋找範例本地部署筆記本，以探索可執行的範例。

警告

針對生產案例，不支援本機 Web 服務部署。

若要在本機部署，請修改您的程式碼，以使用 LocalWebservice.deploy_configuration() 建立部署組態。然後使用 Model.deploy() 來部署服務。下列範例會將模型 (包含在模型變數中) 部署為本機 Web 服務：

適用於：Python SDK azureml 第 1 版

from azureml.core.environment import Environment
from azureml.core.model import InferenceConfig, Model
from azureml.core.webservice import LocalWebservice


# Create inference configuration based on the environment definition and the entry script
myenv = Environment.from_conda_specification(name="env", file_path="myenv.yml")
inference_config = InferenceConfig(entry_script="score.py", environment=myenv)
# Create a local deployment, using port 8890 for the web service endpoint
deployment_config = LocalWebservice.deploy_configuration(port=8890)
# Deploy the service
service = Model.deploy(
    ws, "mymodel", [model], inference_config, deployment_config)
# Wait for the deployment to complete
service.wait_for_deployment(True)
# Display the port that the web service is available on
print(service.port)

如果您要定義自己的 conda 規格 YAML，請列出 azureml-defaults 版本 >= 1.0.45 做為 pip 相依性。需要此套件才能將模型裝載為 Web 服務。

此時，您可以照常使用服務。下列程式碼示範如何將資料傳送至服務：

import json

test_sample = json.dumps({'data': [
    [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]
]})

test_sample = bytes(test_sample, encoding='utf8')

prediction = service.run(input_data=test_sample)
print(prediction)

如需自訂 Python 環境的詳細資訊，請參閱建立和管理用於訓練和部署的環境。

更新服務

在本機測試期間，您可能需要更新 score.py 檔案，以新增記錄或嘗試解決您發現的任何問題。若要重新載入 score.py 檔案的變更，請使用 reload()。例如，下列程式碼會重新載入服務的指令碼，然後將資料過去。資料會使用更新後的 score.py 檔案進行評分：

重要

reload 方法僅可用於本機部署。如需將部署更新至另一個計算目標，請參閱如何更新您的　webservice。

service.reload()
print(service.run(input_data=test_sample))

注意

此指令碼會從服務所使用的 InferenceConfig 物件指定的位置重新載入。

若要變更模型、Conda 相依性或部署組態，請使用 update()。下列範例會更新服務所使用的模型：

service.update([different_model], inference_config, deployment_config)

刪除服務

要刪除服務，請使用 delete()。

檢查 Docker 記錄

您可以從服務物件中列印詳細的 Docker 引擎記錄訊息。您可以檢視 ACI、AKS 和本機部署記錄。下列範例示範如何列印記錄。

# if you already have the service object handy
print(service.get_logs())

# if you only know the name of the service (note there might be multiple services with the same name but different version number)
print(ws.webservices['mysvc'].get_logs())

如果您在記錄中看到行 Booting worker with pid: <pid> 出現多次，則表示沒有足夠的記憶體可啟動背景工作角色。您可以藉由增加 deployment_config　的值 memory_gb，來處理錯誤

後續步驟

深入了解部署：