使用批处理终结点进行批量评分

Artículo
08/17/2023

适用于：Azure CLI ml 扩展 v2（当前版本）Python SDK azure-ai-ml v2（当前版本）

批处理终结点提供对大量数据运行推理的便捷方式。它们简化了托管用于批量评分的模型的过程，使你可以将工作重心放在机器学习而不是基础结构上。有关详细信息，请参阅什么是 Azure 机器学习终结点？。

对于以下情况可以使用批处理终结点：

需要花费较长时间来运行推理的高开销模型。
需要对分布在多个文件中的大量数据执行推理。
没有低延迟要求。
可以利用并行化。

本文介绍如何使用批处理终结点执行批量评分。

提示

我们建议阅读“方案”部分（查看左侧导航栏）以详细了解如何在特定方案（包括 NLP、计算机视觉）中使用批处理终结点，或如何将其与其他 Azure 服务集成。

关于此示例

在此示例中，我们将部署一个模型来解决经典 MNIST（“改组的美国国家标准与技术研究院”）数字识别问题，以便对大量数据（图像文件）执行批量推理。在本教程的第一部分，我们将通过一个使用 Torch 创建的模型创建批处理部署。此类部署将成为终结点中的默认部署。在后半部分，我们将了解如何通过一个使用 TensorFlow (Keras) 创建的模型来创建另一个部署，对其进行测试，然后切换终结点以开始使用新部署作为默认部署。

本文中的信息基于 azureml-examples 存储库中包含的代码示例。若要在不复制/粘贴 YAML 和其他文件的情况下在本地运行命令，请先克隆存储库。然后，将目录更改为 cli/endpoints/batch/deploy-models/mnist-classifier（如果使用的是 Azure CLI）或sdk/python/endpoints/batch/deploy-models/mnist-classifier（如果使用的是 Python SDK）。

git clone https://github.com/Azure/azureml-examples --depth 1
cd azureml-examples/cli/endpoints/batch/deploy-models/mnist-classifier

在 Jupyter Notebook 中继续操作

可以在以下笔记本中按照此示例进行操作。在克隆的存储库中，打开以下笔记本：mnist-batch.ipynb。

先决条件

在按照本文中的步骤操作之前，请确保满足以下先决条件：

Azure CLI 和 Azure CLI 的 ml 扩展。有关详细信息，请参阅安装、设置和使用 CLI (v2)。

重要

本文中的 CLI 示例假定你使用的是 Bash（或兼容的）shell。例如，从 Linux 系统或者适用于 Linux 的 Windows 子系统。
Azure 机器学习工作区。如果没有，请使用安装、设置和使用 CLI (v2) 中的步骤创建一个。

连接到工作区

首先，让我们连接到要在其中工作的 Azure 机器学习工作区。

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

工作区是 Azure 机器学习的顶级资源，为使用 Azure 机器学习时创建的所有项目提供了一个集中的处理位置。在本部分，我们将连接到要在其中执行部署任务的工作区。

导入所需的库：

from azure.ai.ml import MLClient, Input
from azure.ai.ml.entities import BatchEndpoint, BatchDeployment, Model, AmlCompute, Data, BatchRetrySettings
from azure.ai.ml.constants import AssetTypes, BatchDeploymentOutputAction
from azure.identity import DefaultAzureCredential

配置工作区详细信息并获取工作区句柄：

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

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

创建计算

批处理终结点在计算群集上运行。它们支持 Azure 机器学习计算群集 (AmlCompute) 或 Kubernetes 群集。群集是一种共享资源，一个群集可以托管一个或多个批处理部署（如果需要，还可以托管其他工作负载）。

本文使用此处创建的名为 batch-cluster 的计算。根据需要进行调整，并使用 azureml:<your-compute-name> 引用计算，或者创建一个如下所示的计算。

az ml compute create -n batch-cluster --type amlcompute --min-instances 0 --max-instances 5

compute_name = "batch-cluster"
compute_cluster = AmlCompute(name=compute_name, description="amlcompute", min_instances=0, max_instances=5)
ml_client.begin_create_or_update(compute_cluster)

注意

此时不收取计算费用，因为在调用批处理终结点并提交批量评分作业之前，群集将保持为 0 个节点。详细了解管理和优化 AmlCompute 的成本。

创建批处理终结点

批处理终结点是客户端可以调用以触发批量评分作业的 HTTPS 终结点。批量评分作业是对多个输入进行评分的作业（有关详细信息，请参阅什么是批处理终结点？）。批处理部署是一组计算资源，承载执行实际批量评分的模型。一个批处理终结点可以包含多个批处理部署。

提示

其中一个批处理部署将充当该终结点的默认部署。调用终结点时，默认部署将用于执行实际的批量评分。详细了解批处理终结点和批处理部署。

步骤

确定终结点的名称。终结点名称最终将包含在与终结点关联的 URI 中。因此，批处理终结点名称在 Azure 区域内需是唯一的。例如，chinaeast2 中只能有一个名为 mybatchendpoint 的批处理终结点。
在本例中，我们将终结点名称放在一个变量中，以便稍后可以轻松引用它。
```
ENDPOINT_NAME="mnist-batch"
```
在本例中，我们将终结点名称放在一个变量中，以便稍后可以轻松引用它。
```
endpoint_name="mnist-batch"
```
稍后你将在创建向导中配置终结点名称。

配置批处理终结点

以下 YAML 文件可定义批处理终结点，可以将其包含在用于创建批处理终结点的 CLI 命令中。

endpoint.yml

$schema: https://azuremlschemas.azureedge.net/latest/batchEndpoint.schema.json
name: mnist-batch
description: A batch endpoint for scoring images from the MNIST dataset.
auth_mode: aad_token

下表描述了终结点的关键属性。有关完整的批处理终结点 YAML 架构，请参阅 CLI (v2) 批处理终结点 YAML 架构。

密钥	说明
`name`	批处理终结点的名称。在 Azure 区域级别需是唯一的。
`description`	批处理终结点的说明。此属性是可选的。
`auth_mode`	批处理终结点的身份验证方法。目前仅支持 Azure Active Directory 基于令牌的身份验证 (`aad_token`)。

# create a batch endpoint
endpoint = BatchEndpoint(
    name=endpoint_name,
    description="A batch endpoint for scoring images from the MNIST dataset.",
)

密钥	说明
`name`	批处理终结点的名称。在 Azure 区域级别需是唯一的。
`description`	批处理终结点的说明。此属性是可选的。
`defaults.deployment_name`	将充当终结点默认部署的部署的名称。

创建终结点：
运行以下代码以在批处理终结点下创建一个批处理部署，并将其设置为默认部署。
```
az ml batch-endpoint create --name $ENDPOINT_NAME
```
```
ml_client.batch_endpoints.begin_create_or_update(endpoint)
```
稍后你将在创建部署的那个步骤中创建终结点。

创建批处理部署

部署是一组资源，用于承载执行实际推理的模型。若要创建批处理部署，需要具备以下所有项：

工作区中已注册的模型。
用于为模型评分的代码。
运行模型的环境。
预先创建的计算和资源设置。

首先注册要部署的模型。批处理部署只能部署已在工作区中注册的模型。如果打算部署的模型已注册，则可以跳过此步骤。在本例中，我们将为热门的数字识别问题 (MNIST) 注册一个 Torch 模型。

提示

模型与部署关联，而不与终结点关联。这意味着，单个终结点可为同一终结点下的不同模型或不同模型版本提供服务，只要它们部署在不同的部署中即可。
```
MODEL_NAME='mnist-classifier-torch'
az ml model create --name $MODEL_NAME --type "custom_model" --path "deployment-torch/model"
```
```
model_name = 'mnist-classifier-torch'
model = ml_client.models.create_or_update(
    Model(name=model_name, path='deployment-torch/model/', type=AssetTypes.CUSTOM_MODEL)
)
```
1. 导航到边侧菜单中的“模型”选项卡。
2. 选择“注册”>“从本地文件”。
3. 在向导中，将选项“模型类型”保留为“未指定类型”。
4. 选择“浏览”>“浏览文件夹”> 选择文件夹 deployment-torch/model>“下一步”。
5. 配置模型名称：mnist-classifier-torch。可将其余字段保留原样。
6. 选择“注册”。

现在可以创建评分脚本了。批处理部署需要一个评分脚本，该脚本指示应如何执行给定的模型，以及如何处理输入数据。批处理终结点支持使用 Python 创建的脚本。在本例中，我们将部署一个模型来读取表示数字的图像文件并输出相应的数字。评分脚本如下所示：

注意

对于 MLflow 模型，Azure 机器学习会自动生成评分脚本，因此无需提供评分脚本。如果你的模型是 MLflow 模型，则可以跳过此步骤。有关批处理终结点如何与 MLflow 模型配合工作的详细信息，请参阅专门的教程在批处理部署中使用 MLflow 模型。

警告

如果要在批处理终结点下部署自动化 ML 模型，请注意自动化 ML 提供的评分脚本仅适用于联机终结点，而不适用于批处理执行。请参阅创作用于批处理部署的评分脚本，了解如何根据模型的作用创建一个脚本。

deployment-torch/code/batch_driver.py

import os
import pandas as pd
import torch
import torchvision
import glob
from os.path import basename
from mnist_classifier import MnistClassifier
from typing import List

def init():
    global model
    global device

    # AZUREML_MODEL_DIR is an environment variable created during deployment
    # It is the path to the model folder
    model_path = os.environ["AZUREML_MODEL_DIR"]
    model_file = glob.glob(f"{model_path}/*/*.pt")[-1]

    model = MnistClassifier()
    model.load_state_dict(torch.load(model_file))
    model.eval()

    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

def run(mini_batch: List[str]) -> pd.DataFrame:
    print(f"Executing run method over batch of {len(mini_batch)} files.")

    results = []
    with torch.no_grad():
        for image_path in mini_batch:
            image_data = torchvision.io.read_image(image_path).float()
            batch_data = image_data.expand(1, -1, -1, -1)
            input = batch_data.to(device)

            # perform inference
            predict_logits = model(input)

            # Compute probabilities, classes and labels
            predictions = torch.nn.Softmax(dim=-1)(predict_logits)
            predicted_prob, predicted_class = torch.max(predictions, axis=-1)

            results.append(
                {
                    "file": basename(image_path),
                    "class": predicted_class.numpy()[0],
                    "probability": predicted_prob.numpy()[0],
                }
            )

    return pd.DataFrame(results)

创建要在其中运行批处理部署的环境。此类环境需要包括批处理终结点所需的 azureml-core 和 azureml-dataset-runtime[fuse] 包以及运行你的代码所需的任何依赖项。在本例中，依赖项已捕获在 conda.yml 中：

deployment-torch/environment/conda.yml
```
name: mnist-env
channels:
  - conda-forge
dependencies:
  - python=3.8.5
  - pip<22.0
  - pip:
    - torch==1.13.0
    - torchvision==0.14.0
    - pytorch-lightning
    - pandas
    - azureml-core
    - azureml-dataset-runtime[fuse]
```
重要

包 azureml-core 和 azureml-dataset-runtime[fuse] 是批量部署所必需的，应包含在环境依赖项中。

如下所示指明环境：
环境定义将作为匿名环境包含在部署定义本身中。你将在部署的以下行中看到：
```
environment:
  name: batch-torch-py38
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
  conda_file: environment/conda.yaml
```
获取对环境的引用：
```
env = Environment(
    name="batch-torch-py38",
    conda_file="deployment-torch/environment/conda.yml",
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:latest",
)
```
在 Azure 机器学习工作室门户上，执行以下步骤：
1. 导航到边侧菜单中的“环境”选项卡。
2. 选择选项卡“自定义环境”>“创建”。
3. 输入环境的名称，在本例中为 torch-batch-env。
4. 在“选择环境类型”中，选择“将现有 docker 映像与 conda 配合使用”。
5. 在“容器注册表映像路径”中，输入 mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04。
6. 在“自定义”部分，将存储库中包含的文件 deployment-torch/environment/conda.yml 的内容复制到门户中。
7. 选择“下一步”，然后选择“创建”。
8. 该环境现在可供使用。
警告

批处理部署不支持特选环境。你需要指明自己的环境。始终可以使用特选环境的基础映像作为你自己的环境来简化过程。

创建部署定义

deployment-torch/deployment.yml

$schema: https://azuremlschemas.azureedge.net/latest/batchDeployment.schema.json
name: mnist-torch-dpl
description: A deployment using Torch to solve the MNIST classification dataset.
endpoint_name: mnist-batch
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
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

有关完整的批处理部署 YAML 架构，请参阅 CLI (v2) 批处理部署 YAML 架构。

密钥	描述
`name`	部署的名称。
`endpoint_name`	要在其下创建部署的终结点的名称。
`model`	用于批量评分的模型。该示例使用 `path` 以内联方式定义模型。模型文件将自动上传并使用自动生成的名称和版本进行注册。有关更多选项，请遵循模型架构。对于生产方案，最佳做法应该是单独创建模型并在此处引用模型。若要引用现有模型，请使用 `azureml:<model-name>:<model-version>` 语法。
`code_configuration.code.path`	包含用于为模型评分的所有 Python 源代码的本地目录。
`code_configuration.scoring_script`	上述目录中的 Python 文件。此文件必须具有 `init()` 函数和 `run()` 函数。对于任何成本较高或者一般性的准备工作（例如将模型加载到内存中），请使用 `init()` 函数。 `init()` 将在进程开始时调用一次。使用 `run(mini_batch)` 为每个项评分；`mini_batch` 值是文件路径列表。 `run()` 函数应返回 Pandas 数据帧或数组。每个返回的元素指示 `mini_batch` 中成功运行一次输入元素。有关如何创作评分脚本的详细信息，请参阅了解评分脚本。
`environment`	用于为模型评分的环境。该示例使用 `conda_file` 和 `image` 以内联方式定义环境。 `conda_file` 依赖项将安装在 `image` 之上。环境将自动使用自动生成的名称和版本进行注册。有关更多选项，请遵循环境架构。对于生产方案，最佳做法应该是单独创建环境并在此处引用环境。若要引用现有环境，请使用 `azureml:<environment-name>:<environment-version>` 语法。
`compute`	用于运行批量评分的计算。该示例使用在开头部分创建的 `batch-cluster`，并使用 `azureml:<compute-name>` 语法引用它。
`resources.instance_count`	每个批量评分作业要使用的实例数。
`max_concurrency_per_instance`	[可选] 每个实例的最大并行 `scoring_script` 运行数。
`mini_batch_size`	[可选] `scoring_script` 可以在一次 `run()` 调用中处理的文件数。
`output_action`	[可选] 应如何在输出文件中组织输出。 `append_row` 会将所有 `run()` 返回的输出结果合并到一个名为 `output_file_name` 的文件中。 `summary_only` 不会合并输出结果，而只会计算 `error_threshold`。
`output_file_name`	[可选] `append_row` `output_action` 批量评分输出文件的名称。
`retry_settings.max_retries`	[可选] 失败的 `scoring_script` `run()` 的最大尝试次数。
`retry_settings.timeout`	[可选] `scoring_script` `run()` 对微型批进行评分的超时值（以秒为单位）。
`error_threshold`	[可选] 应忽略的输入文件评分失败次数。如果整个输入的错误计数超出此值，则批量评分作业将终止。此示例使用 `-1`，指示允许失败任意次，而不会终止批量评分作业。
`logging_level`	[可选] 日志详细程度。值（以详细程度递增的顺序排列）为：WARNING、INFO 和 DEBUG。

deployment = BatchDeployment(
    name="mnist-torch-dpl",
    description="A deployment using Torch to solve the MNIST classification dataset.",
    endpoint_name=batch_endpoint_name,
    model=model,
    code_path="deployment-torch/code",
    scoring_script="batch_driver.py",
    environment=env,
    compute=compute_name,
    instance_count=2,
    max_concurrency_per_instance=2,
    mini_batch_size=10,
    output_action=BatchDeploymentOutputAction.APPEND_ROW,
    output_file_name="predictions.csv",
    retry_settings=BatchRetrySettings(max_retries=3, timeout=30),
    logging_level="info",
)

此类允许用户配置以下关键方面。

name - 部署的名称。
endpoint_name - 要在其中创建部署的终结点的名称。
model - 要用于部署的模型。此值可以是对工作区中现有版本受控模型的引用，也可以是对内联模型规范的引用。
environment - 用于作业的环境。此值可以是对工作区中现有版本受控环境的引用，也可以是对内联环境规范的引用。
code_path - 用于对模型评分的源代码目录的路径
scoring_script - 源代码目录中评分文件的相对路径
compute - 要执行批处理评分作业的计算目标的名称
instance_count - 要用于每个批量评分作业的节点数。
max_concurrency_per_instance - 每个实例的最大并行 scoring_script 运行数。
mini_batch_size - code_configuration.scoring_script 可以在一次 run() 调用中处理的文件数。
retry_settings - 用于对每个小批量进行评分的重试设置。
- max_retries - 针对失败或已超时小批量的最大重试次数（默认值为 3）
- timeout - 对小批量进行评分的超时，以秒计（默认值为 30）
output_action - 指示应如何在输出文件中组织输出。允许的值为 append_row 或 summary_only。默认为 append_row
output_file_name - 批量评分输出文件的名称。默认为 predictions.csv
environment_variables - 要针对每个批量评分作业设置的环境变量名称/值对字典。
logging_level - 日志详细程度。允许的值为 warning、info、debug。默认值为 info。

在 Azure 机器学习工作室门户上，执行以下步骤：

导航到边侧菜单中的“终结点”选项卡。
选择选项卡“批处理终结点”>“创建”。
为终结点命名，在本例中为 mnist-batch。可以配置其余字段或将其留空。
选择“下一步” 。
在模型列表中，选择模型 mnist，然后选择“下一步”。
在部署配置页上，为部署命名。
在“输出操作”中，确保选择了“追加行”。
在“输出文件名”中，确保批量评分输出文件是所需的文件。默认值为 predictions.csv。
在“微批大小”中，调整将包含在每个微批中的文件的大小。这可以控制评分脚本为每个批接收的数据量。
在“评分超时(秒)”中，确保指定足够的时间，使部署能够为给定的文件批评分。如果增加文件数，则通常也需要增大超时值。对于系统开销较高的模型（例如基于深度学习的模型），可能需要在此字段中指定较大的值。
在“每个实例的最大并发性”中，配置你要为部署中的每个计算实例使用的执行程序数。在此处指定较大的数字可以保证更高的并行度，但也会增大计算实例上的内存压力。请连同“微批大小”一起优化此值。
完成后，选择“下一步”。
在环境中，转到“选择评分文件和依赖项”，然后选择“浏览”。
选择 deployment-torch/code/batch_driver.py 中的评分脚本文件。
在“选择环境”部分，选择在上一步骤中创建的环境。
选择“下一步” 。
在“计算”部分，选择在上一步骤中创建的计算群集。

警告

批处理部署支持 Azure Kubernetes 群集，但仅限于使用 Azure 机器学习 CLI 或 Python SDK 创建的群集。
在“实例计数”中，输入你要为部署使用的计算实例数。在此案例中，使用 2。
选择“下一步” 。

创建部署：
运行以下代码以在批处理终结点下创建一个批处理部署，并将其设置为默认部署。
```
az ml batch-deployment create --file endpoints/batch/mnist-torch-deployment.yml --endpoint-name $ENDPOINT_NAME --set-default
```
提示

--set-default 参数将新创建的部署设置为终结点的默认部署。这是一种简便的方法来创建终结点的新默认部署，尤其对于首次创建部署。对于生产方案，最佳做法可能要创建一个新部署（而不将其设置为默认部署），验证该部署，并在稍后更新默认部署。有关详细信息，请参阅部署新模型部分。
使用之前创建的 MLClient，我们现在将在工作区中创建部署。此命令将启动部署创建操作，并在部署创建操作继续时返回确认响应。
```
ml_client.batch_deployments.begin_create_or_update(deployment)
```
部署完成后，我们需要确保新部署是终结点中的默认部署：
```
endpoint = ml_client.batch_endpoints.get(endpoint_name)
endpoint.defaults.deployment_name = deployment.name
ml_client.batch_endpoints.begin_create_or_update(endpoint)
```
在向导中，选择“创建”启动部署过程。
检查批处理终结点和部署详细信息。
使用 show 检查终结点和部署详细信息。若要检查批处理部署，请运行以下代码：
```
az ml batch-deployment show --name $DEPLOYMENT_NAME --endpoint-name $ENDPOINT_NAME
```
若要检查批处理部署，请运行以下代码：
```
ml_client.batch_deployments.get(name=deployment.name, endpoint_name=endpoint.name)
```
1. 导航到边侧菜单中的“终结点”选项卡。
2. 选择“批处理终结点”选项卡。
3. 选择要从中获取详细信息的批处理终结点。
4. 在终结点页中，你将看到终结点的所有详细信息以及所有可用的部署。

运行批量终结点并访问结果

调用批处理终结点会触发批量评分作业。调用响应中将返回作业 name，该作业可用于跟踪批量评分进度。

在批量终结点中运行用于评分的模型时，需要指示终结点应查找要评分的数据的输入数据路径。以下示例演示如何通过 Azure 存储帐户中存储的 MNIST 数据集的示例数据启动新作业：

注意

并行化的工作原理是什么？：

批处理部署在文件级别分配工作，这意味着，如果某个文件夹包含 100 个文件并以 10 个文件为一个微批，则会生成 10 个批，每批包含 10 个文件。请注意，无论涉及的文件大小如何，都会发生这种情况。如果文件太大因而无法按较大的微批进行处理，我们建议将文件拆分为较小的文件以实现更高的并行度，或减少每个微批的文件数。目前，批处理部署无法处理文件大小分布的偏差。

JOB_NAME=$(az ml batch-endpoint invoke --name $ENDPOINT_NAME --input https://pipelinedata.blob.core.windows.net/sampledata/mnist --input-type uri_folder --query name -o tsv)

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint_name,
    inputs=Input(path="https://azuremlexampledata.blob.core.chinacloudapi.cn/data/mnist/sample/", type=AssetTypes.URI_FOLDER)
)

导航到边侧菜单中的“终结点”选项卡。
选择“批处理终结点”选项卡。
选择刚刚创建的批处理终结点。
选择“创建作业”。
在“部署”中，选择要执行的部署。
选择“下一步” 。
在“选择数据源”中，选择要使用的数据输入。对于此示例，请选择“数据存储”并在“路径”部分输入完整的 URL https://azuremlexampledata.blob.core.chinacloudapi.cn/data/mnist/sample。请注意，之所以可以输入此值，是因为给定的路径启用了公共访问。一般情况下，需要将数据源注册为数据存储。有关详细信息，请参阅从批处理终结点作业访问数据。
启动作业。

批处理终结点支持读取位于不同位置的文件或文件夹。若要详细了解支持的类型以及如何指定它们，请阅读从批处理终结点作业访问数据。

提示

从 Azure 机器学习 CLI 或适用于 Python 的 Azure 机器学习SDK 执行批处理终结点时，可以使用本地数据文件夹/文件。但是，该操作会导致将本地数据上传到正在处理的工作区的默认 Azure 机器学习数据存储。

重要

弃用通知：FileDataset 类型的数据集 (V1) 已弃用，并且将来会停用。依赖此功能的现有批处理终结点可以继续正常运行，但使用 GA CLIv2（2.4.0 和更高版本）或 GA REST API（2022-05-01 和更高版本）创建的批处理终结点将不支持 V1 数据集。

监视批处理作业执行进度

批量评分作业通常会花费一段时间来处理整个输入集。

可以使用 CLI job show 来查看作业。运行以下代码，以检查上一次终结点调用中的作业状态。若要详细了解作业命令，请运行 az ml job -h。

STATUS=$(az ml job show -n $JOB_NAME --query status -o tsv)
echo $STATUS
if [[ $STATUS == "Completed" ]]
then
  echo "Job completed"
elif [[ $STATUS ==  "Failed" ]]
then
  echo "Job failed"
  exit 1
else 
  echo "Job status not failed or completed"
  exit 2
fi

以下代码检查作业状态，并输出 Azure 机器学习工作室的链接以获取更多详细信息。

ml_client.jobs.get(job.name)

检查批量评分结果

作业输出将存储在云存储中，可以在工作区的默认 Blob 存储中，也可以在你指定的存储中。请参阅配置输出位置，了解如何更改默认值。执行以下步骤以在作业完成时在 Azure 存储资源管理器中查看评分结果：

运行以下代码，在 Azure 机器学习工作室中打开批量评分作业。 invoke 的响应中还包含以 interactionEndpoints.Studio.endpoint 值的形式提供的作业工作室链接。
```
az ml job show -n $JOB_NAME --web
```
在作业图中，选择 batchscoring 步骤。
选择“输出 + 日志”选项卡，然后选择“显示数据输出”。
在“数据输出”中，选择图标以打开“存储资源管理器”。

存储资源管理器中的评分结果类似以下示例页：

配置输出位置

默认情况下，批量评分结果存储在工作区的默认 Blob 存储中按作业名称（系统生成的 GUID）命名的某个文件夹内。可以配置在调用批处理终结点时用于存储评分输出的位置。

使用 output-path 配置 Azure 机器学习已注册的数据集中的任何文件夹。指定文件夹时，--output-path 的语法与 --input 的语法相同，即都为 azureml://datastores/<datastore-name>/paths/<path-on-datastore>/。使用 --set output_file_name=<your-file-name> 配置新的输出文件名。

export OUTPUT_FILE_NAME=predictions_`echo $RANDOM`.csv
JOB_NAME=$(az ml batch-endpoint invoke --name $ENDPOINT_NAME --input https://pipelinedata.blob.core.windows.net/sampledata/mnist --input-type uri_folder --output-path azureml://datastores/workspaceblobstore/paths/$ENDPOINT_NAME --set output_file_name=$OUTPUT_FILE_NAME --query name -o tsv)

params_override 可用于配置 Azure 机器学习的已注册数据存储中的任何文件夹。系统仅支持将已注册数据存储用作输出路径。在此示例中，我们将使用默认数据存储：

batch_ds = ml_client.datastores.get_default()

确定要使用的数据存储后，请按如下所示配置输出：

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint_name,
    input=Input(
        path="https://azuremlexampledata.blob.core.chinacloudapi.cn/data/mnist/sample/", 
        type=AssetTypes.URI_FOLDER
    ),
    params_override=[
        { "output_dataset.datastore_id": f"azureml:{batch_ds.id}" },
        { "output_dataset.path": "/mnist-batch-results" }
        { "output_file_name": "mnist-predictions.csv" },
    ]
)

警告

必须使用唯一的输出位置。如果输出文件已存在，批量评分作业将失败。

重要

与输入相反，仅支持将输出放置到在 Blob 存储帐户中运行的 Azure 机器学习数据存储。

覆盖每个作业的部署配置

可以在调用时覆盖某些设置，以充分利用计算资源并提高性能。可以按作业配置以下设置：

使用“实例计数”覆盖要从计算群集请求的实例数。例如，对于较大的数据输入量，可能需要使用更多实例来加速端到端批量评分。
使用“微批大小”覆盖要包含在每个微批中的文件数。微型批处理数由输入文件总计数和 mini_batch_size 确定。 mini_batch_size 较小就会生成更多微型批处理。微型批处理可以并行运行，但可能需要额外计划并产生额外的调用开销。
可以使用其他设置来覆盖其他设置，包括“最大重试次数”、“超时”和“错误阈值”。这些设置可能会影响不同工作负载的端到端批量评分时间。

export OUTPUT_FILE_NAME=predictions_`echo $RANDOM`.csv
JOB_NAME=$(az ml batch-endpoint invoke --name $ENDPOINT_NAME --input https://pipelinedata.blob.core.windows.net/sampledata/mnist --input-type uri_folder --mini-batch-size 20 --instance-count 5 --query name -o tsv)

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint_name,
    input=Input(
        path="https://azuremlexampledata.blob.core.chinacloudapi.cn/data/mnist/sample/"
    ),
    params_override=[
        { "mini_batch_size": "20" },
        { "compute.instance_count": "5" }
    ],
)

将部署添加到终结点

配置了一个包含部署的批处理终结点后，可以继续微调模型并添加新的部署。在同一个终结点下开发和部署新模型时，批处理终结点将继续为默认部署提供服务。部署不能相互影响。

在此示例中，你将了解如何添加第二个部署来解决同一个 MNIST 问题，但使用通过 Keras 和 TensorFlow 构建的模型。

添加另一个部署

创建要在其中运行批处理部署的环境。在该环境中包含运行代码所需的任何依赖项。还需要添加库 azureml-core，因为它是正常进行批量部署所必需的。以下环境定义具有运行包含 TensorFlow 的模型时所需的库。
环境定义将作为匿名环境包含在部署定义本身中。你将在部署的以下行中看到：
```
environment:
  name: batch-tensorflow-py38
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest
  conda_file: environment/conda.yaml
```
获取对环境的引用：
```
env = Environment(
    name="batch-tensorflow-py38",
    conda_file="deployment-keras/environment/conda.yml",
    image="mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.04:latest",
)
```
1. 导航到边侧菜单中的“环境”选项卡。
2. 选择选项卡“自定义环境”>“创建”。
3. 输入环境的名称，在本例中为 keras-batch-env。
4. 在“选择环境类型”中，选择“将现有 docker 映像与 conda 配合使用”。
5. 在“容器注册表映像路径”中，输入 mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu20.0。
6. 在“自定义”部分，将存储库中包含的文件 deployment-keras/environment/conda.yml 的内容复制到门户中。
7. 选择“下一步”，然后选择“创建”。
8. 该环境现在可供使用。
使用的 conda 文件如下所示：

deployment-keras/environment/conda.yml
```
name: tensorflow-env
channels:
  - conda-forge
dependencies:
  - python=3.8.5
  - pip
  - pip:
    - pandas
    - tensorflow
    - pillow
    - azureml-core
    - azureml-dataset-runtime[fuse]
```

创建模型的评分脚本：

deployment-keras/code/batch_driver.py

import os
import numpy as np
import pandas as pd
import tensorflow as tf
from typing import List
from os.path import basename
from PIL import Image
from tensorflow.keras.models import load_model

def init():
    global model

    # AZUREML_MODEL_DIR is an environment variable created during deployment
    model_path = os.path.join(os.environ["AZUREML_MODEL_DIR"], "model")

    # load the model
    model = load_model(model_path)

def run(mini_batch: List[str]) -> pd.DataFrame:
    print(f"Executing run method over batch of {len(mini_batch)} files.")

    results = []
    for image_path in mini_batch:
        data = Image.open(image_path)
        data = np.array(data)
        data_batch = tf.expand_dims(data, axis=0)

        # perform inference
        pred = model.predict(data_batch)

        # Compute probabilities, classes and labels
        pred_prob = tf.math.reduce_max(tf.math.softmax(pred, axis=-1)).numpy()
        pred_class = tf.math.argmax(pred, axis=-1).numpy()

        results.append(
            {
                "file": basename(image_path),
                "class": pred_class[0],
                "probability": pred_prob,
            }
        )

    return pd.DataFrame(results)

创建部署定义
deployment-keras/deployment.yml
```
$schema: https://azuremlschemas.azureedge.net/latest/batchDeployment.schema.json
name: mnist-keras-dpl
description: A deployment using Keras with TensorFlow to solve the MNIST classification dataset.
endpoint_name: mnist-batch
model: 
  name: mnist-classifier-keras
  path: model
code_configuration:
  code: code
  scoring_script: batch_driver.py
environment:
  name: batch-tensorflow-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
max_concurrency_per_instance: 2
mini_batch_size: 10
output_action: append_row
output_file_name: predictions.csv
```
```
deployment = BatchDeployment(
    name="non-mlflow-deployment",
    description="this is a sample non-mlflow deployment",
    endpoint_name=batch_endpoint_name,
    model=model,
    code_path="deployment-keras/code/",
    scoring_script="batch_driver.py",
    environment=env,
    compute=compute_name,
    instance_count=2,
    max_concurrency_per_instance=2,
    mini_batch_size=10,
    output_action=BatchDeploymentOutputAction.APPEND_ROW,
    output_file_name="predictions.csv",
    retry_settings=BatchRetrySettings(max_retries=3, timeout=30),
    logging_level="info",
)
```
1. 导航到边侧菜单中的“终结点”选项卡。
2. 选择“批处理终结点”选项卡。
3. 选择要在其中添加部署的现有批处理终结点。
4. 选择“添加部署”。
5. 在模型列表中，选择模型 mnist，然后选择“下一步”。
6. 在部署配置页上，为部署命名。
7. 在“输出操作”中，确保选择了“追加行”。
8. 在“输出文件名”中，确保批量评分输出文件是所需的文件。默认值为 predictions.csv。
9. 在“微批大小”中，调整将包含在每个微批中的文件的大小。这可以控制评分脚本为每个批接收的数据量。
10. 在“评分超时(秒)”中，确保指定足够的时间，使部署能够为给定的文件批评分。如果增加文件数，则通常也需要增大超时值。对于系统开销较高的模型（例如基于深度学习的模型），可能需要在此字段中指定较大的值。
11. 在“每个实例的最大并发性”中，配置你要为部署中的每个计算实例使用的执行程序数。在此处指定较大的数字可以保证更高的并行度，但也会增大计算实例上的内存压力。请连同“微批大小”一起优化此值。
12. 完成后，选择“下一步”。
13. 在环境中，转到“选择评分文件和依赖项”，然后选择“浏览”。
14. 选择 deployment-keras/code/batch_driver.py 中的评分脚本文件。
15. 在“选择环境”部分，选择在上一步骤中创建的环境。
16. 选择“下一步” 。
17. 在“计算”部分，选择在上一步骤中创建的计算群集。
18. 在“实例计数”中，输入你要为部署使用的计算实例数。在此案例中，使用 2。
19. 选择“下一步” 。
创建部署：
运行以下代码以在批处理终结点下创建一个批处理部署，并将其设置为默认部署。
```
az ml batch-deployment create --file endpoints/batch/mnist-keras-deployment.yml --endpoint-name $ENDPOINT_NAME
```
提示

在本例中缺少 --set-default 参数。对于生产方案，最佳做法可能要创建一个新部署（而不将其设置为默认部署），验证该部署，并在稍后更新默认部署。
使用之前创建的 MLClient，我们现在将在工作区中创建部署。此命令将启动部署创建操作，并在部署创建操作继续时返回确认响应。
```
ml_client.batch_deployments.begin_create_or_update(deployment)
```
在向导中，选择“创建”启动部署过程。

测试非默认批处理部署

若要测试新的非默认部署，需要知道你要运行的部署的名称。

DEPLOYMENT_NAME="mnist-keras-dpl"
JOB_NAME=$(az ml batch-endpoint invoke --name $ENDPOINT_NAME --deployment-name $DEPLOYMENT_NAME --input https://pipelinedata.blob.core.chinacloudapi.cn/sampledata/mnist --input-type uri_folder --query name -o tsv)

请注意 --deployment-name 用于指定我们要执行的部署。使用此参数可以对非默认部署执行 invoke 操作，且不会更新批处理终结点的默认部署。

job = ml_client.batch_endpoints.invoke(
    deployment_name=deployment.name,
    endpoint_name=endpoint.name,
    input=input,
)

请注意 deployment_name 用于指定我们要执行的部署。使用此参数可以对非默认部署执行 invoke 操作，且不会更新批处理终结点的默认部署。

更新默认批处理部署

尽管可以在终结点内调用特定部署，但通常需要调用终结点本身，让终结点决定使用哪个部署。此类部署命名为“默认”部署。这样可以更改默认部署，从而更改为部署提供服务的模型，且无需更改与调用终结点的用户的协定。使用以下说明更新默认部署：

az ml batch-endpoint update --name $ENDPOINT_NAME --set defaults.deployment_name=$DEPLOYMENT_NAME

endpoint = ml_client.batch_endpoints.get(endpoint_name)
endpoint.defaults.deployment_name = deployment.name
ml_client.batch_endpoints.begin_create_or_update(endpoint)

删除批处理终结点和部署

如果不打算使用旧的批处理部署，应运行以下代码将其删除。 --yes 用于确认删除。

az ml batch-deployment delete --name nonmlflowdp --endpoint-name $ENDPOINT_NAME --yes

运行以下代码以删除批处理终结点和所有基础部署。不会删除批量评分作业。

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

删除终结点：

ml_client.batch_endpoints.begin_delete(name=batch_endpoint_name)

删除计算：可选，因为可以选择在以后的部署中重复使用计算群集。

ml_client.compute.begin_delete(name=compute_name)

Compartir a través de