将部署终结点升级到 SDK v2

  • 项目

使用 SDK/CLI v1，可以在 ACI 或 AKS 上部署模型作为 Web 服务。 现有的 v1 模型部署和 Web 服务将继续正常运行，但使用 SDK/CLI v1 在 ACI 或 AKS 上部署模型作为 Web 服务现在已被视为旧版。 对于新的模型部署，建议升级到 v2。

在 v2 中，我们提供托管终结点或 Kubernetes 终结点。 有关 v1 和 v2 的比较，请参阅终结点和部署。

有多个部署漏斗，如 v2 中的托管联机终结点、kubernetes 联机终结点（包括 Azure Kubernetes 服务），v1 中的 Azure 容器实例 (ACI) 和 Kubernetes 服务 (AKS) Web 服务。 本文重点介绍部署到 ACI Web 服务 (v1) 和托管联机终结点 (v2) 的过程比较。

本文中的示例演示如何执行以下操作：

  • 将模型部署到 Azure
  • 使用终结点进行评分
  • 删除 Web 服务/终结点

创建推理资源

  • SDK v1

    1. 配置模型、环境和评分脚本：

      # configure a model. example for registering a model 
from azureml.core.model import Model
model = Model.register(ws, model_name="bidaf_onnx", model_path="./model.onnx")

# configure an environment
from azureml.core import Environment
env = Environment(name='myenv')
python_packages = ['nltk', 'numpy', 'onnxruntime']
for package in python_packages:
    env.python.conda_dependencies.add_pip_package(package)

# configure an inference configuration with a scoring script
from azureml.core.model import InferenceConfig
inference_config = InferenceConfig(
    environment=env,
    source_directory="./source_dir",
    entry_script="./score.py",
)

    2. 配置和部署 ACI Web 服务：

      from azureml.core.webservice import AciWebservice

# defince compute resources for ACI
deployment_config = AciWebservice.deploy_configuration(
    cpu_cores=0.5, memory_gb=1, auth_enabled=True
)

# define an ACI webservice
service = Model.deploy(
    ws,
    "myservice",
    [model],
    inference_config,
    deployment_config,
    overwrite=True,
)

# create the service 
service.wait_for_deployment(show_output=True)

有关注册模型的详细信息，请参阅从本地文件注册模型。

  • SDK v2

    1. 配置模型、环境和评分脚本：

      from azure.ai.ml.entities import Model
# configure a model
model = Model(path="../model-1/model/sklearn_regression_model.pkl")

# configure an environment
from azure.ai.ml.entities import Environment
env = Environment(
    conda_file="../model-1/environment/conda.yml",
    image="mcr.microsoft.com/azureml/openmpi3.1.2-ubuntu18.04:20210727.v1",
)

# configure an inference configuration with a scoring script
from azure.ai.ml.entities import CodeConfiguration
code_config = CodeConfiguration(
        code="../model-1/onlinescoring", scoring_script="score.py"
    )

    2. 配置和创建联机终结点：

      import datetime
from azure.ai.ml.entities import ManagedOnlineEndpoint

# create a unique endpoint name with current datetime to avoid conflicts
online_endpoint_name = "endpoint-" + datetime.datetime.now().strftime("%m%d%H%M%f")

# define an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    description="this is a sample online endpoint",
    auth_mode="key",
    tags={"foo": "bar"},
)

# create the endpoint:
ml_client.begin_create_or_update(endpoint)

    3. 配置和创建联机部署：

      from azure.ai.ml.entities import ManagedOnlineDeployment

# define a deployment
blue_deployment = ManagedOnlineDeployment(
    name="blue",
    endpoint_name=online_endpoint_name,
    model=model,
    environment=env,
    code_configuration=code_config,
    instance_type="Standard_F2s_v2",
    instance_count=1,
)

# create the deployment:
ml_client.begin_create_or_update(blue_deployment)

# blue deployment takes 100 traffic
endpoint.traffic = {"blue": 100}
ml_client.begin_create_or_update(endpoint)

有关终结点和部署概念的详细信息，请参阅什么是联机终结点？

提交请求

  • SDK v1

    import json
data = {
    "query": "What color is the fox",
    "context": "The quick brown fox jumped over the lazy dog.",
}
data = json.dumps(data)
predictions = service.run(input_data=data)
print(predictions)

  • SDK v2

    # test the endpoint (the request will route to blue deployment as set above)
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    request_file="../model-1/sample-request.json",
)

# test the specific (blue) deployment
ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name="blue",
    request_file="../model-1/sample-request.json",
)

删除资源

  • SDK v1

    service.delete()

  • SDK v2

    ml_client.online_endpoints.begin_delete(name=online_endpoint_name)

SDK v1 和 SDK v2 中关键功能的映射

SDK v1 中的功能 SDK v2 中的粗略映射
azureml.core.model.Model 类 azure.ai.ml.entities.Model 类
azureml.core.Environment 类 azure.ai.ml.entities.Environment 类
azureml.core.model.InferenceConfig 类 azure.ai.ml.entities.CodeConfiguration 类
azureml.core.webservice.AciWebservice 类 azure.ai.ml.entities.OnlineDeployment 类（和 azure.ai.ml.entities.ManagedOnlineEndpoint 类）
Model.deploy 或 Webservice.deploy ml_client.begin_create_or_update(online_deployment)
Webservice.run ml_client.online_endpoints.invoke
Webservice.delete ml_client.online_endpoints.delete

有关详细信息，请参阅

v2 文档：

v1 文档：