更新已部署的 Web 服务 (v1)

适用于：Azure CLI ml 扩展 v1Python SDK azureml v1

本文介绍如何更新通过 Azure 机器学习部署的 Web 服务。

• 本文假定你已使用 Azure 机器学习部署了 Web 服务。 如果需要了解如何部署 Web 服务，请执行这些步骤。

• 本文中的代码片段假定已通过以下方式将 ws 变量初始化为你的工作区：使用 Workflow() 构造函数；或通过 Workspace.from_config() 加载已保存的配置。 下面的代码片段演示了如何使用构造函数：

  适用于：Python SDK azureml v1

  from azureml.core import Workspace
  ws = Workspace(subscription_id="mysubscriptionid",
                 resource_group="myresourcegroup",
                 workspace_name="myworkspace")
  

若要更新 Web 服务，请使用 update 方法。 你可以更新 Web 服务，以使用可以在推理配置中指定的新模型、新入口脚本或新依赖项。 有关详细信息，请参阅 Webservice.update 的文档。

请参阅 AKS 服务更新方法。

请参阅 ACI 服务更新方法。

使用 SDK

下面的代码演示如何使用 SDK 更新 Web 服务的模型、环境和入口脚本：

适用于：Python SDK azureml v1

from azureml.core import Environment
from azureml.core.webservice import Webservice
from azureml.core.model import Model, InferenceConfig

# Register new model.
new_model = Model.register(model_path="outputs/sklearn_mnist_model.pkl",
                           model_name="sklearn_mnist",
                           tags={"key": "0.1"},
                           description="test",
                           workspace=ws)

# Use version 3 of the environment.
deploy_env = Environment.get(workspace=ws,name="myenv",version="3")
inference_config = InferenceConfig(entry_script="score.py",
                                   environment=deploy_env)

service_name = 'myservice'
# Retrieve existing service.
service = Webservice(name=service_name, workspace=ws)



# Update to new model(s).
service.update(models=[new_model], inference_config=inference_config)
service.wait_for_deployment(show_output=True)
print(service.state)
print(service.get_logs())

使用 CLI

还可以使用 ML CLI 更新 Web 服务。 以下示例演示如何注册新模型，然后更新 Web 服务以使用新模型：

适用于：Azure CLI ml 扩展 v1

az ml model register -n sklearn_mnist  --asset-path outputs/sklearn_mnist_model.pkl  --experiment-name myexperiment --output-metadata-file modelinfo.json
az ml service update -n myservice --model-metadata-file modelinfo.json

有关详细信息，请参阅 az ml 服务更新文档。

• 排查部署失败问题
• 创建客户端应用程序以使用 Web 服务
• 如何使用自定义 Docker 映像部署模型
• 使用 TLS 通过 Azure 机器学习保护 Web 服务
• 使用 Application Insights 监视 Azure 机器学习模型
• 为生产环境中的模型收集数据
• 为模型部署创建事件警报和触发器