通过 CLI (v1) 将模型部署到 Azure 容器实例

了解如何使用 Azure 机器学习将模型部署为 Azure 容器实例 (ACI) 上的 Web 服务。 如果你符合以下情况，可使用 Azure 容器实例：

• 不愿意管理自己的 Kubernetes 群集
• 可以接受只拥有服务的单个副本，这可能会影响运行时间

有关 ACI 的配额和区域可用性的信息，请参阅 Azure 容器实例的配额和区域可用性文章。

先决条件

• Azure 机器学习工作区。 有关详细信息，请参阅创建 Azure 机器学习工作区。

• 工作区中注册的机器学习模型。 如果尚未注册模型，请参阅部署模型的方式和位置。

• 机器学习服务的 Azure CLI 扩展 (v1)、Azure 机器学习 Python SDK 或 Azure 机器学习 Visual Studio Code 扩展。

  重要

  本文中的一些 Azure CLI 命令使用适用于 Azure 机器学习的 azure-cli-ml 或 v1 扩展。 对 v1 扩展的支持将于 2025 年 9 月 30 日结束。 在该日期之前，你将能够安装和使用 v1 扩展。

  建议在 2025 年 9 月 30 日之前转换为 ml 或 v2 扩展。 有关 v2 扩展的详细信息，请参阅 Azure ML CLI 扩展和 Python SDK v2。

• 本文中的 Python 代码片段假设设置了以下变量：

  • ws - 设置为工作区。
  • model - 设置为注册的模型。
  • inference_config - 设置为模型的推理配置。

  有关如何设置这些变量的详细信息，请参阅部署模型的方式和位置。

• 本文中的 CLI 片段假设已创建 inferenceconfig.json 文档。 有关如何创建此文档的详细信息，请参阅部署模型的方式和位置。

限制

使用专用终结点配置 Azure 机器学习工作区时，不支持部署到 VNet 中的 Azure 容器实例。 相反，请考虑使用具有网络隔离的托管联机终结点。

部署到 ACI

要将模型部署到 Azure 容器实例，请创建一个描述所需计算资源的部署配置。 例如，核心数和内存。 此外，还需要一个推理配置，描述托管模型和 Web 服务所需的环境。 有关如何创建推理配置的详细信息，请参阅部署模型的方式和位置。

使用 SDK

适用于：Python SDK azureml v1

from azureml.core.webservice import AciWebservice, Webservice
from azureml.core.model import Model

deployment_config = AciWebservice.deploy_configuration(cpu_cores = 1, memory_gb = 1)
service = Model.deploy(ws, "aciservice", [model], inference_config, deployment_config)
service.wait_for_deployment(show_output = True)
print(service.state)

有关此示例中使用的类、方法和参数的详细信息，请参阅以下参考文档：

• AciWebservice.deploy_configuration
• Model.deploy
• Webservice.wait_for_deployment

使用 Azure CLI

适用于：Azure CLI ml 扩展 v1

要使用 CLI 进行部署，请使用以下命令。 将 mymodel:1 替换为注册的模型的名称和版本。 将 myservice 替换为要赋予此服务的名称：

az ml model deploy -n myservice -m mymodel:1 --ic inferenceconfig.json --dc deploymentconfig.json

deploymentconfig.json 文档中的条目映射到 AciWebservice.deploy_configuration 的参数。 下表描述了 JSON 文档中的实体与方法参数之间的映射：

以下 JSON 是用于 CLI 的部署配置示例：

{
    "computeType": "aci",
    "containerResourceRequirements":
    {
        "cpu": 0.5,
        "memoryInGB": 1.0
    },
    "authEnabled": true,
    "sslEnabled": false,
    "appInsightsEnabled": false
}

有关详细信息，请参阅 az ml model deploy 参考文档。

使用 VS Code

请参阅如何在 VS Code 中管理资源。

后续步骤

• 如何使用自定义 Docker 映像部署模型
• 部署疑难解答
• 更新 Web 服务
• 使用 TLS 通过 Azure 机器学习保护 Web 服务
• 使用部署为 Web 服务的机器学习模型
• 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