在本地部署模型

了解如何使用 Azure 机器学习将模型部署为 Azure 机器学习计算实例上的 Web 服务。 如果满足下列任一条件，请使用计算实例：

• 你需要快速部署并验证你的模型。
• 正在测试一个开发中的模型。

先决条件

• 一个有计算实例运行的 Azure 机器学习工作区。 有关详细信息，请参阅创建帮助入门的资源。

部署到计算实例

用于演示本地部署的示例笔记本包含在计算实例中。 使用以下步骤加载笔记本，并将模型部署为 VM 上的 Web 服务：

1. 在 Azure 机器学习工作室中，选择“笔记本”，然后在“示例笔记本”下选择 "how-to-use-azureml/deployment/deploy-to-local/register-model-deploy-local.ipynb"。 将此笔记本克隆到用户文件夹。

2. 查找步骤 1 中克隆的笔记本，选择或创建计算实例以运行该笔记本。

   

3. 笔记本会显示其上有服务运行的 URL 和端口。 例如，https://localhost:6789。 还可以运行包含 print('Local service port: {}'.format(local_service.port)) 的单元格以显示端口。

   

4. 若要从计算实例测试服务，请使用 https://localhost:<local_service.port> URL。 若要从远程客户端进行测试，请获取在计算实例上运行的服务的公共 URL。 可以使用以下公式来确定公共 URL；

   • 笔记本 VM：https://<vm_name>-<local_service_port>.<azure_region_of_workspace>.notebooks.ml.azure.cn/score。
   • 计算实例：https://<vm_name>-<local_service_port>.<azure_region_of_workspace>.instances.ml.azure.cn/score。

   例如，

   • 笔记本 VM：https://vm-name-6789.chinaeast2.notebooks.ml.azure.cn/score
   • 计算实例：https://vm-name-6789.chinaeast2.instances.ml.azure.cn/score

测试服务

若要将示例数据提交到正在运行的服务，请使用以下代码。 将 service_url 值替换为在上一步获取的 URL：

import requests
import json
from azureml.core.authentication import InteractiveLoginAuthentication

# Get a token to authenticate to the compute instance from remote
interactive_auth = InteractiveLoginAuthentication()
auth_header = interactive_auth.get_authentication_header()

# Create and submit a request using the auth header
headers = auth_header
# Add content type header
headers.update({'Content-Type':'application/json'})

# Sample data to send to the service
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')

# Replace with the URL for your compute instance, as determined from the previous section
service_url = "https://vm-name-6789.chinaeast2.notebooks.ml.azure.cn/score"
# for a compute instance, the url would be https://vm-name-6789.chinaeast2.instances.ml.azure.cn/score
resp = requests.post(service_url, test_sample, headers=headers)
print("prediction:", resp.text)

后续步骤

• 如何使用自定义 Docker 映像部署模型
• 部署疑难解答
• 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