正如我们在上一单元中所讨论的，可以将模型部署到多种计算目标，包括本地计算、Azure 容器实例 (ACI)、Azure Kubernetes 服务 (AKS) 群集或物联网 (IoT) 模块。 Azure 机器学习将“容器”用作部署机制，对模型和代码进行打包，以将其用作可部署到所选计算目标中的容器的映像。
若要将模型部署为推理 Web 服务，必须执行以下任务：
- 注册已训练的模型。
- 定义推理配置。
- 定义部署配置。
- 部署模型。
成功训练模型后，必须将其注册到 Azure 机器学习工作区。 这样实时服务才能在需要时加载模型。
若要从本地文件注册模型，可以使用 Model 对象的 register 方法，如下所示：
将模型部署为服务，该服务包含：
- 用于加载模型并返回提交数据的预测的脚本。
- 运行脚本所需的环境。
因此，必须为该服务定义脚本和环境。
以 Python (.py) 文件的形式为服务创建“入口脚本”（有时称为“评分脚本”）。 它必须包含两个函数：
- init()：初始化服务时调用。
- run(raw_data)：向服务提交新数据时调用。
通常，使用 init 函数从模型注册表加载模型，然后使用 run 函数对输入数据生成预测。 以下示例脚本显示了这一模式：
Azure 机器学习环境是（机器学习训练发生于其中的）环境的封装。 它们以声明性方式定义 Python 包、环境变量、Docker 设置和其他属性。 下面的代码片段演示了如何为部署创建环境的示例：
创建入口脚本和环境后，可以将它们合并到服务的 InferenceConfig 中，如下所示：
拥有入口脚本和环境之后，接下来需要配置计算，以便部署服务。 如果要部署到 AKS 群集，则必须在部署前为其创建群集和计算目标：
创建计算目标后，现在可以定义部署配置，为容器化部署设置特定于目标的计算规范：
用于配置 ACI 部署的代码与此类似，不同之处在于无需显式创建 ACI 计算目标，并且必须使用 azureml.core.webservice.AciWebservice 命名空间中的 deploy_configuration 类。 同样，可以使用 azureml.core.webservice.LocalWebservice 命名空间来配置基于 Docker 的本地服务。
准备好所有配置后，即可开始部署模型。 执行此操作的最简单方法是调用 Model 类的 deploy 方法，如下所示：
对于 ACI 或本地服务，可以省略 deployment_target 参数（或将其设置为“无”）。
到此这篇自动驾驶数据集搭建（自动驾驶数据库）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/sjkxydsj/14869.html