在 AzureML 中部署模型时如何将参数传递给评分文件

Question

我正在使用 Python SDK 将经过训练的模型部署到 Azure 机器学习上的 ACI 端点。 我已经创建了我的 score.py 文件，但我希望在调用该文件时传递一个参数（就像使用训练文件一样），我可以使用 argparse 解释该参数。 但是，我似乎没有找到如何传递参数 这是我必须创建 InferenceConfig 环境的代码，显然它不起作用。我应该使用额外的 Docker 文件步骤吗？

from azureml.core.conda_dependencies import CondaDependencies
from azureml.core.environment import Environment
from azureml.core.model import InferenceConfig

env = Environment('my_hosted_environment')
env.python.conda_dependencies = CondaDependencies.create(
    conda_packages=['scikit-learn'],
    pip_packages=['azureml-defaults'])
scoring_script = 'score.py --model_name ' + model_name
inference_config = InferenceConfig(entry_script=scoring_script, environment=env)

添加 score.py 以供参考我希望如何使用该脚本中的参数：

#removed imports
import argparse

def init():
    global model

    parser = argparse.ArgumentParser(description="Load sklearn model")
    parser.add_argument('--model_name', dest="model_name", required=True)
    args, _ = parser.parse_known_args()

    model_path = Model.get_model_path(model_name=args.model_name)
    model = joblib.load(model_path)

def run(raw_data):
    try:
        data = json.loads(raw_data)['data']
        data = np.array(data)
        result = model.predict(data)
        return result.tolist()

    except Exception as e:
        result = str(e)
        return result

想听听你的想法

Answer 1

这个问题已经有一年了。提供解决方案来帮助那些可能仍在寻找答案的人。我对类似问题的回答是here。您可以将原生 python 数据类型变量传递到推理配置中，并将它们作为评分脚本中的环境变量进行访问。

Answer 2

如何使用环境进行部署可以在这里找到model-register-and-deploy.ipynb。 InferenceConfig 类接受 source_directory 和 entry_script parameters，其中 source_directory 是包含用于创建图像的所有文件（score.py 和任何其他附加文件）的文件夹的路径。

这个multi-model-register-and-deploy.ipynb 有关于如何使用 source_directory 和 entry_script 创建 InferenceConfig 的代码 sn-ps。

from azureml.core.webservice import Webservice
from azureml.core.model import InferenceConfig
from azureml.core.environment import Environment

myenv = Environment.from_conda_specification(name="myenv", file_path="myenv.yml")
inference_config = InferenceConfig(entry_script="score.py", environment=myenv)

service = Model.deploy(workspace=ws,
                       name='sklearn-mnist-svc',
                       models=[model], 
                       inference_config=inference_config,
                       deployment_config=aciconfig)

service.wait_for_deployment(show_output=True)

print(service.scoring_uri)