Fichier de dépendance Conda

Le nom est le même, mais c'est un fichier qui définit les packages Conda nécessaires. Ceci est également créé au format .yml avec un éditeur de code source.

myenv.yml

# Conda environment specification. The dependencies defined in this file will
# be automatically provisioned for runs with userManagedDependencies=False.

# Details about the Conda environment file format:
# https://conda.io/docs/user-guide/tasks/manage-environments.html#create-env-file-manually

name: project_environment
dependencies:
  # The python interpreter version.
  # Currently Azure ML only supports 3.5.2 and later.
- python=3.6.2

- pip:
  - azureml-defaults
  - azureml-sdk
  - azureml-contrib-services
- numpy
- pytorch
- torchvision
- cloudpickle
channels:
- conda-forge
- pytorch

Je viens de changer le .yml de la documentation officielle. En cela, ʻazureml-defaults` semble être un paquetage nécessaire pour héberger un service Web, il est donc essentiel. Il doit être légèrement modifié en fonction du package utilisé pour le modèle.

⑤ Confirmation du déploiement

Le déploiement prend beaucoup de temps. Je pense que cela dépend de l'environnement, mais cela m'a pris environ 10 à 15 minutes. Vérifiez si le déploiement a réussi.

Si vous recherchez dans le groupe de ressources que vous utilisez à partir de l'accueil du portail Azure dans «Groupe de ressources», l'instance de conteneur créée s'affichera après un certain temps à compter du début du déploiement. Accédez à la page de cette instance de conteneur. Cette fois, je l'ai déployé avec le nom "** kmnist-cgan **" plus tôt, donc le nom de l'instance de conteneur est celui-là. Lorsque vous ouvrez "Conteneur" dans "Paramètres", l'écran ci-dessus apparaîtra, et si le "Statut" (cadre rouge) des trois conteneurs passe de "En attente" à "En cours d'exécution", le déploiement est réussi.

À propos, si une erreur se produit pendant le processus de déploiement, les détails de l'erreur seront affichés dans la section «Journal» ci-dessous. En particulier, les bogues à l'intérieur de score.py et les erreurs pendant le traitement des requêtes sont affichés cette fois dans le journal du conteneur" kmnist-cgan ", donc regarder ici peut être utile pour le dépannage.

⑥ Essayez d'utiliser le service déployé

Ce que j'ai déployé ici est "cGAN **", qui renvoie un caractère brouillé lorsque vous entrez un caractère **. Essayez ceci localement.

Une fois le déploiement terminé et le service Web prêt à être utilisé, l'adresse IP et le nom de domaine complet seront affichés sur la page de l'instance de conteneur Azure, utilisez-le.

import requests
import json
import matplotlib.pyplot as plt
%matplotlib inline

url = "http://[FQDN de l'instance de conteneur créée]/score"

strings = input()

#Générer le numéro cible à l'aide du modèle extrait
def FaaS_KMNIST(url, strings):
    letter = 'Aiue Okakikuke Kosashi Suseso Tachi Nune no Hahifuhe Homami Mumemoya Yuyorari Rurerowa'
    indexs = ""
    input_data = {}
    for i in range(len(strings)):
        str_index = letter.index(strings[i])
        indexs += str(str_index)
        if i != len(strings)-1:
            indexs += ','
        
    print(indexs)
    input_data["indexs"] = str(indexs)
    input_data = json.dumps(input_data)
    headers = {"Content-Type":"application/json"}
    
    resp = requests.post(url, input_data, headers=headers)
    
    result = json.loads(resp.text)
    
    return result

response = FaaS_KMNIST(url, strings)

plt.imshow(response,cmap ="gray")

Écrivez un code comme celui-ci et essayez-le. Puisque l'entrée est acceptée par ʻinput () `, lorsque vous tapez les caractères de manière appropriée, une telle image sera affichée à la fin. N'est-ce pas "OK"?

finalement

J'ai essayé de déployer le modèle ML créé sur Azure. Je ne pense pas que la méthode elle-même soit si difficile. Au moins, je pense que c'est plus facile que de déployer dans le bloc-notes jupyter d'Azure Machine Learning Studio, alors essayez-le.