azure - 在 Azure 管道中使用 Az Ml CLI 部署/更新 Azure ML 模型

Question

如果工作区中不存在，并且该模型已在注册的工作区中可用，则我正在尝试部署 azure ml 模型，然后仅在更新可用时才使用最新版本更新模型，但我不这样做了解这在实践中是如何运作的。

Azure 管道将按每周计划运行。

steps:
- task: AzureCLI@2
  displayName: 'Install AML CLI'
  inputs:
    azureSubscription: $(ml_ws_connection)
    scriptLocation: inlineScript
    scriptType: 'bash'
    inlineScript: 'az extension add -n azure-cli-ml'

- task: AzureCLI@2
  displayName: 'Attach folder to workspace'
  inputs:
    azureSubscription: $(ml_ws_connection)
    workingDirectory: $(ml_path)
    scriptLocation: inlineScript
    scriptType: 'bash'
    inlineScript: 'az ml folder attach -w $(ml_ws) -g $(ml_rg)'


# Add potential automated tests

- task: AzureCLI@2
  displayName: 'Create AKS cluster'
  inputs:
    azureSubscription: $(ml_ws_connection)
    workingDirectory: $(ml_path)
    scriptLocation: inlineScript
    scriptType: 'bash'
    inlineScript: 'az ml computetarget create aks --name $(ml_aks_name) --cluster-purpose DevTest'

- task: AzureCLI@2
  displayName: 'Deploy model to AKS '
  inputs:
    azureSubscription: $(ml_ws_connection)
    workingDirectory: $(ml_path)
    scriptLocation: inlineScript
    scriptType: 'bash'
    inlineScript: 'az ml model deploy --name model1_aks --ct $(ml_aks_name) --ic config/inferenceConfig.json -e $(ml_env_name) --ev $(ml_env_version) --dc config/aksDeploymentConfig-aks.json  --overwrite'

- task: AzureCLI@2
  displayName: 'Update model in AKS '
  inputs:
    azureSubscription: $(ml_ws_connection)
    workingDirectory: $(ml_path)
    scriptLocation: inlineScript
    scriptType: 'bash'
    inlineScript: 'az ml service update --name $(deploy_service_name)

Answer 1

我们可以执行 CICD 来实现自动化模型发布，如此处所述 Continuously deploy Azure Machine Learning models - Azure Machine Learning | Microsoft Docs .

请关注references对于 CLI 规范。这是link至 update使用配置进行部署。

Azure CLI 的 ml 扩展是针对 Azure 机器学习用户的改进界面。它使您能够从命令行训练和部署模型，并具有加速扩展数据科学流程的功能，同时跟踪模型生命周期。使用 CLI 使您能够在 GPU 计算上运行分布式训练作业，自动扫描超参数以改进结果，然后在 AML studio 用户界面中监视作业以查看所有详细信息，包括重要指标、元数据和工件，例如经过训练的模型、检查点和日志。

此外，CLI 经过优化，可支持基于 YAML 的作业、端点和 Assets 规范，使用户能够使用适当的 CI/CD(或 GitOps)最佳实践来创建、管理和部署模型，以实现端到端MLOps solution .

要开始使用适用于 Azure 的 2.0 机器学习 CLI 扩展，请查看 link here .