Upgrade der Pipelineendpunkte auf SDK v2

1. Zuerst müssen wir die Pipeline abrufen, die wir veröffentlichen wollen:

   pipeline1 = Pipeline(workspace=ws, steps=[step1, step2])
   

2. Wir können die Pipeline wie folgt veröffentlichen:

   from azureml.pipeline.core import PipelineEndpoint
   
   endpoint_name = "PipelineEndpointTest"
   pipeline_endpoint = PipelineEndpoint.publish(
       workspace=ws, 
       name=endpoint_name,
       pipeline=pipeline, 
       description="A hello world endpoint for component deployments"
   )
   

1. Zunächst müssen wir die Pipeline definieren, die wir veröffentlichen möchten.

   @pipeline()
   def pipeline(input_data: Input(type=AssetTypes.URI_FOLDER)):
       (...)
   
       return {
           (..)
       }
   

2. Batchendpunkte stellen keine Pipelines, sondern Pipelinekomponenten bereit. Komponenten schlagen eine zuverlässigere Methode für die Quellcodeverwaltung der Ressourcen vor, die unter einem Endpunkt bereitgestellt werden. Wir können jede Pipelinedefinition wie folgt in eine Pipelinekomponente konvertieren:

   pipeline_component = pipeline().component
   

3. Als bewährte Methode wird empfohlen, Pipelinekomponenten zu registrieren, damit Sie die Versionsverwaltung dieser Komponenten zentral innerhalb des Arbeitsbereichs oder sogar innerhalb der freigegebenen Registrierungen beibehalten können.

   ml_client.components.create(pipeline_component)
   

4. Anschließend müssen wir den Endpunkt erstellen, der alle Pipelinebereitstellungen hostet:

   endpoint_name = "PipelineEndpointTest"
   endpoint = BatchEndpoint(
       name=endpoint_name,
       description="A hello world endpoint for component deployments",
   )
   
   ml_client.batch_endpoints.begin_create_or_update(endpoint)
   

5. Erstellen Sie eine Bereitstellung für die Pipelinekomponente:

   deployment_name = "hello-batch-dpl"
   deployment = BatchPipelineComponentDeployment(
       name=deployment_name,
       description="A hello world deployment with a single step.",
       endpoint_name=endpoint.name,
       component=pipeline_component
   )
   
   ml_client.batch_deployments.begin_create_or_update(deployment)
   

Um die Standardversion der Pipeline aufzurufen, können Sie Folgendes verwenden:

pipeline_endpoint = PipelineEndpoint.get(workspace=ws, name="PipelineEndpointTest")
run_id = pipeline_endpoint.submit("PipelineEndpointExperiment")

job = ml_client.batch_endpoints.invoke(
    endpoint_name=batch_endpoint, 
)

Wird verwendet inputs , um bei Bedarf die Eingaben des Auftrags anzugeben. Eine ausführlichere Erläuterung zum Angeben von Eingaben und Ausgaben finden Sie unter Erstellen von Aufträgen und Eingabedaten für Batchendpunkte .

job = ml_client.batch_endpoints.invoke(
    endpoint_name=batch_endpoint,
    inputs={
        "input_data": Input(type=AssetTypes.URI_FOLDER, path="./my_local_data")
    }
)

run_id = pipeline_endpoint.submit(endpoint_name, pipeline_version="0")

In Batchendpunkten werden Bereitstellungen nicht versionsiert. Sie können jedoch mehrere Versionen von Pipelinekomponenten unter demselben Endpunkt bereitstellen. In diesem Sinne entspricht jede Pipelineversion in v1 einer anderen Pipelinekomponentenversion und der entsprechenden Bereitstellung unter dem Endpunkt.

Anschließend können Sie eine bestimmte Bereitstellung bereitstellen, die unter dem Endpunkt ausgeführt wird, wenn diese Bereitstellung die Version ausführt, an der Sie interessiert sind.

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint_name, 
    deployment_name=deployment_name, 
)

all_pipelines = PublishedPipeline.get_all(ws)

Der folgende Code listet alle Endpunkte auf, die im Arbeitsbereich vorhanden sind:

all_endpoints = ml_client.batch_endpoints.list()

Beachten Sie jedoch, dass Batchendpunkte Bereitstellungen hosten können, die entweder Pipelines oder Modelle operationalisieren. Wenn Sie eine Liste aller Bereitstellungen abrufen möchten, die Pipelines hosten, können Sie wie folgt vorgehen:

all_deployments = []

for endpoint in all_endpoints:
    all_deployments.extend(ml_client.batch_deployments.list(endpoint_name=endpoint.name))

all_pipeline_deployments = filter(all_endpoints, lamdba x: x is BatchPipelineComponentDeployment)

pipeline_endpoint = PipelineEndpoint.get(workspace=ws, name=endpoint_name)
rest_endpoint = pipeline_endpoint.endpoint

response = requests.post(
    rest_endpoint, 
    headers=aad_token, 
    json={
        "ExperimentName": "PipelineEndpointExperiment",
        "RunSource": "API",
        "ParameterAssignments": {"argument1": "united", "argument2":45}
    }
)

Batchendpunkte unterstützen mehrere Eingabetypen. Das folgende Beispiel zeigt, wie zwei verschiedene Eingaben vom Typ string und numeric. Ausführlichere Beispiele finden Sie unter Erstellen von Aufträgen und Eingabedaten für Batchendpunkte (REST ):

batch_endpoint = ml_client.batch_endpoints.get(endpoint_name)
rest_endpoint = batch_endpoint.invocation_url

response = requests.post(
    rest_endpoint, 
    headers=aad_token, 
    json={
        "properties": {
            "InputData": {
                "argument1": {
                    "JobInputType": "Literal",
                    "Value": "united"
                },
                "argument2": {
                    "JobInputType": "Literal",
                    "Value": 45
                }
            }
        }
    }
)