问题标签 [azureml]

我已经能够使用图像配置方法成功托管模型

但是，此方法将与环境方法一起被弃用

因此，我尝试在弃用消息中使用下面建议的环境方法。但我总是超时。它永远不会像旧的容器方法那样成功部署

如何使用环境 - Microsoft Azure ML

基于我的环境的部署代码

我的代码在下面，inference_config 指向 score.py，deployment_config 指向容器的规格。我可以看到服务被创建并且模型被上传。但服务永远不会进入“健康”状态。然而，容器部署模型中的相同代码可以正常工作。

Azure ML 提供的现有环境中的我的 env 配置

这个环境在推理配置中被引用

关于为什么我在部署这个时超时的任何线索？我当然觉得它与互联网连接无关，因为旧方法需要类似的长时间（10-12 分钟）才能部署并且完美？

我目前正在将 AzureML 与涉及大型数据集等的非常复杂的工作流一起使用，我想知道管理预处理步骤的拆分结果的最佳方法是什么。我所有的项目都是由注册数据集提供的管道构建的。我希望能够跟踪拆分，以便轻松检索例如用于集成测试目的的测试和验证集。

在那里应用的最佳模式是什么？将每个中间集注册为不同的数据集？使用运行 ID 直接检索中间集？...

坦克斯

运行这个橙汁销售笔记本，我的方法出现以下错误.forecast()。

代码

错误（完整堆栈跟踪）：

我需要在 Azure 上部署 h2o 模型。我已经成功处理了 sklearn 模型，但对于 sklearn，我认为依赖关系更容易。对于 h2o，java 运行时依赖项是我的瓶颈。

我创建的容器会有 java 运行时吗？> 否则建议的策略是什么？

我应该改用虚拟机吗？

谢谢，

因为“原因”，我们知道当我们使用azureml-sdk's时，HyperDriveStep我们预计会有很多HyperDrive次运行失败——通常在 20% 左右。我们如何在不失败整个HyperDriveStep（然后是所有下游步骤）的情况下处理这个问题？以下是管道的示例。

我认为会有一个HyperDriveRunConfig允许这样做的参数，但它似乎不存在。也许这是用参数在管道本身上控制的continue_on_step_failure？

我们正在考虑的解决方法是在我们的train.py脚本中捕获失败的运行并手动将 primary_metric 记录为零。

以下代码在计算实例中的 jupyter notebook 上运行良好。但是我需要在 Visual Studio Code 上进行本地测试

但是这一行：

给我这个错误：

我有一个正在运行的活动 Azure 容器实例，如何使用 Azure ML SDK 将其添加到我的工作区。

我正在尝试使用 ML Notebook 部署 Azure ML AutoML 生成的模型（为简洁起见，脚本被缩短）：

在我尝试部署模型之前，一切似乎都运行良好：

从 Azure 机器学习工作室部署 AutoML 生成的模型时，系统不会提示我提供入口脚本或依赖项文件（或 InferenceConfig）。有没有办法使用 Python SDK 进行配置，以便我可以“无代码部署”AutoML 生成的模型？我的代码有问题吗？希望你能帮忙。

我正在尝试在 Azure Machine Learning Studio 中将模型部署到 Kubernetes，它工作了一段时间，但现在，它在部署过程中失败，错误消息如下：

我想用二元逻辑回归模型训练模型，数据集包含 3000 个数据点。在创建管道时，它在训练模型步骤失败。

请帮助我使用大型数据集训练模型或不断重新训练模型。

此外，管道对数据集有任何限制吗？如果是这样，限制是多少