Praca z Designerem wizualnym¶

Ważne: To ćwiczenie zakłada, że masz ukończone Lab 2A i Lab 2B - czyli utworzony potok wnioskowania wdrożony jako punkt końcowy czasu rzeczywistego oparty na Azure Container Instance (ACI).

Dodaj kod do poniższej komórki, aby przetestować swój punkt końcowy predict-diabetes.

W studio Azure Machine Learning otwórz punkt końcowy na stronie Endpoints, przejdź na kartę Consume i skopiuj przykładowy kod w Pythonie. Wykorzystuje on bibliotekę requests do wysłania żądania POST z ładunkiem JSON na adres URI oceny, przekazując klucz punktu końcowego w nagłówku Authorization. Wklej ten kod poniżej, uruchom komórkę i sprawdź, czy w odpowiedzi dostajesz przewidywaną etykietę cukrzycy oraz prawdopodobieństwo dla każdej obserwacji pacjenta.

Uwaga: Klasyczny potok Designera wdraża się jako usługę sieciową w ACI (albo w AKS), a nie jako zarządzany punkt końcowy online. Oznacza to, że funkcja ml_client.online_endpoints.invoke(...) z SDK v2 tutaj nie zadziała - trzeba odwołać się bezpośrednio do adresu URI oceny przez requests, dokładnie tak, jak robi to przykładowy kod z karty Consume. Z prawdziwymi zarządzanymi punktami końcowymi online - i z ml_client.online_endpoints.invoke(...) - popracujesz w Lab 7A.