Azure ML在线部署处理Multipart表单数据（图片）技术问询

1. 配置run(data)处理multipart表单数据的正确方式 #

你之前导入input_schema的包路径错误，正确的装饰器来自inference-schema库，需先在环境依赖中添加该包（比如在conda.yml里声明）。

正确代码示例：

from inference_schema.schema_decorators import input_schema
from inference_schema.parameter_types.bytes_parameter_type import BytesParameterType
from werkzeug.formparser import parse_form_data
from io import BytesIO

@input_schema('data', BytesParameterType(content_type='multipart/form-data'))
def run(data):
    # 构造WSGI环境以解析multipart数据
    environ = {
        'CONTENT_TYPE': 'multipart/form-data',
        'CONTENT_LENGTH': str(len(data)),
        'wsgi.input': BytesIO(data)
    }
    form, files = parse_form_data(environ)
    
    # 提取上传的图片文件
    image_file = files.get('image')
    if image_file:
        image_content = image_file.read()
        # 这里替换为你的图片处理/推理逻辑
        return {"status": "success", "image_size": len(image_content)}
    else:
        return {"error": "未找到图片文件"}

部署时需确保环境包含依赖，conda.yml示例：

dependencies:
  - python=3.8
  - pip:
    - azureml-defaults
    - inference-schema
    - werkzeug

2. @input_schema装饰器的状态及替代方案 #

你之前使用的azureml_inference_server_http中的input_schema已被弃用，当前Azure ML推荐使用inference-schema库中的同名装饰器，也就是上述示例中的用法。

如果不想使用装饰器，也可以直接在run函数中处理原始请求字节，无需额外装饰：

from werkzeug.formparser import parse_form_data
from io import BytesIO

def run(data):
    environ = {
        'CONTENT_TYPE': 'multipart/form-data',
        'CONTENT_LENGTH': str(len(data)),
        'wsgi.input': BytesIO(data)
    }
    form, files = parse_form_data(environ)
    # 后续处理逻辑...

3. 自定义Flask推理服务器的可行性与集成方式 #

如果你的场景需要更灵活的请求处理（比如支持多路由、同时兼容JSON和multipart输入），切换到自定义Flask应用是更合适的方案。

可以和原有run()方法集成，无需完全手动处理所有路由，示例如下：

1. 保留业务逻辑在score.py的run()函数中：

def run(image_content):
    # 替换为你的图片推理/处理逻辑
    return {"prediction": "sample_result", "image_size": len(image_content)}

2. 创建app.py作为自定义Flask服务：

from flask import Flask, request
import score

app = Flask(__name__)

@app.route('/score', methods=['POST'])
def score_endpoint():
    if request.content_type.startswith('multipart/form-data'):
        image_file = request.files.get('image')
        if not image_file:
            return {"error": "未提供图片文件"}, 400
        image_content = image_file.read()
        return score.run(image_content)
    elif request.content_type == 'application/json':
        # 兼容原有JSON输入场景
        data = request.get_json()
        import base64
        image_content = base64.b64decode(data['image'])
        return score.run(image_content)
    else:
        return {"error": "不支持的Content-Type"}, 415

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

3. 在部署配置deployment.yml中启用自定义应用：

code_configuration:
  code: ./
  scoring_script: app.py
environment:
  name: custom-flask-env
  conda_file: conda.yml
deployment_settings:
  online:
    instance_type: Standard_DS3_v2
    instance_count: 1
    app_insights_enabled: true
    use_custom_app: true

这种方式既保留了原有业务逻辑，又通过Flask实现了灵活的请求处理。

内容的提问来源于stack exchange，提问作者cduguet