Azure ML实时推理管道无Web服务输入及端点Schema缺失求助

检查推理脚本的输入定义 #

• 确保score.py里的init()和run()函数明确定义输入格式：
  • 在run()函数中显式解析输入结构，明确指定每个输入字段的类型，示例代码：

    def run(input_data):
        import json
        data = json.loads(input_data)
        # 明确列出输入字段
        features = [data["col1"], data["col2"], data["col3"]]
        # 后续预测逻辑处理
        result = {"prediction": model.predict([features])[0]}
        return result
    

  • 若用MLflow打包模型，训练时必须记录输入签名（signature），示例：

    from mlflow.models.signature import infer_signature
    signature = infer_signature(X_train, y_train)
    mlflow.sklearn.log_model(model, "model", signature=signature)
    

重新构建推理管道的输入组件 #

• 删除手动添加的输入，改用带完整Schema的Dataset或TabularDataset作为管道输入源，确保数据集字段与模型输入完全匹配。
• 若需自定义输入结构，用PythonScriptStep封装输入处理逻辑，在步骤中通过InputPortBinding明确指定输入Schema。

验证管道的输入输出映射 #

• 检查管道中各组件的端口连接：确保模型组件的输入端口与上游输入组件的输出端口正确绑定，无断开或未映射情况。
• 确认WebServiceInput已绑定到正确的组件输出，未跳过输入步骤。

重新生成并部署管道 #

• 删除现有管道和端点，按以下步骤重新操作：
  1. 重新构建推理管道，严格关联输入组件与模型组件。
  2. 生成实时推理端点时，启用Schema自动生成选项（若存在）。
  3. 部署完成后，先通过Azure ML Studio的测试功能输入符合Schema的数据验证预测结果，再查看consume部分的Schema是否自动填充。

检查环境依赖与模型打包 #

• 确保模型打包时包含完整依赖文件（conda.yml或requirements.txt），需包含处理数据Schema的库（如pandas、jsonschema）。
• 注册模型时上传完整文件夹，包含score.py和依赖文件，避免仅上传模型文件的简化打包方式。

内容的提问来源于stack exchange，提问作者Shubhra Jain