Azure ML Designer中如何将调优后模型连接至Python脚本组件完成部署

方案1：通过「Convert to Saved Model」组件中转（推荐） #

• 在Tune Model Hyperparameters和Execute Python Script之间添加Convert to Saved Model组件
• 将Tune Model Hyperparameters的Trained Best Model输出端口连接到Convert to Saved Model的Trained Model输入端口
• 再把Convert to Saved Model的Saved Model输出端口连接到Execute Python Script的任意一个模型输入端口（注意不是数据集端口）
• 脚本中获取并处理模型的示例代码片段：

import azureml.core
from azureml.core.model import Model
import pandas as pd

def run(mini_batch):
    for model_path in mini_batch:
        # 加载训练好的模型
        model = Model.load(model_path)
        # 执行模型注册逻辑
        Model.register(
            workspace=azureml.core.Run.get_context().workspace,
            model_path=model_path,
            model_name="best-tuned-model"
        )
    return pd.DataFrame([{"status": "模型注册完成"}])

方案2：修改Python脚本组件的输入端口配置 #

• 点击Execute Python Script组件右上角的设置图标，进入输入端口配置界面
• 添加一个新输入端口，类型选择Model（默认是Dataset）
• 保存配置后，即可直接将Tune Model Hyperparameters的Trained Best Model连接到这个新的模型输入端口
• 脚本中获取模型的示例代码：

from azureml.core import Run
from azureml.core.model import Model

run = Run.get_context()
# 获取模型输入（假设新端口命名为"trained_best_model"）
model_input = run.input_datasets['trained_best_model']
model_path = next(model_input.iter_files())
# 加载并处理模型
model = Model.load(model_path)

额外注意事项 #

• 注册模型时，可通过Run.get_context().workspace直接获取当前工作区对象，无需额外配置
• 建议在脚本中添加模型验证逻辑，避免部署无效模型

内容的提问来源于stack exchange，提问作者sena