Azure ML Studio批量端点Invoke调用失败排查求助

问题场景 #

已在Azure ML Studio部署批量端点，通过GUI创建任务可正常运行，但通过Notebook调用invoke方法时失败，具体操作与报错如下：

1. 成功获取端点：

ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, workspace)
endpoint_name="endpoint-name" 
endpoint = ml_client.batch_endpoints.get(name = "loaded-models-endpoint")

2. 构造输入对象后，输出显示类型为uri_folder（但代码指定的是URI_FILE）：

data_path_input = "folder/file.parquet"
datastore_input = ml_client.datastores.get(name = "datastorename")
input_data = Input(type=AssetTypes.URI_FILE, path=f"{datastore_input.id}/paths/{data_path_input}")
print(input_data)

{'type': 'uri_folder', 'path': 'datastore_id_path.../paths/fodler/file.parquet'}

3. 调用invoke方法的报错情况：

• 使用字典传入输入：

job = ml_client.batch_endpoints.invoke(
    endpoint_name = endpoint.name,
    inputs = {"deployement-name" : input_data}
)

ValidationException: Invalid input path

• 使用input参数传入：

job = ml_client.batch_endpoints.invoke(
    endpoint_name = endpoint.name,
    input = input_data
)

仍报相同错误。

• 直接传入文件URI：

job = ml_client.batch_endpoints.invoke(
    endpoint_name = endpoint.name,
    input = uri_to_file
)

JSONDecodeError: Expecting value: line 1 column 1 (char 0)
During handling of the above exception, another exception occurred:
Exception: BY_POLICY

原因分析 #

1. 输入对象路径格式错误：构造Input时使用datastore_input.id/paths/xxx的格式不符合Azure ML要求，导致路径无效，且类型自动变为uri_folder与实际文件类型不匹配。
2. 权限策略限制：直接传入原始URI时，未通过Azure ML的资产或授权路径访问，触发BY_POLICY权限拦截。
3. 调用参数格式问题：多部署场景下需用inputs字典指定部署名对应的输入，但单部署场景虽可用input，但输入对象本身无效仍会报错。

解决方案 #

方案1：正确构造文件类型的Input对象 #

方式A：使用标准datastore路径格式

直接使用azureml://datastores/<datastore-name>/paths/<file-path>格式构造路径，无需拼接datastore ID：

from azure.ai.ml.entities import Input
from azure.ai.ml.constants import AssetTypes

data_path_input = "folder/file.parquet"
datastore_name = "datastorename"
input_data = Input(
    type=AssetTypes.URI_FILE,
    path=f"azureml://datastores/{datastore_name}/paths/{data_path_input}"
)

方式B：将文件注册为Data Asset（更推荐）

先将目标文件注册为数据资产，再通过资产ID或名称构造输入：

# 注册数据资产（仅需执行一次）
from azure.ai.ml.entities import Data

data_asset = ml_client.data.create_or_update(
    Data(
        name="input-parquet-file",
        path=f"azureml://datastores/{datastore_name}/paths/{data_path_input}",
        type=AssetTypes.URI_FILE,
    )
)

# 构造输入对象
input_data = Input(type=AssetTypes.URI_FILE, path=data_asset.id)

方案2：正确调用invoke方法 #

• 单部署场景：直接使用input参数传入正确构造的Input对象：

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    input=input_data
)

• 多部署场景：使用inputs字典，key为部署名称，value为对应输入对象：

job = ml_client.batch_endpoints.invoke(
    endpoint_name=endpoint.name,
    inputs={"deployment-name": input_data}
)

方案3：解决BY_POLICY权限错误 #

避免直接传入未经过Azure ML资产体系的原始URI，必须使用上述两种方式构造合法的Input对象，确保请求通过Azure ML的权限策略校验。

内容的提问来源于stack exchange，提问作者Alberto Bertoncini