如何将Microsoft Azure Machine Learning Studio模型接入Streamlit网页应用

一、所需Azure资源 #

• Azure机器学习工作区：你已拥有，是模型训练、部署的核心载体
• 在线端点部署目标：
  • Azure Container Instances (ACI)：适合测试、低流量场景，快速部署无需管理集群
  • Azure Kubernetes Service (AKS)：适合生产环境、高并发需求，支持自动扩缩容
• Azure Key Vault：工作区自动关联的资源，用于存储端点访问密钥、连接字符串等敏感信息

二、具体操作步骤 #

1. 在Azure ML Studio中部署模型到在线端点 #

你已完成模型训练，接下来需将模型封装为可调用的API：

• 准备评分脚本（score.py）：定义模型加载和预测逻辑，示例如下：

  import joblib
  import json
  import numpy as np
  
  def init():
      # 加载Azure ML中存储的模型
      global model
      model = joblib.load("你的模型文件名.pkl")
  
  def run(raw_data):
      # 处理输入数据，格式需和模型训练时一致
      data = np.array(json.loads(raw_data)["input_data"])
      # 执行预测
      predictions = model.predict(data)
      # 返回结果，格式可自定义
      return {"outputs": predictions.tolist()}
  

• 准备环境配置文件（conda.yml）：列出模型依赖的Python包，示例：

  name: model-env
  dependencies:
    - python=3.8
    - scikit-learn=1.0.2
    - pandas=1.4.2
    - joblib=1.1.0
  

• 在Azure ML Studio中创建在线端点：
  1. 进入「端点」页面，点击「创建」选择「在线端点」
  2. 填写端点名称，选择部署目标（ACI/AKS）
  3. 上传训练好的模型文件、评分脚本、conda环境配置
  4. 配置资源规格（比如ACI的CPU核心数、内存），完成部署
• 测试端点：部署完成后，在端点页面的「测试」标签输入测试数据，验证返回结果是否正确

2. 获取端点访问凭证 #

在Azure ML Studio的端点详情页，找到「消费」标签，复制：

• 端点URL
• 访问密钥（或令牌）：用于验证API请求的合法性

3. Streamlit应用中调用Azure ML端点 #

• 先安装依赖：

  pip install streamlit requests
  

• 编写Streamlit代码，实现UI和API调用逻辑：

  import streamlit as st
  import requests
  import json
  
  # 替换成你的端点信息
  ENDPOINT_URL = "https://你的端点名称.eastus.inference.ml.azure.com/score"
  API_KEY = "你的端点访问密钥"
  
  st.header("模型预测工具")
  # 构建用户输入UI，根据你的模型需求调整（示例为文本输入）
  input_feature = st.text_input("输入待预测的特征数据")
  
  if st.button("执行预测"):
      if not input_feature:
          st.warning("请输入特征数据")
      else:
          # 整理请求数据，需和score.py中的run函数输入格式匹配
          request_data = json.dumps({"input_data": [input_feature]})
          headers = {
              "Content-Type": "application/json",
              "Authorization": f"Bearer {API_KEY}"
          }
          # 发送预测请求
          response = requests.post(ENDPOINT_URL, data=request_data, headers=headers)
          if response.status_code == 200:
              result = response.json()
              st.success(f"预测结果：{result['outputs'][0]}")
          else:
              st.error(f"请求失败，状态码：{response.status_code}，详情：{response.text}")
  

• 运行Streamlit应用：

  streamlit run app.py
  

三、注意事项 #

• 评分脚本的输入输出格式必须和Streamlit请求的格式严格对应，否则会出现解析错误
• 环境配置文件要包含所有模型依赖的包，避免部署时出现缺失包的问题
• ACI部署有资源配额限制，生产环境建议使用AKS
• 不要把API密钥硬编码在代码里，可通过Streamlit的st.secrets管理敏感信息

内容的提问来源于stack exchange，提问作者Prenagen24