Azure ML v2中AutoML生成模型的score.py位置及自定义部署方案

一、AutoML生成的score.py获取方式 #

AutoML在v2中不会像v1那样直接展示score.py，但可以通过两种路径获取基础版本：

• 从部署容器中提取：
  1. 进入Azure ML studio的目标实时端点部署详情页
  2. 切换到日志标签，搜索score.py，找到它在容器内的路径（通常是/var/azureml-app/score.py）
  3. 通过Azure ML CLI或SDK连接到部署容器，执行docker cp <容器ID>:/var/azureml-app/score.py ./将文件复制到本地
• 从训练作业资产提取：
  找到AutoML训练作业的输出+日志页面，下载名为model的资产包，解压后内部包含自动生成的评分逻辑文件

二、自定义评分文件重新部署步骤 #

1. 编写自定义score.py
   参考AutoML生成的基础逻辑，修改run函数以返回predict_proba结果，示例代码：

   import json
   import joblib
   import numpy as np
   
   def init():
       global model
       model_path = "model.pkl"
       model = joblib.load(model_path)
   
   def run(raw_data):
       try:
           data = json.loads(raw_data)["data"]
           np_data = np.array(data)
           # 替换为predict_proba获取分类概率
           result = model.predict_proba(np_data)
           return json.dumps({"probabilities": result.tolist()})
       except Exception as e:
           return json.dumps({"error": str(e)})
   

2. 配置部署文件
   创建deployment.yml配置文件，指定自定义代码路径、模型和环境：

   $schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
   name: custom-proba-deployment
   endpoint_name: your-endpoint-name
   model: azureml:<your-automl-model-name>:<version>
   code_configuration:
     code: ./custom-code/  # 存放自定义score.py的目录
     scoring_script: score.py
   environment: azureml:<your-automl-environment-name>:<version>
   instance_type: Standard_DS3_v2
   instance_count: 1
   

3. 执行部署命令
   运行CLI命令完成部署：

   az ml online-deployment create --file deployment.yml --resource-group <资源组名> --workspace-name <工作区名>
   

内容的提问来源于stack exchange，提问作者Mauro Minella