Azure ML部署模型通过InferenceConfig引入额外文件找不到报错咨询

该错误的本质是部署镜像的运行环境中，无法通过你写的相对路径找到mypickle.pkl文件，可按以下步骤排查解决：

• 第一步：修正score.py中的文件读取逻辑
  你当前将pkl读取逻辑写在run()方法中是不合理的，run()会在每次接口请求时执行，会导致重复读取文件、接口响应变慢，应该把文件加载逻辑放到init()方法中，服务启动时仅加载一次。
  其次不要使用./这类相对路径读取文件，部署后进程工作目录和score.py所在目录可能不一致，需通过脚本绝对路径拼接文件路径，参考代码如下：

  import os
  import pandas as pd
  
  # 全局变量存储加载后的pkl数据
  df = None
  
  def init():
      global df
      # 获取当前score.py文件的所在目录绝对路径
      script_dir = os.path.dirname(os.path.abspath(__file__))
      pkl_path = os.path.join(script_dir, "mypickle.pkl")
      df = pd.read_pickle(pkl_path)
  
  def run(raw_data):
      # 直接使用已经加载的df做数据清洗
      # 后续业务逻辑保持不变
  

• 第二步：确认source_directory下存在目标文件
  你配置的source_directory="./"指的是运行部署代码的Notebook的工作目录，不是Notebook文件本身的存储目录，你可以在运行部署代码前，在Notebook中执行!ls ./命令，确认输出列表中包含mypickle.pkl和score.py两个文件。如果不存在，可以将source_directory的值修改为两个文件所在的绝对路径，比如source_directory="/Users/myname/myfolder"。
• 第三步：可选的规范实现方案
  更推荐将额外依赖的pkl文件和模型文件一起注册为Azure ML模型资产，部署时会自动将模型相关的所有文件打包到镜像中，在init()方法中通过Model.get_model_path()方法获取文件路径即可，无需手动管理打包逻辑。
• 第四步：排查文件打包情况
  如果完成以上操作后仍报错，可以临时在init()方法中加入打印逻辑print(os.listdir(script_dir))，重新部署后拉取Endpoint的运行日志，查看镜像中score.py所在目录下的文件列表，确认mypickle.pkl是否被正常打包到镜像中。

内容的提问来源于stack exchange，提问作者user12038164