从ACI迁移至AKS部署的最简方法及代码适配咨询

好问题！从ACI（测试环境）迁移到AKS（生产环境）确实有几个关键细节需要调整，但完全可以基于你现有的ACI代码做最小改动来实现。让我给你拆解清楚：

首先，先给你基于现有ACI代码的最小修改版本——核心就是复用你已经创建好的镜像，只需要补充AKS集群的关联和部署参数：

步骤1：导入AKS相关依赖 #

在原有导入的基础上，添加AKS计算目标的类：

from azureml.core.webservice import Webservice, AciWebservice, AksWebservice
from azureml.core.image import ContainerImage
from azureml.core.compute import AksCompute, ComputeTarget  # 新增这行

步骤2：创建或获取AKS集群 #

AKS是生产级Kubernetes集群，需要预先创建（不像ACI是临时自动生成的），所以先检查集群是否存在，不存在则创建：

aks_cluster_name = "my-aks-cluster"  # 自定义你的集群名称
try:
    # 尝试获取现有集群
    aks_target = ComputeTarget(workspace=ws, name=aks_cluster_name)
    print(f"已找到现有AKS集群：{aks_cluster_name}")
except ComputeTargetException:
    # 集群不存在则创建，可根据需求调整vm_size和agent_count
    print(f"正在创建AKS集群：{aks_cluster_name}")
    aks_provision_config = AksCompute.provisioning_configuration(
        vm_size="Standard_DS3_v2", 
        agent_count=3
    )
    aks_target = ComputeTarget.create(ws, aks_cluster_name, aks_provision_config)
    aks_target.wait_for_completion(show_output=True)

步骤3：修改部署配置与执行部署 #

把原来的ACI部署配置换成AKS的，然后在deploy_from_image中添加deployment_target参数指向AKS集群——这是ACI部署没有的关键参数：

# 替换ACI配置为AKS部署配置（参数和ACI基本一致，可按需调整）
aks_deploy_config = AksWebservice.deploy_configuration(
    cpu_cores=1, 
    memory_gb=8, 
    tags={"data": "text", "method" : "NB"}, 
    description='Predict something'
)

# 复用你已经创建好的image（和ACI代码里的image完全一样）
service_name = 'scorer-aks-svc'  # 给AKS服务起个新名称
service = Webservice.deploy_from_image(
    deployment_config=aks_deploy_config,
    image=image,
    name=service_name,
    workspace=ws,
    deployment_target=aks_target  # 新增：指定AKS集群作为部署目标
)
service.wait_for_deployment(show_output=True)
print(f"AKS服务部署状态：{service.state}")

如果你还没创建镜像，或者想简化代码流程，可以用InferenceConfig替代原来的ContainerImage.create步骤，直接从模型部署到AKS，减少中间环节：

from azureml.core.webservice import AksWebservice
from azureml.core.compute import AksCompute, ComputeTarget
from azureml.core.model import InferenceConfig, Model  # 用InferenceConfig替代ContainerImage

# 1. 定义推理配置（对应原来的image_config参数）
inference_config = InferenceConfig(
    execution_script="score.py",
    docker_file="Dockerfile",
    runtime="python",
    conda_file="myenv.yml"
)

# 2. 创建/获取AKS集群（和上面步骤一样）
aks_cluster_name = "my-aks-cluster"
try:
    aks_target = ComputeTarget(workspace=ws, name=aks_cluster_name)
except ComputeTargetException:
    aks_provision_config = AksCompute.provisioning_configuration(vm_size="Standard_DS3_v2", agent_count=3)
    aks_target = ComputeTarget.create(ws, aks_cluster_name, aks_provision_config)
    aks_target.wait_for_completion(show_output=True)

# 3. AKS部署配置
aks_deploy_config = AksWebservice.deploy_configuration(
    cpu_cores=1, 
    memory_gb=8, 
    tags={"data": "text", "method" : "NB"}, 
    description='Predict something'
)

# 4. 直接从模型部署，无需单独创建image
service_name = 'scorer-aks-svc'
service = Model.deploy(
    workspace=ws,
    name=service_name,
    models=[model],
    inference_config=inference_config,
    deployment_config=aks_deploy_config,
    deployment_target=aks_target
)
service.wait_for_deployment(show_output=True)

1. 为什么AKS需要额外配置？
   AKS是生产级的Kubernetes集群，需要预先创建并关联到你的Azure ML工作区（不像ACI是临时的无服务器实例），所以必须指定deployment_target参数。
2. AKS支持deploy_from_image吗？
   当然支持！你之前误以为不支持，只是因为ACI部署不需要指定目标集群，而AKS需要多传一个deployment_target参数而已。
3. 最简迁移方式是什么？
   如果你已经有了ACI的镜像，最简方式就是复用该镜像，只需要添加AKS集群的关联代码和deployment_target参数，其余代码几乎和ACI一致；如果还没创建镜像，用InferenceConfig直接部署更高效。

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