如何在Azure函数应用中加载Azure机器学习中已注册的模型？

咱们先从你的迁移场景出发，你是从Azure容器实例（ACI）转到Azure Function做模型推理，之前的score.py用了init()和全局model变量，现在想知道Function里怎么调整对吧？我来一步步给你理清楚：

核心问题：init()和全局变量还需要吗？ #

这得分两种场景来看，核心取决于你的模型名称是不是动态依赖请求参数——也就是你当前的情况：模型名称是根据请求里的MachineName、HeadNumber、ProductEDP拼接出来的。这里有个关键限制：Azure Function的init()是实例冷启动时仅运行一次的初始化函数，运行时还没收到任何请求，根本拿不到这些动态参数，所以没法提前在init()里加载对应模型。

但如果你的模型是固定的，或者能提前枚举所有可能的模型名称，那init()+全局变量就非常有用——因为模型只需要加载一次，后续所有请求都能复用内存里的模型，性能会提升很多。

针对你当前动态模型场景的代码调整 #

因为你是根据请求参数动态生成模型名称，那只能在处理请求的main()函数里加载模型，但可以做一些小优化，同时保留你原来的核心加载逻辑：

调整后的完整代码 #

import pandas as pd
import logging
import os
import azure.functions as func
import joblib
from azureml.core import Workspace
from azureml.core.model import Model

# 复用工作区初始化逻辑，避免重复创建连接
def get_ml_workspace():
    # 推荐用托管标识授权，避免硬编码密钥
    # 也可以从Function应用设置里读取工作区参数
    try:
        ws = Workspace.from_config()
        # 如果本地调试用config.json，部署时可以用环境变量配置参数
        # ws = Workspace(subscription_id=os.environ["AML_SUBSCRIPTION"],
        #                resource_group=os.environ["AML_RG"],
        #                workspace_name=os.environ["AML_WS"])
        return ws
    except Exception as e:
        logging.error(f"Failed to connect to ML workspace: {str(e)}")
        raise

def main(req: func.HttpRequest):
    logging.info("Python HTTP trigger function processed a request.")
    
    # 1. 解析并校验请求JSON
    try:
        dat = req.get_json()
        # 校验必填字段
        required_fields = ["MachineName", "HeadNumber", "ProductEDP"]
        if not all(key in dat for key in required_fields):
            return func.HttpResponse(
                f"Missing required fields: {', '.join(required_fields)}",
                status_code=400
            )
    except (ValueError, TypeError):
        return func.HttpResponse(
            "Invalid or missing JSON data in request.",
            status_code=400
        )
    
    # 2. 动态生成模型名称并加载
    model_name = f"{dat['MachineName']}_{dat['HeadNumber']}_{dat['ProductEDP']}_sfsw"
    try:
        ws = get_ml_workspace()
        model_path = Model.get_model_path(model_name=model_name, workspace=ws)
        model = joblib.load(model_path)
        logging.info(f"Successfully loaded model: {model_name}")
    except FileNotFoundError:
        return func.HttpResponse(
            f"Model '{model_name}' not found in Azure ML workspace.",
            status_code=404
        )
    except Exception as e:
        logging.error(f"Error loading model: {str(e)}")
        return func.HttpResponse(
            f"Internal error during model loading: {str(e)}",
            status_code=500
        )
    
    # 3. 这里加入你的模型推理逻辑
    # 示例：
    # features = pd.DataFrame([dat["features"]])
    # predictions = model.predict(features)
    # result = {"predictions": predictions.tolist()}
    
    return func.HttpResponse(
        "Model loaded successfully, inference completed.",
        status_code=200,
        mimetype="application/json"
    )

关键注意点 #

1. 核心加载逻辑复用：你原来用的Model.get_model_path和joblib.load完全可以复用，但要注意在Function环境里需要先初始化Azure ML工作区，推荐用托管标识给Function授权访问ML工作区，不要硬编码密钥。
2. 全局变量的必要性：在当前动态模型场景下，单个全局model变量其实没必要——因为每次请求加载的模型可能不同，每个请求是独立处理的。但如果想做缓存优化（比如同一个实例的后续请求用到同一个模型，就不用重新加载），可以用全局字典来缓存已加载的模型：

# 全局缓存字典，放在函数外部
model_cache = {}

# 在main函数加载模型时：
if model_name in model_cache:
    model = model_cache[model_name]
else:
    model = joblib.load(model_path)
    model_cache[model_name] = model

这样同一个实例的后续请求如果用到相同模型，就能直接复用缓存，提升性能。
3. 依赖配置：一定要在Function的requirements.txt里添加所有需要的依赖包：

azure-functions
pandas
joblib
azureml-core

优化方案：用init()预加载常用模型 #

如果你的业务场景里，常用的模型是固定的几个，或者可以提前枚举出来，那可以把这些常用模型在init()里预加载到全局缓存，后续请求直接复用：

import pandas as pd
import logging
import azure.functions as func
import joblib
from azureml.core import Workspace
from azureml.core.model import Model

model_cache = {}
ws = None

def init():
    global ws
    logging.info("Initializing Function and preloading common models...")
    try:
        # 初始化ML工作区，只执行一次
        ws = Workspace.from_config()
        # 预加载提前枚举的常用模型
        common_model_names = ["machineA_head1_edpX_sfsw", "machineB_head2_edpY_sfsw"]
        for name in common_model_names:
            try:
                model_path = Model.get_model_path(model_name=name, workspace=ws)
                model_cache[name] = joblib.load(model_path)
                logging.info(f"Preloaded model: {name}")
            except Exception as e:
                logging.warning(f"Failed to preload model {name}: {str(e)}")
    except Exception as e:
        logging.error(f"Failed to initialize ML workspace: {str(e)}")

def main(req: func.HttpRequest):
    global ws, model_cache
    # 后续逻辑和之前类似，先检查缓存，未命中再加载新模型...

最后补充权限与部署注意事项 #

• 托管标识权限：给Azure Function的系统分配/用户分配托管标识，添加Azure ML工作区的“机器学习数据科学家”或“贡献者”角色，确保Model.get_model_path能正常访问模型。
• 冷启动缓解：如果模型体积较大，第一次加载会有冷启动延迟，缓存策略能有效降低重复加载的开销。

备注：内容来源于stack exchange，提问作者user14736700