大网数据广告活动
.NET 与 C# 开发

将模型部署到 Azure Functions

· 52CE 我爱测

使用 Azure Functions 通过 Internet 提供 ML.NET 情绪分析机器学习模型进行预测

了解如何通过 Azure Functions 无服务器环境部署预先训练的 ML.NET 机器学习模型,以便通过 HTTP 进行预测。

Note: PredictionEnginePool 服务扩展目前处于预览状态。

系统必备

创建 Azure Functions 项目

  1. 打开 Visual Studio 2017。 从菜单栏中选择“文件” > “新建” > “项目” 。 在“新项目” 对话框中,依次选择“Visual C#” 节点和“云” 节点。 然后,选择“Azure Functions” 项目模板。 在“名称” 文本框中,键入“SentimentAnalysisFunctionsApp”,再选择“确定” 按钮。

  2. 在“新项目” 对话框中,打开项目选项上方的下拉列表,并选择“Azure Functions v2 (.NET Core)” 。 然后,依次选择“Http 触发器” 项目和“确定” 按钮。

  3. 在项目中创建“MLModels” 目录,用于保存模型:

    在“解决方案资源管理器” 中,右键单击项目,然后选择“添加” > “新文件夹” 。 键入“MLModels”,再按 Enter。

  4. 安装“Microsoft.ML NuGet 包” :

    在“解决方案资源管理器”中,右键单击项目,然后选择“管理 NuGet 包” 。 将“nuget.org”选择为“包源”,选择“浏览”选项卡并搜索“Microsoft.ML” ,在列表中选择该包,然后选择“安装” 按钮。 选择“预览更改” 对话框上的“确定” 按钮,如果你同意所列包的许可条款,则选择“接受许可” 对话框上的“我接受” 按钮。

  5. 安装 Microsoft.Azure.Functions.Extensions NuGet 包 :

    在“解决方案资源管理器”中,右键单击项目,然后选择“管理 NuGet 包” 。 选择“nuget.org”作为包源,然后选择“浏览”选项卡并搜索“Microsoft.Azure.Functions.Extensions”,在列表中选择该包,再选择“安装”按钮 。 选择“预览更改” 对话框上的“确定” 按钮,如果你同意所列包的许可条款,则选择“接受许可” 对话框上的“我接受” 按钮。

  6. 安装 Microsoft.Extensions.ML NuGet 包:

    在“解决方案资源管理器”中,右键单击项目,然后选择“管理 NuGet 包” 。 选择“nuget.org”作为包源,然后选择“浏览”选项卡并搜索“Microsoft.Extensions.ML”,在列表中选择包,再选择“安装”按钮 。 选择“预览更改” 对话框上的“确定” 按钮,如果你同意所列包的许可条款,则选择“接受许可” 对话框上的“我接受” 按钮。

  7. 将 Microsoft.NET.Sdk.Functions NuGet 包 更新为版本 1.0.28:

    在“解决方案资源管理器”中,右键单击项目,然后选择“管理 NuGet 包” 。 选择“nuget.org”作为包源,然后选择“安装”选项卡并搜索“Microsoft.NET.Sdk.Functions”,在列表中选择该包,再从“版本”下拉列表中选择 1.0.28 或更高版本,并选择“更新”按钮 。 选择“预览更改” 对话框上的“确定” 按钮,如果你同意所列包的许可条款,则选择“接受许可” 对话框上的“我接受” 按钮。

将预先训练的模型添加到项目

  1. 将预生成的模型复制到 MLModels 文件夹。
  2. 在“解决方案资源管理器”中,右键单击预生成的模型文件,并选择“属性” 。 在“高级”下,将“复制到输出目录”的值更改为“如果较新则复制” 。

创建 Azure 函数用于分析情绪

创建情绪预测类。 向项目添加一个新类:

  1. 在“解决方案资源管理器” 中,右键单击项目,然后选择“添加” > “新项” 。

  2. 在“添加新项” 对话框中,选择“Azure 函数” ,并将“名称” 字段更改为“AnalyzeSentiment.cs” 。 然后,选择“添加” 按钮。

  3. 在“新 Azure 函数” 对话框中,选择“Http 触发器” 。 然后,选择“确定” 按钮。

    此时,AnalyzeSentiment.cs 文件在代码编辑器中打开。 将以下 using 语句添加到 AnalyzeSentiment.cs 的顶部:

    using System;
    using System.IO;
    using System.Threading.Tasks;
    using Microsoft.AspNetCore.Mvc;
    using Microsoft.Azure.WebJobs;
    using Microsoft.Azure.WebJobs.Extensions.Http;
    using Microsoft.AspNetCore.Http;
    using Microsoft.Extensions.Logging;
    using Newtonsoft.Json;
    using Microsoft.Extensions.ML;
    using SentimentAnalysisFunctionsApp.DataModels;
    

    默认情况下,AnalyzeSentiment 类为 static。 确保从类定义中删除 static 关键字。

    public class AnalyzeSentiment
    {
    
    }
    

创建数据模型

需要为输入数据和预测创建一些类。 向项目添加一个新类:

  1. 在项目中创建“DataModels” 目录,用于保存数据模型:在“解决方案资源管理器”中,右键单击项目,并依次选择“添加”>“新文件夹” 。 键入“DataModels”,再按 Enter。

  2. 在“解决方案资源管理器”中,右键单击“DataModels” 目录,再依次选择“添加”>“新项” 。

  3. 在“添加新项” 对话框中,选择“类” 并将“名称” 字段更改为“SentimentData.cs” 。 然后,选择“添加” 按钮。

    “SentimentData.cs” 文件随即在代码编辑器中打开。 将以下 using 语句添加到 SentimentData.cs 顶部:

    using Microsoft.ML.Data;
    

    删除现有类定义,并将以下代码添加到 SentimentData.cs 文件:

    public class SentimentData
    {
        [LoadColumn(0)]
        public string SentimentText;
    
        [LoadColumn(1)]
        [ColumnName("Label")]
        public bool Sentiment;
    }
    
  4. 在“解决方案资源管理器”中,右键单击“DataModels” 目录,再依次选择“添加”>“新项” 。

  5. 在“添加新项” 对话框中,选择“类” ,并将“名称” 字段更改为“SentimentPrediction.cs” 。 然后,选择“添加” 按钮。 此时,SentimentPrediction.cs 文件在代码编辑器中打开。 将以下 using 语句添加到 SentimentPrediction.cs 顶部:

    using Microsoft.ML.Data;
    

    删除现有类定义,并将以下代码添加到 SentimentPrediction.cs 文件:

    public class SentimentPrediction : SentimentData
    {
    
        [ColumnName("PredictedLabel")]
        public bool Prediction { get; set; }
    
        public float Probability { get; set; }
    
        public float Score { get; set; }
    }
    

    SentimentPrediction 继承自 SentimentData,后者提供对 SentimentText 属性中原始数据以及模型生成的输出的访问。

注册 PredictionEnginePool 服务

若要进行单个预测,请使用 PredictionEngine。 若要在应用程序中使用 PredictionEngine,则必须在需要时创建它。 在这种情况下,可考虑的最佳做法是依赖项注入。

若要详细了解依赖关系注入,请单击下面的链接。

  1. 在“解决方案资源管理器” 中,右键单击项目,然后选择“添加” > “新项” 。

  2. 在“添加新项”对话框中,选择“类”并将“名称”字段更改为“Startup.cs” 。 然后,选择“添加” 按钮。

    此时,Startup.cs 文件在代码编辑器中打开。 将以下 using 语句添加到 Startup.cs 的顶部:

    using Microsoft.Azure.WebJobs;
    using Microsoft.Azure.WebJobs.Hosting;
    using Microsoft.Extensions.ML;
    using SentimentAnalysisFunctionsApp;
    using SentimentAnalysisFunctionsApp.DataModels;
    

    删除 using 语句下面的现有代码,并将以下代码添加到 Startup.cs 文件中:

    [assembly: WebJobsStartup(typeof(Startup))]
    namespace SentimentAnalysisFunctionsApp
    {
        class Startup : IWebJobsStartup
        {
            public void Configure(IWebJobsBuilder builder)
            {
                builder.Services.AddPredictionEnginePool<SentimentData, SentimentPrediction>()
                    .FromFile("MLModels/sentiment_model.zip");
            }
        }
    }
    

概括地讲,此代码在应用程序请求时自动初始化对象和服务,你无需手动执行初始化。

Warning: PredictionEngine 不是线程安全型。 为了提高性能和线程安全性,请使用 PredictionEnginePool 服务,该服务可创建 PredictionEngine 对象的 ObjectPool 供应用程序使用。

将模型加载到函数中

在 AnalyzeSentiment 类中插入以下代码:

private readonly PredictionEnginePool<SentimentData, SentimentPrediction> _predictionEnginePool;

// AnalyzeSentiment class constructor
public AnalyzeSentiment(PredictionEnginePool<SentimentData, SentimentPrediction> predictionEnginePool)
{
    _predictionEnginePool = predictionEnginePool;
}

此代码通过将 PredictionEnginePool 传递给函数的构造函数(通过依赖项注入获得)来分配它。

使用模型进行预测

将 AnalyzeSentiment 类中 Run 方法的现有实现替换为以下代码:

[FunctionName("AnalyzeSentiment")]
public async Task<IActionResult> Run(
[HttpTrigger(AuthorizationLevel.Function, "post", Route = null)] HttpRequest req,
ILogger log)
{
    log.LogInformation("C# HTTP trigger function processed a request.");

    //Parse HTTP Request Body
    string requestBody = await new StreamReader(req.Body).ReadToEndAsync();
    SentimentData data = JsonConvert.DeserializeObject<SentimentData>(requestBody);
    
    //Make Prediction
    SentimentPrediction prediction = _predictionEnginePool.Predict(data);

    //Convert prediction to string
    string sentiment = Convert.ToBoolean(prediction.Prediction) ? "Positive" : "Negative";

    //Return Prediction
    return (ActionResult)new OkObjectResult(sentiment);
}

执行 Run 方法时,来自 HTTP 请求的传入数据被反序列化并用作 PredictionEnginePool 的输入。 随后调用 Predict 方法生成预测并将结果返回给用户。

在本地测试

至此,已完成所有设置,是时候测试应用程序了:

  1. 运行此应用程序

  2. 打开 PowerShell,并在提示符中输入代码(其中,PORT 是应用程序运行所在的端口)。 端口通常是 7071。

    Invoke-RestMethod "http://localhost:<PORT>/api/AnalyzeSentiment" -Method Post -Body (@{SentimentText="This is a very bad steak"} | ConvertTo-Json) -ContentType "application/json"
    

    如果成功,输出文本应如下所示:

    Negative
    

祝贺你! 你已成功使用 Azure Functions 通过 Internet 提供模型进行预测。

后续步骤

历史资料。此文对应 2019-08-18 的中文文档快照,适用产品版本和命令行为以原文为准。

来源与署名:Microsoft 和文档贡献者(原始作者元数据 luisquintanilla)。固定版本原文。文档采用 CC BY 4.0,示例代码采用 MIT 授权。本站将 Markdown 转为 HTML,规范化链接,移除外部媒体和导航标记。

资料来源与适用范围

资料来源
Microsoft / .NET 中文文档历史快照
适用范围
历史中文快照 2019-08-18;详见原文产品版本;文档日期 06/11/2019
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
CC BY 4.0(文档)/ MIT(示例代码)

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。