2025年自动驾驶数据集搭建（自动驾驶数据库）

科技前沿 • 2025-06-09 15:21 • 阅读 27

大家好，我是讯享网，很高兴认识大家。

 <div id="module-unit-notification-container" hidden=""></div> <p>正如我们在上一单元中所讨论的，可以将模型部署到多种计算目标，包括本地计算、Azure 容器实例 (ACI)、Azure Kubernetes 服务 (AKS) 群集或物联网 (IoT) 模块。 Azure 机器学习将“容器”用作部署机制，对模型和代码进行打包，以将其用作可部署到所选计算目标中的容器的映像。</p>

讯享网

若要将模型部署为推理 Web 服务，必须执行以下任务：

注册已训练的模型。
定义推理配置。
定义部署配置。
部署模型。

成功训练模型后，必须将其注册到 Azure 机器学习工作区。这样实时服务才能在需要时加载模型。

若要从本地文件注册模型，可以使用 Model 对象的 register 方法，如下所示：

讯享网

将模型部署为服务，该服务包含：

讯享网

用于加载模型并返回提交数据的预测的脚本。
运行脚本所需的环境。

因此，必须为该服务定义脚本和环境。

以 Python (.py) 文件的形式为服务创建“入口脚本”（有时称为“评分脚本”）。它必须包含两个函数：

init()：初始化服务时调用。
run(raw_data)：向服务提交新数据时调用。

通常，使用 init 函数从模型注册表加载模型，然后使用 run 函数对输入数据生成预测。以下示例脚本显示了这一模式：

Azure 机器学习环境是（机器学习训练发生于其中的）环境的封装。它们以声明性方式定义 Python 包、环境变量、Docker 设置和其他属性。下面的代码片段演示了如何为部署创建环境的示例：

讯享网

创建入口脚本和环境后，可以将它们合并到服务的 InferenceConfig 中，如下所示：

拥有入口脚本和环境之后，接下来需要配置计算，以便部署服务。如果要部署到 AKS 群集，则必须在部署前为其创建群集和计算目标：

讯享网

创建计算目标后，现在可以定义部署配置，为容器化部署设置特定于目标的计算规范：

用于配置 ACI 部署的代码与此类似，不同之处在于无需显式创建 ACI 计算目标，并且必须使用 azureml.core.webservice.AciWebservice 命名空间中的 deploy_configuration 类。同样，可以使用 azureml.core.webservice.LocalWebservice 命名空间来配置基于 Docker 的本地服务。

准备好所有配置后，即可开始部署模型。执行此操作的最简单方法是调用 Model 类的 deploy 方法，如下所示：

讯享网

对于 ACI 或本地服务，可以省略 deployment_target 参数（或将其设置为“无”）。

2025年自动驾驶数据集搭建（自动驾驶数据库）

相关推荐