企业官网建设流程全解析

使用 Azure ML SDK 完成端到端数据科学项目：从 AutoML 训练、模型解释到部署消费

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners

导读

本指南以 Data-Science-For-Beginners 课程第 19 课（5-Data-Science-In-Cloud/19-Azure）的课后作业为核心，完整讲解如何用 Azure Machine Learning SDK（Python）以纯代码方式复现"低代码/无代码"课程中的心衰预测项目：从加载数据集、配置 AutoML、提交远程训练、查看模型解释、注册最佳模型，到部署为 ACI Web 服务端点并用 SDK 消费预测。学完后你将掌握一条可迁移到任意表格数据集上的 Azure ML SDK 端到端实战链路。

1. 作业任务解读：用 SDK 复刻 Low Code 流程

上一课（5-Data-Science-In-Cloud/18-Low-Code/README.md）通过 Azure ML Studio 图形界面完成了"训练 → 部署 → 消费"三步。本课作业要求你用 Azure ML SDK 在 Python 环境中做完全相同的事：寻找一份新数据集，用它再训练一个模型、部署并消费。两者流程一致，区别只在实现方式——这也是课程刻意设计的对照：

作业原文（translations/en/5-Data-Science-In-Cloud/19-Azure/assignment.md）指出：项目进入生产化阶段后，通过 GUI 手工创建资源不可行，必须用 SDK 以编程方式自动化"从资源创建到模型部署"的每个环节，这正是本作业的价值所在。示例数据集可在 Kaggle 或 Azure Open Datasets 目录中检索获取。

下面的完整实现以课程自带的心衰预测数据集为演示载体，可直接对照仓库中的 notebook.ipynb 逐步运行；作业要求的数据集可按同样流程替换。

2. 前置准备：Workspace、Compute Instance 与数据集

作业的前置条件沿用上一课（5-Data-Science-In-Cloud/18-Low-Code/README.md）已建立的资源，无需从零开始：

• Workspace：Azure ML 的顶层资源，集中管理训练运行历史、日志、指标、输出与脚本快照。若尚未创建，按上一课 2.1 节的步骤在 Azure 门户中创建（注意：Workspace 存续期间会产生少量存储费用，用完后建议删除）。
• Compute Instance：充当 Jupyter Notebook 的开发工作站。在 Azure ML Studio 的 Compute 菜单中点击+ New，命名后选择 CPU/GPU、VM 规格与核心数即可创建，界面如下图所示：

• 数据集：将 Kaggle 的 Heart Failure 数据集（13 列：12 个特征 + 1 个目标列，299 行）通过 Studio 的 Datasets 菜单上传，并在 Schema 中把anaemia、diabetes、high_blood_pressure、sex、smoking、DEATH_EVENT设为 Boolean 类型。上传时给数据集命名（如heart-failure-records），SDK 将按此名称从 Workspace 中取用。

两种构建方式的整体对照关系见下图：两者共用同一个数据集输入，AutoML 训练、选优、部署、消费四个阶段一一对应：

3. Notebook 环境：导入 SDK 依赖

在 Compute Instance 上打开 Jupyter（Applications 区域点击 Jupyter，勾选确认后进入，点击New创建 notebook），或直接上传仓库提供的 notebook.ipynb。首先一次性导入本作业会用到的全部 Azure ML SDK 模块：

from azureml.core import Workspace, Experiment from azureml.core.compute import AmlCompute from azureml.train.automl import AutoMLConfig from azureml.widgets import RunDetails from azureml.core.model import InferenceConfig, Model from azureml.core.webservice import AciWebservice

这些 import 覆盖了整条链路：Workspace 负责连接云资源，Experiment 组织运行记录，AmlCompute 提供训练算力，AutoMLConfig 配置自动机器学习，InferenceConfig/AciWebservice/Model 负责部署与消费。

4. 训练阶段：Workspace、Experiment、Compute Cluster 与 Dataset

4.1 初始化 Workspace 并创建 Experiment

从配置文件加载 Workspace（config.json 需已存在并包含订阅、资源组、工作区信息）：

ws = Workspace.from_config() print(ws.name, ws.resource_group, ws.location, ws.subscription_id, sep = '\n')

然后按实验名获取或创建 Experiment。注意实验名的约束：长度 3–36 个字符，以字母或数字开头，只能包含字母、数字、下划线和连字符；Workspace 中不存在同名实验时会自动新建：

experiment_name = 'aml-experiment' experiment = Experiment(ws, experiment_name)

4.2 创建 Compute Cluster

训练需要可弹性伸缩的计算集群。以下代码先尝试获取已存在的集群，不存在则用provisioning_configuration创建：VM 规格Standard_D2_v2、最小 1 个节点、最大 3 个节点。该步骤通常需要数分钟：

aml_name = "heart-f-cluster" try: aml_compute = AmlCompute(ws, aml_name) print('Found existing AML compute context.') except: print('Creating new AML compute context.') aml_config = AmlCompute.provisioning_configuration(vm_size = "Standard_D2_v2", min_nodes=1, max_nodes=3) aml_compute = AmlCompute.create(ws, name = aml_name, provisioning_configuration = aml_config) aml_compute.wait_for_completion(show_output = True) cts = ws.compute_targets compute_target = cts[aml_name]

参数要点：min_nodes=0可在集群空闲时省下费用；max_nodes越大训练越快但成本越高，课程建议最大节点数为 3。

4.3 按名称加载数据集

数据集以键值方式挂在 Workspace 下，键名即上传时的数据集名称。加载后转成 pandas DataFrame 并快速查看描述性统计：

key = 'heart-failure-records' dataset = ws.datasets[key] df = dataset.to_pandas_dataframe() df.describe()

5. AutoML 配置与训练：本作业的评分核心

5.1 AutoMLConfig 参数详解

AutoML 自动迭代算法与超参数组合，找出预测效果最佳的模型。作业的**优秀档（Exemplary）**要求你主动查阅 SDK 文档、探索可用的配置参数——下面这张参数表正是作业考核的知识点：

本项目的实际配置（与 notebook.ipynb 完全一致）：心衰预测是二分类问题，选用AUC_weighted作为主指标，标签列为DEATH_EVENT：

automl_settings = { "experiment_timeout_minutes": 20, "max_concurrent_iterations": 3, "primary_metric" : 'AUC_weighted' } automl_config = AutoMLConfig(compute_target=compute_target, task = "classification", training_data=dataset, label_column_name="DEATH_EVENT", path = './aml-project', enable_early_stopping= True, featurization= 'auto', debug_log = "automl_errors.log", **automl_settings )

从源码结构看，**automl_settings将三个参数展开注入AutoMLConfig，便于将"常用调参项"与"基础配置项"分离管理，是 SDK 项目里常见的可读性做法。

5.2 提交实验与运行详情

配置就绪后提交训练。AutoML 内部会尝试多种算法与超参数组合，训练时长取决于集群规模，从 30 分钟到 1 小时不等：

remote_run = experiment.submit(automl_config)

用RunDetails组件在 notebook 内实时查看各迭代的运行情况：

from azureml.widgets import RunDetails RunDetails(remote_run).show()

5.3 获取并检查最佳模型（含模型解释）

remote_run是AutoMLRun对象，get_output()返回最佳 run 及其已拟合模型：

best_run, fitted_model = remote_run.get_output()

打印fitted_model可查看最佳模型的参数；调用get_properties()可查看属性（其中model_name等元数据在后续注册阶段会被使用）：

best_run.get_properties()

作业的**良好档（Adequate）**与优秀档均要求"检查模型解释"——在 Studio 的 Runs 页面切换到最佳模型的Explanations标签，可查看各特征对预测结果的影响度分析，这是判断模型是否可信、是否可直接上线的关键证据。

6. 部署阶段：注册模型并发布为 ACI Web 服务

6.1 下载评分脚本并注册模型

AutoML 运行会自动生成可直接部署的评分脚本outputs/scoring_file_v_1_0_0.py，下载到本地后连同模型一起注册到 Workspace：

model_name = best_run.properties['model_name'] script_file_name = 'inference/score.py' best_run.download_file('outputs/scoring_file_v_1_0_0.py', 'inference/score.py') description = "aml heart failure project sdk" model = best_run.register_model(model_name = model_name, model_path = './outputs/', description = description, tags = None)

register_model将模型登记进 Workspace 的模型注册表，后续可随时按名称调取，是生产化流程的标准动作。

6.2 用 InferenceConfig 与 AciWebservice 部署

InferenceConfig描述部署用的自定义环境（入口脚本 + 环境）；AciWebservice将模型发布为 Azure Container Instances 上的 Web 服务端点——一个带 REST API 的负载均衡 HTTP 端点，可接收数据并返回预测：

inference_config = InferenceConfig(entry_script=script_file_name, environment=best_run.get_environment()) aciconfig = AciWebservice.deploy_configuration(cpu_cores = 1, memory_gb = 1, tags = {'type': "automl-heart-failure-prediction"}, description = 'Sample service for AutoML Heart Failure Prediction') aci_service_name = 'automl-hf-sdk' aci_service = Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig) aci_service.wait_for_deployment(True) print(aci_service.state)

部署通常需要几分钟。deploy_configuration中可调整cpu_cores、memory_gb以匹配服务的吞吐与内存需求，tags与description用于在 Studio 中识别服务。

7. 消费阶段：构造样本请求并调用端点

构造一条符合 12 个特征 schema 的 JSON 输入（注意字段名与上传数据集一致），编码后通过aci_service.run()发送：

import json data = { "data": [ { 'age': "60", 'anaemia': "false", 'creatinine_phosphokinase': "500", 'diabetes': "false", 'ejection_fraction': "38", 'high_blood_pressure': "false", 'platelets': "260000", 'serum_creatinine': "1.40", 'serum_sodium': "137", 'sex': "false", 'smoking': "false", 'time': "130", }, ], } test_sample = str.encode(json.dumps(data)) response = aci_service.run(input_data=test_sample) response

预期输出为'{"result": [false]}'，表示该患者样本被预测为不太可能发生心衰。至此，你用 Azure ML SDK 完成了与上一课 Low Code 流程完全对等的"训练 → 部署 → 消费"闭环。

8. 评分标准与自查清单

作业的完整评分细则（Rubric）如下，提交前可逐项对照自查：

三档之间的差异点清晰可见：待改进档未要求查看模型解释；良好档补上模型解释环节；优秀档额外要求在 AutoML 配置阶段主动研读 SDK 文档、探索更多参数——这提示你在AutoMLConfig的automl_settings中尝试调整如experiment_timeout_minutes、max_concurrent_iterations、primary_metric之外的参数（如早停、特征化策略），并在文章中说明依据。

9. 资源清理与进阶方向

完成项目后务必删除相关资源（Workspace、Compute Instance、Cluster、ACI 服务），避免持续产生云费用。

课程还给出了一个进阶挑战：在 SDK 文档中检索Pipeline类（azureml.pipeline.core.Pipeline），了解如何把多步骤工作流（数据准备 → 训练 → 部署）组织为可重复执行的管道——这是从"单次实验"迈向"生产级工作流"的下一步。SDK 的能力远不止本文覆盖的部分，养成查阅官方 SDK 文档的习惯，是独立扩展技能的关键。

本文相关仓库资源速查：课程正文 5-Data-Science-In-Cloud/19-Azure/README.md、可运行的完整实现 notebook.ipynb、上一课对照材料 5-Data-Science-In-Cloud/18-Low-Code/README.md。

【免费下载链接】Data-Science-For-Beginners10 Weeks, 20 Lessons, Data Science for All!项目地址: https://gitcode.com/GitHub_Trending/da/Data-Science-For-Beginners