使用不同输入选项调用批处理终结点

接下来，调用批处理终结点以启动批量评分作业。 如果数据是一个文件夹（可能包含多个文件）并且可通过网络公开访问，则可使用以下代码段：

response=$(curl --location --request POST $SCORING_URI \
--header "Authorization: Bearer $SCORING_TOKEN" \
--header "Content-Type: application/json" \
--data-raw "{
    \"properties\": {
    	\"InputData\": {
    		\"mnistinput\": {
    			\"JobInputType\" : \"UriFolder\",
    			\"Uri\":  \"https://pipelinedata.blob.core.windows.net/sampledata/mnist\"
JOB_ID=$(echo $response | jq -r '.id')
JOB_ID_SUFFIX=$(echo ${JOB_ID##/*/})
现在，让我们看看用于调用批处理终结点的其他选项。 当涉及到输入数据时，可选择多种方案，具体取决于输入类型（是指定文件夹还是单个文件）和 URI 类型（是使用 Azure 机器学习已注册的数据存储上的路径（是对 Azure 机器学习已注册的 V2 数据资产的引用）还会使用公共 URI）。
InputData 属性具有 JobInputType 和 Uri 键。 指定单个文件时，可使用 "JobInputType": "UriFile"，指定文件夹时，可使用 'JobInputType": "UriFolder"。
当文件或文件夹位于已注册 Azure 机器学习的数据存储上时，Uri 的语法为 azureml://datastores/<datastore-name>/paths/<path-on-datastore>（适用于文件夹）和 azureml://datastores/<datastore-name>/paths/<path-on-datastore>/<file-name>（适用于特定文件）。 还可使用长格式来表示同一路径，例如 azureml://subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/workspaces/<workspace-name>/datastores/<datastore-name>/paths/<path-on-datastore>/。
当文件或文件夹作为 uri_folder 或 uri_file 注册为 V2 数据资产时，Uri 的语法为 \"azureml://locations/<location-name>/workspaces/<workspace-name>/data/<data-name>/versions/<data-version>"（资产 ID 格式）或 \"/subscriptions/<subscription-id>/resourcegroups/<resource-group-name>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>/data/<data-name>/versions/<data-version>\"（ARM ID 格式）。
当文件或文件夹位于可公开访问的路径上时，URI 的语法为 https://<public-path>（适用于文件夹）和 https://<public-path>/<file-name>（适用于特定文件）。
有关数据 URI 的详细信息，请参阅 Azure 机器学习数据引用 URI。
下面是使用不同类型的输入数据的一些示例。
如果数据是已注册 Azure 机器学习的数据存储上的文件夹，你则可以：
使用短格式表示 URI：
response=$(curl --location --request POST $SCORING_URI \
--header "Authorization: Bearer $SCORING_TOKEN" \
--header "Content-Type: application/json" \
--data-raw "{
    \"properties\": {
        \"InputData\": {
            \"mnistInput\": {
                \"JobInputType\" : \"UriFolder\",
                \"Uri": \"azureml://datastores/workspaceblobstore/paths/$ENDPOINT_NAME/mnist\"
JOB_ID=$(echo $response | jq -r '.id')
JOB_ID_SUFFIX=$(echo ${JOB_ID##/*/})
或者对同一 URI 使用长格式：
response=$(curl --location --request POST $SCORING_URI \
--header "Authorization: Bearer $SCORING_TOKEN" \
--header "Content-Type: application/json" \
--data-raw "{
    \"properties\": {
    	\"InputData\": {
    		\"mnistinput\": {
    			\"JobInputType\" : \"UriFolder\",
    			\"Uri\": \"azureml://subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/workspaces/$WORKSPACE/datastores/workspaceblobstore/paths/$ENDPOINT_NAME/mnist\"
JOB_ID=$(echo $response | jq -r '.id')
JOB_ID_SUFFIX=$(echo ${JOB_ID##/*/})
如果要将数据作为已注册 Azure 机器学习的 V2 数据资产进行管理，即 uri_folder，可以按照以下两个步骤操作：
创建 V2 数据资产：
DATA_NAME="mnist"
DATA_VERSION=$RANDOM
response=$(curl --location --request PUT https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/data/$DATA_NAME/versions/$DATA_VERSION?api-version=$API_VERSION \
--header "Content-Type: application/json" \
--header "Authorization: Bearer $TOKEN" \
--data-raw "{
    \"properties\": {
        \"dataType\": \"uri_folder\",
  \"dataUri\": \"https://pipelinedata.blob.core.windows.net/sampledata/mnist\",
  \"description\": \"Mnist data asset\"
引用批处理评分作业中的数据资产：
response=$(curl --location --request POST $SCORING_URI \
--header "Authorization: Bearer $SCORING_TOKEN" \
--header "Content-Type: application/json" \
--data-raw "{
    \"properties\": {
        \"InputData\": {
            \"mnistInput\": {
                \"JobInputType\" : \"UriFolder\",
                \"Uri": \"azureml://locations/$LOCATION_NAME/workspaces/$WORKSPACE_NAME/data/$DATA_NAME/versions/$DATA_VERSION/\"
JOB_ID=$(echo $response | jq -r '.id')
JOB_ID_SUFFIX=$(echo ${JOB_ID##/*/})
如果数据是可通过 Web 公开访问的单个文件，则可以使用以下代码片段：
response=$(curl --location --request POST $SCORING_URI \
--header "Authorization: Bearer $SCORING_TOKEN" \
--header "Content-Type: application/json" \
--data-raw "{
    \"properties\": {
        \"InputData\": {
            \"mnistInput\": {
                \"JobInputType\" : \"UriFile\",
                \"Uri": \"https://pipelinedata.blob.core.windows.net/sampledata/mnist/0.png\"
JOB_ID=$(echo $response | jq -r '.id')
JOB_ID_SUFFIX=$(echo ${JOB_ID##/*/})
如果要使用本地数据，可以将其上传到Azure 机器学习已注册的数据存储，并对云数据使用 REST API。
如果对批处理终结点使用现有的 V1 FileDataset，建议将它们迁移到 V2 数据资产，并在调用批处理终结点时直接引用它们。 目前仅支持类型 uri_folder 或 uri_file 的数据资产。 使用 GA CLIv2（2.4.0 及更高版本）或 GA REST API（2022-05-01 及更高版本）创建的批处理终结点不支持 V1 数据集。
还可使用 az ml dataset show 命令和 --query 参数提取从 V1 FileDataset 中提取的数据存储上的 URI 或路径，并将该信息用于调用。
虽然使用早期 API 创建的批处理终结点将继续支持 V1 FileDataset，但我们将使用最新 API 版本添加更多 V2 数据资产支持，以提高可用性和灵活性。 有关 V2 数据资产的详细信息，请参阅使用 SDK v2 处理数据。 有关新的 V2 体验的详细信息，请参阅什么是 v2。
配置输出位置并覆盖设置
默认情况下，批量评分结果存储在工作区的默认 Blob 存储中按作业名称（系统生成的 GUID）命名的某个文件夹内。 可以配置在调用批处理终结点时用于存储评分输出的位置。 使用 OutputData 在 Azure 机器学习已注册的数据存储上配置输出文件路径。 OutputData 具有 JobOutputType 和 Uri 键。 UriFile 是 JobOutputType 唯一支持的值。 Uri 的语法与 InputData 的语法相同，即都为 azureml://datastores/<datastore-name>/paths/<path-on-datastore>/<file-name>。
下面是用于为批处理评分结果配置输出位置的代码片段示例。
response=$(curl --location --request POST $SCORING_URI \
--header "Authorization: Bearer $SCORING_TOKEN" \
--header "Content-Type: application/json" \
--data-raw "{
    \"properties\": {
        \"InputData\":
            \"mnistInput\": {
                \"JobInputType\" : \"UriFolder\",
                \"Uri": \"azureml://datastores/workspaceblobstore/paths/$ENDPOINT_NAME/mnist\"
        \"OutputData\":
            \"mnistOutput\": {
                \"JobOutputType\": \"UriFile\",
                \"Uri\": \"azureml://datastores/workspaceblobstore/paths/$ENDPOINT_NAME/mnistOutput/$OUTPUT_FILE_NAME\"
JOB_ID=$(echo $response | jq -r '.id')
JOB_ID_SUFFIX=$(echo ${JOB_ID##/*/})
必须使用唯一的输出位置。 如果输出文件已存在，批量评分作业将失败。
检查批量评分作业
批量评分作业通常会花费一段时间来处理整个输入集。 监视作业状态，并在作业完成后检查结果：
该示例调用批处理终结点的默认部署。 若要调用非默认部署，请使用 azureml-model-deployment HTTP 头，并将值设置为部署名称。 例如，在 curl 中使用 --header "azureml-model-deployment: $DEPLOYMENT_NAME" 参数。
wait_for_completion $SCORING_URI/$JOB_ID_SUFFIX $SCORING_TOKEN
检查批量评分结果
有关检查结果的信息，请参阅检查批量评分结果。
删除批处理终结点
如果你将来不再使用该批处理终结点，应使用以下命令将其删除（这会删除该批处理终结点和所有基础部署）：
curl --location --request DELETE "https://management.azure.com/subscriptions/$SUBSCRIPTION_ID/resourceGroups/$RESOURCE_GROUP/providers/Microsoft.MachineLearningServices/workspaces/$WORKSPACE/batchEndpoints/$ENDPOINT_NAME?api-version=$API_VERSION" \
--header "Content-Type: application/json" \
--header "Authorization: Bearer $TOKEN" || true
了解如何部署模型进行批评分。
了解如何排查批处理终结点问题