Я очень хорошо следил за документацией, как указано здесь.

Я настроил свою среду машинного обучения Azure следующим образом:

from azureml.core import Workspace

# Connect to the workspace
ws = Workspace.from_config()

from azureml.core import Environment
from azureml.core import ContainerRegistry

myenv = Environment(name = "myenv")

myenv.inferencing_stack_version = "latest"  # This will install the inference specific apt packages.

# Docker
myenv.docker.enabled = True
myenv.docker.base_image_registry.address = "myazureregistry.azurecr.io"
myenv.docker.base_image_registry.username = "myusername"
myenv.docker.base_image_registry.password = "mypassword"
myenv.docker.base_image = "4fb3..." 
myenv.docker.arguments = None

# Environment variable (I need python to look at folders 
myenv.environment_variables = {"PYTHONPATH":"/root"}

# python
myenv.python.user_managed_dependencies = True
myenv.python.interpreter_path = "/opt/miniconda/envs/myenv/bin/python" 

from azureml.core.conda_dependencies import CondaDependencies
conda_dep = CondaDependencies()
conda_dep.add_pip_package("azureml-defaults")
myenv.python.conda_dependencies=conda_dep

myenv.register(workspace=ws) # works!

У меня есть файл score.py, настроенный для вывода (не имеет отношения к проблеме, с которой я столкнулся) ...

Затем я настраиваю конфигурацию вывода

from azureml.core.model import InferenceConfig
inference_config = InferenceConfig(entry_script="score.py", environment=myenv)

Я настраиваю свой вычислительный кластер:

from azureml.core.compute import ComputeTarget, AksCompute
from azureml.exceptions import ComputeTargetException

# Choose a name for your cluster
aks_name = "theclustername" 

# Check to see if the cluster already exists
try:
    aks_target = ComputeTarget(workspace=ws, name=aks_name)
    print('Found existing compute target')
except ComputeTargetException:
    print('Creating a new compute target...')
    prov_config = AksCompute.provisioning_configuration(vm_size="Standard_NC6_Promo")

    aks_target = ComputeTarget.create(workspace=ws, name=aks_name, provisioning_configuration=prov_config)

    aks_target.wait_for_completion(show_output=True)

from azureml.core.webservice import AksWebservice

# Example
gpu_aks_config = AksWebservice.deploy_configuration(autoscale_enabled=False,
                                                    num_replicas=3,
                                                    cpu_cores=4,
                                                    memory_gb=10)

Все удается; затем я пытаюсь развернуть модель для вывода:

from azureml.core.model import Model

model = Model(ws, name="thenameofmymodel")

# Name of the web service that is deployed
aks_service_name = 'tryingtodeply'

# Deploy the model
aks_service = Model.deploy(ws,
                           aks_service_name,
                           models=[model],
                           inference_config=inference_config,
                           deployment_config=gpu_aks_config,
                           deployment_target=aks_target,
                           overwrite=True)

aks_service.wait_for_deployment(show_output=True)
print(aks_service.state)

И он не говорит, что не может найти окружающую среду. В частности, моя версия среды - версия 11, но она продолжает попытки найти среду с номером версии, который на 1 выше (т. Е. версия 12), чем текущая среда. :

FailedERROR - Service deployment polling reached non-successful terminal state, current service state: Failed
Operation ID: 0f03a025-3407-4dc1-9922-a53cc27267d4
More information can be found here: 
Error:
{
  "code": "BadRequest",
  "statusCode": 400,
  "message": "The request is invalid",
  "details": [
    {
      "code": "EnvironmentDetailsFetchFailedUserError",
      "message": "Failed to fetch details for Environment with Name: myenv Version: 12."
    }
  ]
}

Я попытался вручную отредактировать JSON среды в соответствии с версией, которую пытается получить azureml, но ничего не работает. Может ли кто-нибудь увидеть что-то не так с этим кодом?

Обновлять

Изменение имени среды (например, my_inference_env) и передача его InferenceConfig, похоже, на правильном пути. Однако теперь ошибка меняется на следующее

Running..........
Failed
ERROR - Service deployment polling reached non-successful terminal state, current service state: Failed
Operation ID: f0dfc13b-6fb6-494b-91a7-de42b9384692
More information can be found here: https://some_long_http_address_that_leads_to_nothing
Error:
{
  "code": "DeploymentFailed",
  "statusCode": 404,
  "message": "Deployment not found"
}

Решение

Ответ Андерса, приведенный ниже, действительно правильный относительно использования сред Azure ML. Однако последняя ошибка, которую я получал, была связана с тем, что я устанавливал образ контейнера, используя значение дайджеста (a sha), а НЕ имя и тег изображения (например, imagename:tag). Обратите внимание на строку кода в первом блоке:

myenv.docker.base_image = "4fb3..." 

Я ссылаюсь на значение дайджеста, но его следует изменить на

myenv.docker.base_image = "imagename:tag"

Как только я внес это изменение, развертывание прошло успешно! :)