.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

설명:
상자 1: azureml.core.webservice에서 Webservice 가져오기
다음 코드는 SDK를 사용하여 웹 서비스의 모델, 환경 및 항목 스크립트를 Azure Container Instances로 업데이트하는 방법을 보여줍니다.
azureml.core 가져오기 환경에서
azureml.core.webservice에서 웹 서비스 가져오기
azureml.core.model 가져오기 모델, InferenceConfig에서
상자 2: 예측 = service.run(input_json)
예: 다음 코드는 서비스에 데이터를 보내는 방법을 보여줍니다.
JSON 가져오기
test_sample = json.dumps({'데이터': [
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
[10, 9, 8, 7, 6, 5, 4, 3, 2, 1]
]})
test_sample = 바이트(test_sample, 인코딩='utf8')
예측 = service.run(input_data=test_sample)
인쇄(예측)
참조:
https://docs.microsoft.com/bs-latn-ba/azure/machine-learning/how-to-deploy-azure-container-instance
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-troubleshoot-deployment

설명
일괄 추론 작업을 완료하는 데 시간이 오래 걸릴 수 있습니다. 이 예에서는 Jupyter 위젯을 사용하여 진행 상황을 모니터링합니다. 다음을 사용하여 작업 진행 상황을 관리할 수도 있습니다.
Azure 기계 학습 스튜디오.
PipelineRun 개체의 콘솔 출력입니다.
azureml.widgets에서 RunDetails 가져오기
실행 세부정보(pipeline_run).show()
파이프라인_run.wait_for_completion(show_output=True)
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-parallel-run-step#monitor-the-parallel-run-

1 - Azure Machine Leaning Studio를 사용하여 연결된 서비스를 만듭니다.
2 - Azure Portal을 사용하여 Azure Synapse 작업 영역을 만듭니다.
3 - Azure Portal을 사용하여 Apache Spark 풀을 만듭니다.