使用 Azure ML SDK 完成云端 AutoML 模型训练、部署与消费：Data Science for Beginners 实战指南

本指南围绕 Data-Science-For-Beginners 课程第 19 课（5-Data-Science-In-Cloud/19-Azure）的实战作业展开，讲解如何用代码（而非图形界面）在 Azure Machine Learning 平台上完成"训练 → 部署 → 消费"的完整模型生命周期：以 Heart Failure 心力衰竭预测数据集为例，使用 Azure ML SDK 创建工作区对象与实验、配置并提交 AutoML 任务、注册最佳模型、将其部署为 Azure Container Instances 上的 REST 端点，最后通过 SDK 发送真实样本完成在线推理。学完本指南，你将掌握 AutoMLConfig 各核心参数的实际含义、AutoMLRun 的模型检索与注册方法，以及独立完成"找数据 → 训模型 → 部署 → 消费"闭环作业的能力。

一、作业解读：从"看懂演示"到"独立复现"

课程正文（5-Data-Science-In-Cloud/19-Azure/README.md）演示了如何使用 Azure ML SDK 完成一次完整的模型训练、部署与消费；而本课的 assignment.md 则要求你脱离现成演示，独立完成同样的事情：

环顾四周，找一份你感兴趣的数据（可从 Kaggle、Azure Open Datasets 等公开数据集目录获取），用 Azure ML SDK 训练另一个模型、部署它并消费它。

这意味着作业的核心交付物不是"看懂"课程代码，而是把课程里出现的 Workspace / Experiment / AmlCompute / AutoMLConfig / AutoMLRun / InferenceConfig / AciWebservice 这条 SDK 调用链，迁移到一份全新数据集上并跑通全流程。评分标准（Rubric）按三个等级递进：

等级	达成标准
Exemplary（优秀）	配置 AutoML 时真正翻阅过 SDK 文档、理解了各参数含义；用 Azure ML SDK 在数据集上跑通 AutoML 训练并查看模型解释（explanations）；部署最佳模型并能通过 Azure ML SDK 消费它
Adequate（合格）	用 Azure ML SDK 跑通 AutoML 训练并查看模型解释；部署最佳模型并能通过 SDK 消费
Needs Improvement（待改进）	仅用 Azure ML SDK 跑通 AutoML 训练并部署、消费了最佳模型

三个等级的差别集中在两点：是否理解参数（对应下文 AutoMLConfig 参数详解）与是否查看模型解释（对应下文的 get_output() / 模型属性检视）。本文后续章节将完整覆盖这两点所需的全部代码与原理。

二、前置知识：Heart Failure 数据集与两种实现路线

课程将"心力衰竭预测"项目用两种方式实现：一种是上一课 18-Low-Code 讲解的 Low code/No code（图形界面）路线，另一种就是本课讲解的 Azure ML SDK（代码）路线。两者输入同一份数据集、完成同样的四步流程：训练模型、选择最佳模型、部署模型、消费端点，区别只在于操作手段：

维度	Low code/No code	Azure ML SDK
编码能力要求	不需要	需要
开发速度	快、易上手	取决于编码熟练度
生产化程度	否	是

随着项目成长并需要生产化时，通过 GUI 逐一手工创建资源不可行，必须用代码把"资源创建 → 模型部署"全流程自动化——这正是掌握 Azure ML SDK 的价值所在，也是本作业的训练目标。

作业与课程共用的数据集为 Kaggle 公开的 Heart Failure Clinical Records（心力衰竭临床记录）：一份 13 列（12 个特征 + 1 个目标变量）、299 行的表格数据，各字段如下（源自 18-Low-Code/README.md 的数据集说明表）：

变量名	类型	含义	示例
age	数值	患者年龄	25
anaemia	布尔	是否贫血（红细胞或血红蛋白减少）	0 或 1
creatinine_phosphokinase	数值	血液中 CPK 酶水平	542
diabetes	布尔	是否患糖尿病	0 或 1
ejection_fraction	数值	每次收缩时离开心脏的血液百分比	45
high_blood_pressure	布尔	是否患高血压	0 或 1
platelets	数值	血液中血小板数量	149000
serum_creatinine	数值	血液中血清肌酐水平	0.5
serum_sodium	数值	血液中血清钠水平	140
sex	布尔	性别	0 或 1
smoking	布尔	是否吸烟	0 或 1
time	数值	随访期（天）	4
DEATH_EVENT（目标）	布尔	随访期内患者是否死亡	0 或 1

注意：作业要求你更换数据集，但课程示例以 DEATH_EVENT 作为标签列名。你换用新数据时，只需把代码中的数据集 key（heart-failure-records）与标签列名替换成自己的即可，SDK 调用流程完全一致。

三、环境准备：工作区、计算实例与 Notebook

3.1 创建 Azure ML 工作区（Workspace）

作业以 Jupyter Notebook 作为载体，因此你需要一个 Azure ML 工作区（Workspace，Azure Machine Learning 的顶层资源，集中管理数据、计算资源、代码、模型与各类工件）和一台计算实例。若尚未创建工作区，请按照上一课 18-Low-Code/README.md 中"2.1 Create an Azure ML workspace"的步骤在 Azure 门户创建（涉及订阅、资源组、工作区名称、区域，以及随附的存储账户、Key Vault、Application Insights 等关联资源）。

3.2 创建计算实例（Compute Instance）

进入 Azure ML 工作区（ml.azure.com）后，点击左侧 Compute 菜单，即可看到各类计算资源（计算实例、计算集群、推理集群、附加计算）。本作业只需一个计算实例（数据科学家进行数据探索与模型开发的开发工作站，本质是一台承载 Jupyter Notebook 的虚拟机）：

创建步骤：

1. 点击 + New 按钮；
2. 为计算实例命名；
3. 选择配置：CPU 或 GPU、VM 规格与核数；
4. 点击 Create 按钮，等待其启动。

计算实例创建完成后，在 Compute instances 列表中可看到其状态变为 Running，并列出 JupyterLab、Jupyter 等可用应用：

3.3 加载数据集（Dataset）

如果尚未把数据集上传到工作区，请参照上一课 18-Low-Code/README.md 的"2.3 Loading the Dataset"：在 Studio 中点击 Datasets → + Create dataset → From local files，上传本地 CSV；命名并设置类型；在 Schema 页将 anaemia、diabetes、high_blood_pressure、sex、smoking、DEATH_EVENT 等特征的数据类型改为 Boolean，然后创建。

本作业的代码通过 ws.datasets['heart-failure-records'] 按**数据集名称（key）**取用数据，因此上传时务必确保数据集名称与代码中的 key 一致。

3.4 创建 Notebook

数据科学过程中 Notebook 承担着 Exploratory Data Analysis（EDA）、调用计算集群训练模型、调用推理集群部署端点等职责。在计算实例的 Applications 区域点击 Jupyter，勾选确认框继续，即可在新浏览器标签页打开 Jupyter 实例：

点击 New 创建 Python Notebook。当然，你也可以直接复用课程仓库中现成的可运行 Notebook：notebook.ipynb（其在 Azure ML Studio 的 Notebook 菜单中上传即可，配套参考实现位于 solution/notebook.ipynb）。该 Notebook 完整覆盖了从初始化工作区到消费端点的全部代码单元，是本节作业最直接的"脚手架"。

四、用 Azure ML SDK 训练模型

训练阶段按四步推进：初始化工作区 → 创建实验 → 准备计算集群 → 加载数据集，最后配置并提交 AutoML 任务。

4.1 SDK 导入与工作区初始化

课程 Notebook 首先集中导入所需模块（见 notebook.ipynb）：

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

然后从持久化配置文件初始化工作区对象：

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

Workspace.from_config() 读取当前目录下的 config.json（内含订阅 ID、资源组、工作区名等），返回代表工作区的 Workspace 对象。若代码运行在 Azure ML 计算实例上且已关联工作区，配置文件会自动就位；在本地运行时，则需要把从 Studio 下载的 config.json 放在工作目录。

4.2 创建实验（Experiment）

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

Experiment 是工作区中一系列运行（run）的容器，用于组织训练日志、指标、输出与脚本快照。命名规则：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。若工作区中不存在同名实验，SDK 会自动创建。

4.3 创建计算集群（AmlCompute）

AutoML 训练需要一个计算集群（可弹性伸缩的 VM 集群，按需处理实验代码）。以下代码采用"先尝试获取、不存在则创建"的幂等写法，集群创建与就绪可能需要几分钟：

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]

关键参数说明：

• vm_size：虚拟机规格。示例使用 Standard_D2_v2（2 vCPU 的通用型实例），可按预算与算力需求调整；
• min_nodes / max_nodes：集群最少/最多节点数。min_nodes=1 保证有节点随时可用；max_nodes=3 限制自动扩缩容上限（上一课提示最大节点数建议不超过 3，节点越多训练越快但成本越高）；
• AmlCompute.create(...).wait_for_completion(show_output=True)：同步等待集群创建完成并打印进度；
• 最后通过 ws.compute_targets[aml_name] 取出计算目标对象，供 AutoML 配置引用。

4.4 加载数据集

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

通过数据集 key 从工作区取回已上传的数据集对象，再用 to_pandas_dataframe() 转成 Pandas DataFrame 进行快速描述性统计（EDA 起点）。

4.5 AutoML 配置与训练提交

自动化机器学习（AutoML）自动迭代算法与超参数组合，替你把"调参试模型"的耗时工作自动化。配置的核心是 AutoMLConfig 类，课程对所用参数给出了明确语义（见 README.md 2.5.2 节）：

参数	含义
experiment_timeout_minutes	实验允许运行的最大时长（分钟），超时自动停止并产出可用结果
max_concurrent_iterations	允许的最大并发训练迭代数
primary_metric	用于评判实验状态的主指标
compute_target	AutoML 实验运行的计算目标
task	任务类型，可取 classification、regression 或 forecasting
training_data	实验使用的训练数据，应包含训练特征与标签列（可选样本权重列）
label_column_name	标签列名
path	Azure ML 项目文件夹的完整路径
enable_early_stopping	短期指标未改善时是否提前终止
featurization	是否自动执行特征化，或使用自定义特征化
debug_log	写入调试信息的日志文件

实际配置代码如下：

project_folder = './aml-project'

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 = project_folder,
                             enable_early_stopping= True,
                             featurization= 'auto',
                             debug_log = "automl_errors.log",
                             **automl_settings
                            )

对本示例含义的拆解：

• task="classification"：DEATH_EVENT 是二分类布尔标签，故选择分类任务（回归/预测任务需相应调整）；
• primary_metric='AUC_weighted'：以加权 AUC（ROC 曲线下面积）作为模型优劣的评判主指标，适合类别可能不均衡的分类问题；
• enable_early_stopping=True：若指标短期内不再改善，AutoML 提前停止，节省计算费用；
• featurization='auto'：自动执行缺失值处理、编码、缩放等特征化步骤；
• debug_log="automl_errors.log"：调试信息落盘，便于排错；
• **automl_settings：把上述超参字典展开传入，保持配置集中可读。

作业加分点（对应 Rubric 的 Exemplary 等级）：完成作业时，请针对你的数据集重新审视这些参数——例如新数据集的标签是回归目标就应把 task 改为 regression、指标改为 RMSE 等；experiment_timeout_minutes、max_concurrent_iterations 直接决定训练时长与并发成本。去 SDK 文档中确认你所选参数的可取值与默认值，是达到"优秀"等级的关键。

配置就绪后提交实验。这一步会异步在远端计算集群上执行，时长可能从十几分钟到一小时，取决于集群规模：

remote_run = experiment.submit(automl_config)

随后可用 RunDetails 控件在 Notebook 中内嵌展示各轮迭代的运行详情：

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

五、保存最佳模型：get_output 与模型注册

remote_run 是 AutoMLRun 类型的对象，其 get_output() 方法返回最佳运行与对应的已拟合模型：

best_run, fitted_model = remote_run.get_output()

打印 fitted_model 可查看最佳模型的算法与参数；用 get_properties() 可查看该运行记录的属性（如模型名、指标等）：

best_run.get_properties()

注册模型是部署的前提——register_model 把模型写入工作区的模型注册表，赋予其版本与元数据：

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)

这里发生了两件重要的事：

1. 下载推理脚本：AutoML 在运行输出 outputs/ 中生成开箱即用的评分脚本 scoring_file_v_1_0_0.py，download_file 将其保存为本地 inference/score.py，稍后作为部署的入口脚本（entry script）；
2. 注册模型：register_model 返回注册后的 Model 对象，model_path='./outputs/' 指向模型工件所在目录，description 用于备注，tags 可附加自定义标签（此处为 None）。

六、部署模型：InferenceConfig 与 ACI Web 服务

模型注册后即可部署。部署涉及两个配置类：

• InferenceConfig：表示部署所用自定义环境的配置（入口脚本 + 运行环境），此处环境直接取自 AutoML 最佳运行：environment=best_run.get_environment()，保证评分脚本与训练时的依赖环境一致；
• AciWebservice：代表部署在 Azure Container Instances（ACI） 上的 Web 服务端点。部署服务由模型、脚本与关联文件构成，最终呈现为一个负载均衡、带 REST API 的 HTTP 端点，可向其发送数据并接收模型预测。

部署代码如下（使用 Model.deploy 方法）：

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)

参数要点：

• entry_script：评分脚本路径，即上一步下载的 inference/score.py；
• cpu_cores / memory_gb：为端点分配的计算资源（此处 1 核 1 GB，可据请求量调整）；
• tags / description：端点的元数据标识；
• Model.deploy(ws, aci_service_name, [model], inference_config, aciconfig)：把模型列表（此处单个模型）连同推理配置、部署配置发布为命名服务；
• wait_for_deployment(True)：阻塞等待部署完成并输出进度；aci_service.state 可查询服务状态（部署通常需要几分钟，可同时在 Azure ML 门户观察）。

七、消费端点：发送样本并解读预测

端点就绪后即可消费。先构造一条患者样本输入（字段与数据集特征一一对应，均为字符串形式）：

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))

把样本序列化为 JSON 字符串后再编码为字节，通过服务的 run() 方法发送给端点进行在线预测：

response = aci_service.run(input_data=test_sample)
response

预期输出为 '{"result": [false]}'：false 表示该输入样本对应患者在随访期内发生心力衰竭死亡的风险不高（若为 true 则表示风险高）。至此，"训练 → 部署 → 消费"的 SDK 闭环已完整跑通。

八、收尾：清理资源与延伸挑战

8.1 清理资源

注意：项目结束后务必删除所有资源（计算实例、计算集群、部署的服务、工作区及其关联的存储账户等），否则 Azure 订阅会持续产生费用——课程在 Low code 一课中同样提示：只要工作区存在于订阅中，数据存储就会产生小额费用。

8.2 延伸挑战：探索 Pipeline 类

课程给出的进阶挑战是：翻阅 Azure ML SDK 文档，找到 Pipeline 类。Pipeline 是"可由多个步骤组成的、作为工作流执行"的集合，可将数据准备、训练、评估、部署等步骤串联成可复用的自动化流水线。SDK 文档中搜索 Pipeline 关键字即可定位到 azureml.pipeline.core.Pipeline 类——这是把本课单步流程升级为生产级 MLOps 工作流的自然下一步。

8.3 作业完成清单

对照 assignment.md 的评分标准，一份完整的作业应包含：

1. 选定一份新数据集（Kaggle、Azure Open Datasets 或其他来源），理解其字段含义与目标变量；
2. 用 Workspace / Experiment / AmlCompute 完成环境初始化，把数据集上传至工作区并通过 ws.datasets[key] 取用；
3. 依据新数据集重新审视 AutoMLConfig 参数（任务类型、主指标、超时与并发、标签列名等），提交 AutoML 训练；
4. 通过 remote_run.get_output() 检视最佳模型，查看模型解释/属性；
5. 注册模型并用 InferenceConfig + AciWebservice 部署，最后用 aci_service.run() 完成消费并解读预测结果；
6. 使用完毕后清理全部资源。

完成以上六步，即达到 Rubric 中 Exemplary 的标准——不仅"会用"，而且"懂参数、能解释、可迁移"。

九、可继续深入阅读的仓库资源

• 课程正文（含全部代码与注释）：5-Data-Science-In-Cloud/19-Azure/README.md
• 可运行 Notebook（作业脚手架）：notebook.ipynb 与配套参考 solution/notebook.ipynb
• 上一课（Low code/No code 路线、数据集与工作区创建细节）：5-Data-Science-In-Cloud/18-Low-Code/README.md
• 作业原文与评分标准：assignment.md
• 云端数据科学课程总览：5-Data-Science-In-Cloud/README.md