Componenti di input del servizio Web e output del servizio Web
Questo articolo descrive i componenti Input servizio Web e Output del servizio Web nella finestra di progettazione di Azure Machine Learning.
Il componente Input del servizio Web può connettersi solo a una porta di input con il tipo DataFrameDirectory. Il componente Output servizio Web può essere connesso solo da una porta di output con il tipo DataFrameDirectory. È possibile trovare i due componenti nell'albero dei componenti, nella categoria Servizio Web.
Il componente Input del servizio Web indica dove i dati utente entrano nella pipeline. Il componente Output del servizio Web indica dove vengono restituiti i dati utente in una pipeline di inferenza in tempo reale.
Come usare l'input e l'output del servizio Web
Quando si crea una pipeline di inferenza in tempo reale dalla pipeline di training, i componenti Input del servizio Web e Output del servizio Web verranno aggiunti automaticamente per mostrare dove i dati utente entrano nella pipeline e dove vengono restituiti i dati.
Nota
La generazione automatica di una pipeline di inferenza in tempo reale è un processo basato su regole e di lavoro ottimale. Non c'è garanzia di correttezza.
È possibile aggiungere o rimuovere manualmente i componenti Web Service Input e Web Service Output per soddisfare i requisiti. Assicurarsi che la pipeline di inferenza in tempo reale abbia almeno un componente di input del servizio Web e un componente output del servizio Web. Se sono presenti più componenti di input del servizio Web o output del servizio Web, assicurarsi che abbiano nomi univoci. È possibile immettere il nome nel pannello destro del componente.
È anche possibile creare manualmente una pipeline di inferenza in tempo reale aggiungendo componenti di input del servizio Web e output del servizio Web alla pipeline non inviato.
Nota
Il tipo di pipeline verrà determinato la prima volta che viene inviato. Assicurarsi di aggiungere i componenti Web Service Input (Input servizio Web) e Web Service Output (Output servizio Web) prima di inviare per la prima volta.
L'esempio seguente illustra come creare manualmente una pipeline di inferenza in tempo reale dal componente Execute Python Script (Esegui script Python).
Dopo aver inviato la pipeline e aver completato correttamente l'esecuzione, è possibile distribuire l'endpoint in tempo reale.
Nota
Nell'esempio precedente immettere manualmente i dati fornisce lo schema dei dati per l'input del servizio Web ed è necessario per distribuire l'endpoint in tempo reale. In genere, è consigliabile connettere sempre un componente o un set di dati alla porta in cui l'input del servizio Web è connesso per fornire lo schema dei dati.
Passaggi successivi
Altre informazioni sulla distribuzione dell'endpoint in tempo reale.
Vedere il set di componenti disponibili per Azure Machine Learning.