devops-deploy-pipeline-with-tests

实验四：使用Azure DevOps 实现实验的部署和测试

在本实验中，我们将部署如下场景的DevOps Pipeline:

导入 deploy-simple-pipeline-with-tests.yml pipeline

本实验中的DevOps pipeline将实现自动的部署和测试之前实验一中使用的ML training pipeline.

1. 选择 Pipelines --> Pipelines 然后选择 New pipeline
2. 选择Azure Repos Git
3. 选择你的代码库
4. 选择 Existing Azure Pipelines YAML file 然后选择文件位置 /devops-deploy-pipeline-with-tests/deploy-simple-pipeline-with-tests.yml
5. 在接下来的preview的界面中，更新 variables 参数部分section：

variables:
  resourcegroup: 'aml-mlops-workshop' # 替换成你的AML资源所在的的资源组
  workspace: 'aml-mlops-workshop' # 替换成你的AML工作区的名称
  aml_compute_target: 'cpu-cluster' # 可以不做修改

1. 仔细浏览本实验中运行的YAML文件，此次的CI/CD pipeline将完成以下八个步骤（前五个跟前面的实验相同）：
   • 设置build agent上的Python版本
   • 安装Azure Machine Learning CLI (主要用于与AML 工作区的身份验证)
   • 把本实验所在的文件夹附在该AML工作区
   • 创建AML计算集群
   • 发布模型训练的Pipeline
   • 使用pytest运行测试数据集
   • 发布测试结果Publish the test results
   • 添加本实验的测试pipeline到pipeline终结点，使得最终暴露的URL时统一的
2. 选择 Run 来保存和运行pipeline.

最后，请导航到Azure Machine Learning Studio的UI界面中，查看 Endpoints -> Pipeline Endpoints.

随堂小测

❓ Question: 为什么需要做service connection?

✅ See solution!

Service connection将Azure DevOps和AML工作区所在的资源组联系起来，由此授权Azure DevOps可以对工作区中的pipeline相关内容做读写等访问。

❓ Question: 为什么需要使用 az ml folder attach -w $(workspace) -g $(resourcegroup)?

✅ See solution!

该指令能够将本实验的代码关联到工作区，使得后续python代码里在使用 ws = Workspace.from_config() 时可以连接到AML工作区。