IBM Cloud Pak® for Data 4.6 版本将于 2025 年 7 月 31 日结束支持（EOS）。 欲了解更多信息，请参阅 IBM Cloud Pak for Data 版本 4.X 的停止服务公告。
在 IBM Cloud Pak for Data 4.6 版本支持结束之前，升级到 IBM Software Hub 5.1 版本。 更多信息，请参阅 IBM Software Hub 版本 5.1 文档中的升级 IBM Software Hub。
在 Watson Machine Learning 中部署 Python 函数
您可以通过与部署模型相同的方式在 Watson Machine Learning 中部署 Python 函数。 工具和应用程序可以使用 Watson Machine Learning Python 客户机或 REST API 通过与其向已部署模型发送数据相同的方式来向已部署函数发送数据。 部署函数使您能够在将数据传递到模型之前隐藏详细信息 (例如凭证) ，预处理数据，处理错误以及包括对多个模型的调用，所有这些都在已部署的函数中，而不是在应用程序中。
用于创建和部署 Python 函数的样本 Notebook
有关如何使用 Watson Machine Learning Python 客户机库来创建和部署 Python 函数的示例，请参阅以下样本 Notebook:
| 样本名称 | 框架 | 演示的方法 |
|---|---|---|
| 使用 Python 函数识别手写数字 | Python | 使用函数存储样本模型，然后部署该模型 |
| 预测汽车业务 | Hybrid(Tensorflow) | 设置 AI 定义 准备数据 使用 Tensorflow 部署 Keras 模型并对模型进行评分 定义，存储和部署 Python 函数 |
| 针对软件规范部署 Python 函数 | 核心 | 创建 Python 函数 创建 Web Service 对模型评分 |
Notebook 展示创建和部署函数的 6 个步骤：
- 定义函数。
- 认证并定义空间。
- 将函数存储在存储库中
- 获取软件规范。
- 部署已存储的函数。
- 将数据发送给函数以进行处理。
有关使用 Watson Machine Learning Python 客户机库的其他样本 Notebook 的链接，请参阅 在 Notebook 中使用 Watson Machine Learning。
增加函数的可扩展性
从部署空间或者以编程方式部署函数时，缺省情况下会部署函数的单个副本。 要增加可扩展性，可以通过编辑部署配置来增加副本数量。 额外的副本可支持更大的评分请求数量。
以下示例使用 Python 客户机 API 将副本数量设置为 3。
change_meta = {
client.deployments.ConfigurationMetaNames.HARDWARE_SPEC: {
"name":"S",
"num_nodes":3}
}
client.deployments.update(<deployment_id>, change_meta)
了解更多
- 有关定义可部署 Python 函数的信息，请参阅 编写和存储可部署 Python 函数中的 可部署函数的一般要求 部分。
- 您可以通过用户界面从部署空间部署函数。 有关从部署空间创建和部署的详细信息，请参阅 部署空间。
- 您可以使用 Python 函数来部署 Natural Language Processing 模型。 有关更多信息，请参阅 部署自然语言处理模型。
父主题: 部署资产