Github actions dla deploymentu funkcji do inferencji (dla klasyfikacji).
Closes #72
Zakładając że każdy model będzie rejestrowany w Azure ML Studio, wszystkie modele będą docelowo zapisywane w StorageAccount, skąd można je pobrać. Pipeline jest sparametryzowany. Należy podać experiment-id. Na jego podstawie skrypt znajdzie artefakt z eksperymentu i pobierze go, przekonweruje do .onnx i przeniesie do odpowiedniej lokalizacji w projekcie do inferencji. Jest mały workaround na sprawdzanie statusu. Ten w github actions sypie błędem pomimo tego, że funkcja działa.
Przed uruchomieniem/przetestowaniem tego trzeba pododawać sekrety dla connection stringa do FA a także credentiali do RBAC.
Pipeline description:
download model from Azure ML Studio (storage account)
'build' the project - convert model to onnx, update project directories, install dependencies
deploy function app
check function status (workaround for failing deployment despite working function)
Zmiany wprowadzone w tym PR
Github actions dla deploymentu funkcji do inferencji (dla klasyfikacji). Closes #72
Zakładając że każdy model będzie rejestrowany w Azure ML Studio, wszystkie modele będą docelowo zapisywane w StorageAccount, skąd można je pobrać. Pipeline jest sparametryzowany. Należy podać experiment-id. Na jego podstawie skrypt znajdzie artefakt z eksperymentu i pobierze go, przekonweruje do .onnx i przeniesie do odpowiedniej lokalizacji w projekcie do inferencji. Jest mały workaround na sprawdzanie statusu. Ten w github actions sypie błędem pomimo tego, że funkcja działa.
Przed uruchomieniem/przetestowaniem tego trzeba pododawać sekrety dla connection stringa do FA a także credentiali do RBAC.
Pipeline description: