Condividi tramite

OutputPortBinding Classe

  • Riferimento

Definisce un output denominato di un passaggio della pipeline.

OutputPortBinding può essere usato per specificare il tipo di dati che verranno prodotti da un passaggio e la modalità di produzione dei dati. Può essere usato con InputPortBinding per specificare che l'output del passaggio è un input obbligatorio di un altro passaggio.

Inizializzare OutputPortBinding.

Ereditarietà
builtins.object
OutputPortBinding

Costruttore

OutputPortBinding(name, datastore=None, output_name=None, bind_mode='mount', path_on_compute=None, is_directory=None, overwrite=None, data_type=None, pipeline_output_name=None, training_output=None, dataset_registration=None, dataset_output=None)

Parametri

Nome Descrizione
name
Necessario
str

Nome dell'oggetto OutputPortBinding, che può contenere solo lettere, cifre e caratteri di sottolineatura.
datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

L'archivio dati in cui risiederà PipelineData.

Valore predefinito: None
output_name
str

Nome dell'output, se viene usato Nessun nome. Può contenere solo lettere, cifre e caratteri di sottolineatura.

Valore predefinito: None
bind_mode
str

Specifica se il passaggio di produzione userà il metodo "upload" o "mount" o "hdfs" per accedere ai dati.

Valore predefinito: mount
path_on_compute
str

Per la modalità di caricamento, il percorso in cui il modulo scrive l'output.

Valore predefinito: None
is_directory
bool

Indica se l'output è una directory o un singolo file.

Valore predefinito: None
overwrite
bool

Per la modalità di caricamento, se sovrascrivere i dati esistenti.

Valore predefinito: None
data_type
str

Facoltativa. Il tipo di dati può essere usato per specificare il tipo previsto dell'output e per illustrare in dettaglio l'utilizzo dei passaggi da eseguire. Può essere qualsiasi stringa definita dall'utente.

Valore predefinito: None
pipeline_output_name
str

Se specificato, questo output sarà disponibile usando PipelineRun.get_pipeline_output(). I nomi di output della pipeline devono essere univoci nella pipeline.

Valore predefinito: None
training_output
TrainingOutput

Definisce l'output per il risultato del training. Questa operazione è necessaria solo per training specifici che generano diversi tipi di output, ad esempio metriche e modello. Ad esempio, AutoMLStep restituisce metriche e modelli. È anche possibile definire specifiche iterazioni di training o metriche usate per ottenere un modello ottimale. Per HyperDriveStep, è anche possibile definire i file di modello specifici da includere nell'output.

Valore predefinito: None
dataset_registration
DatasetRegistration

Facoltativa. Si tratta di un parametro interno. È consigliabile usare invece PipelineData.as_dataset.

Valore predefinito: None
dataset_output
OutputDatasetConfig

Facoltativa. Si tratta di un parametro interno. È consigliabile usare OutputFileDatasetConfig intead.

Valore predefinito: None
name
Necessario
str

Nome dell'oggetto OutputPortBinding, che può contenere solo lettere, cifre e caratteri di sottolineatura.
datastore
Necessario
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

L'archivio dati in cui risiederà PipelineData.
output_name
Necessario
str

Nome dell'output, se viene usato Nessun nome. Può contenere solo lettere, cifre e caratteri di sottolineatura.
bind_mode
Necessario
str

Specifica se il passaggio di produzione userà il metodo "upload" o "mount" o "hdfs" per accedere ai dati.
path_on_compute
Necessario
str

Per la modalità di caricamento, il percorso in cui il modulo scrive l'output.
is_directory
Necessario
bool

se l'output è una directory
overwrite
Necessario
bool

Per la modalità di caricamento, se sovrascrivere i dati esistenti.
data_type
Necessario
str

Facoltativa. Il tipo di dati può essere usato per specificare il tipo previsto dell'output e per illustrare in dettaglio l'utilizzo dei passaggi da eseguire. Può essere qualsiasi stringa definita dall'utente.
pipeline_output_name
Necessario
str

Se specificato, questo output sarà disponibile usando PipelineRun.get_pipeline_output(). I nomi di output della pipeline devono essere univoci nella pipeline.
training_output
Necessario
TrainingOutput

Definisce l'output per il risultato del training. Questa operazione è necessaria solo per training specifici che generano diversi tipi di output, ad esempio metriche e modello. Ad esempio, AutoMLStep restituisce metriche e modelli. È anche possibile definire specifiche iterazioni di training o metriche usate per ottenere un modello ottimale. Per HyperDriveStep, è anche possibile definire i file di modello specifici da includere nell'output.
dataset_registration
Necessario
DatasetRegistration

Facoltativa. Si tratta di un parametro interno. È consigliabile usare invece PipelineData.as_dataset.
dataset_output
Necessario
OutputDatasetConfig

Facoltativa. Si tratta di un parametro interno. È consigliabile usare OutputFileDatasetConfig intead.

Commenti

OutputPortBinding può essere usato in modo PipelineData analogo alla compilazione di una pipeline per specificare input e output dei passaggi. La differenza è outputPortBinding deve essere usata con InputPortBinding per poter essere utilizzata come input per un altro passaggio.

Un esempio per costruire una pipeline con OutputPortBinding è il seguente:


   from azureml.pipeline.core import OutputPortBinding, InputPortBinding, Pipeline
   from azureml.pipeline.steps import PythonScriptStep

   step_1_output = OutputPortBinding("output", datastore=datastore)

   step_1 = PythonScriptStep(
       name='process data',
       script_name="process_data.py",
       compute_target=compute,
       arguments=["--output", step_1_output],
       outputs=[step_1_output]
   )

   step_2_input = InputPortBinding("input", bind_object=step_1_output)

   step_2 = PythonScriptStep(
       name='train',
       script_name="train.py",
       compute_target=compute,
       arguments=["--input", step_2_input],
       inputs=[step_2_input]
   )

   pipeline = Pipeline(workspace=workspace, steps=[step_1, step_2])

Verrà creata una pipeline con due passaggi. Il passaggio del processo verrà eseguito per primo, quindi dopo il completamento, verrà eseguito il passaggio di training. Azure ML fornirà l'output prodotto dal passaggio del processo, come descritto dall'oggetto OutputPortBinding, al passaggio di training.

Attributi

bind_mode

Ottenere la modalità ("upload" o "mount" o "hdfs") che verrà usata per creare i dati.

Restituisce

Tipo Descrizione
str

Modalità di associazione.

data_type

Ottiene il tipo di dati che verranno prodotti.

Restituisce

Tipo Descrizione
str

Nome del tipo di dati.

dataset_registration

Ottenere le informazioni di registrazione del set di dati.

Restituisce

Tipo Descrizione
DatasetRegistration

Informazioni di registrazione del set di dati.

datastore

L'archivio dati in cui risiederà PipelineData.

Restituisce

Tipo Descrizione
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

Oggetto Datastore.

is_directory

Indica se l'output è una directory.

Restituisce

Tipo Descrizione
bool

is_directory

name

Nome dell'oggetto OutputPortBinding.

Restituisce

Tipo Descrizione
str

Nome.

overwrite

Per la modalità di caricamento, indicare se sovrascrivere i dati esistenti.

Restituisce

Tipo Descrizione
bool

_Sovrascrivere

path_on_compute

Per la modalità di caricamento, il percorso in cui il modulo scrive l'output.

Restituisce

Tipo Descrizione
str

path_on_compute

pipeline_output_name

Ottenere il nome dell'output della pipeline corrispondente a questo OutputPortBinding.

Restituisce

Tipo Descrizione
str

Nome dell'output della pipeline.

training_output

Ottenere l'output del training.

Restituisce

Tipo Descrizione
TrainingOutput

Output del training