Dela via

InputPortBinding Klass

  • Referens

Definierar en bindning från en källa till indata från ett pipelinesteg.

En InputPortBinding kan användas som indata till ett steg. Källan kan vara , PipelineDataPortDataReference, DataReference, PipelineDataseteller OutputPortBinding.

InputPortBinding är användbart för att ange namnet på stegindata, om det ska vara annorlunda än namnet på bindningsobjektet (dvs. för att undvika duplicerade indata-/utdatanamn eller för att stegskriptet behöver en indata för att ha ett visst namn). Den kan också användas för att ange bind_mode för PythonScriptStep indata.

Initiera InputPortBinding.

Arv
builtins.object
InputPortBinding

Konstruktor

InputPortBinding(name, bind_object=None, bind_mode='mount', path_on_compute=None, overwrite=None, is_resource=False, additional_transformations=None, **kwargs)

Parametrar

Name Description
name
Obligatorisk
str

Namnet på den indataport som ska bindas, som endast kan innehålla bokstäver, siffror och understreck.
bind_object
Union[PortDataReference, DataReference, PipelineData, OutputPortBinding, PipelineDataset]

Objektet som ska bindas till indataporten.

Standardvärde: None
bind_mode
str

Anger om användningssteget ska använda metoden "download" eller "mount" för att komma åt data.

Standardvärde: mount
path_on_compute
str

I läget "ladda ned" läser den lokala sökvägen som steget kommer att läsa data från.

Standardvärde: None
overwrite
bool

För läget "ladda ned" anger du om befintliga data ska skrivas över.

Standardvärde: None
is_resource
bool

Anger om indata är en resurs. Resurser laddas ned till skriptmappen och ger ett sätt att ändra beteendet för skript vid körning.

Standardvärde: False
additional_transformations
<xref:azureml.dataprep.Dataflow>

Ytterligare transformeringar som ska tillämpas på indata. Detta tillämpas endast om utdata från föregående steg är en Azure Machine Learning-datauppsättning.

Standardvärde: None
name
Obligatorisk
str

Namnet på den indataport som ska bindas, som endast kan innehålla bokstäver, siffror och understreck.
bind_object
Obligatorisk
Union[PortDataReference, DataReference, PipelineData, OutputPortBinding, PipelineDataset]

Objektet som ska bindas till indataporten.
bind_mode
Obligatorisk
str

Anger om användningssteget ska använda metoden "download" eller "mount" eller "direct" för att komma åt data.
path_on_compute
Obligatorisk
str

I läget "ladda ned" läser den lokala sökvägen som steget kommer att läsa data från.
overwrite
Obligatorisk
bool

För läget "ladda ned" anger du om befintliga data ska skrivas över.
is_resource
Obligatorisk
bool

Ange om indata är en resurs. Resurser laddas ned till skriptmappen och ger ett sätt att ändra beteendet för skript vid körning.
additional_transformations
Obligatorisk
<xref:azureml.dataprep.Dataflow>

Ytterligare transformeringar som ska tillämpas på indata. Detta tillämpas endast om utdata från föregående steg är en Azure Machine Learning-datauppsättning.

Kommentarer

InputPortBinding används för att ange databeroenden i en pipeline. Det representerar en indata som ett steg kräver för körning. InputPortBindings har en källa som kallas bind_object, som anger hur indata skapas.

PipelineData och OutputPortBinding kan användas som bind_object för en InputPortBinding för att ange att indata till steget ska skapas av ett annat steg i pipelinen.

Ett exempel på hur du skapar en pipeline med InputPortBinding och PipelineData är följande:


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

   step_1_output = PipelineData("output", datastore=datastore, output_mode="mount")

   step_1 = PythonScriptStep(
       name='prepare data',
       script_name="prepare_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])

I det här exemplet kräver steget "träna" utdata från steget "förbereda data" som indata.

PortDataReference, DataReference, eller PipelineDataset kan användas som bind_object för en InputPortBinding för att ange att indata till steget redan finns på en angiven plats.

Ett exempel på hur du skapar en pipeline med InputPortBinding och DataReference är följande:


   from azureml.data.data_reference import DataReference
   from azureml.pipeline.core import InputPortBinding, Pipeline
   from azureml.pipeline.steps import PythonScriptStep

   data_reference = DataReference(datastore=datastore, path_on_datastore='sample_data.txt', mode="mount")
   step_1_input = InputPortBinding("input", bind_object=data_reference)

   step_1 = PythonScriptStep(
       name='train',
       script_name="train.py",
       compute_target=compute,
       arguments=["--input", step_1_input],
       inputs=[step_1_input]
   )

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

I det här exemplet kräver steget "träna" filen "sample_data.txt" som anges av DataReference som indata.

Metoder

as_resource

Hämta en duplicerad indataportbindning som kan användas som en resurs.
get_bind_object_data_type

Hämta datatypen för bindningsobjektet.
get_bind_object_name

Hämta namnet på bindningsobjektet.

as_resource

Hämta en duplicerad indataportbindning som kan användas som en resurs.

as_resource()

Returer

Typ Description
InputPortBinding

InputPortBinding med egenskapen is_resource anger true.

get_bind_object_data_type

Hämta datatypen för bindningsobjektet.

get_bind_object_data_type()

Returer

Typ Description
str

Namnet på datatypen.

get_bind_object_name

Hämta namnet på bindningsobjektet.

get_bind_object_name()

Returer

Typ Description
str

Bindningsobjektets namn.

Attribut

additional_transformations

Hämta de ytterligare transformeringar som ska tillämpas på indata.

Returer

Typ Description
<xref:azureml.dataprep.Dataflow>

De ytterligare transformeringar som ska tillämpas på indata.

bind_mode

Hämta läget ("download" eller "mount" eller "direct", "hdfs") som det tidskrävande steget använder för att komma åt data.

Returer

Typ Description
str

Bindningsläget ("download" eller "mount" eller "direct" eller "hdfs").

bind_object

Hämta objektet som InputPort ska bindas till.

Returer

Typ Description
Union[PortDataReference, DataReference, PipelineData, OutputPortBinding, PipelineDataset]

Bindningsobjektet.

data_reference_name

Hämta namnet på den datareferens som är associerad med InputPortBinding.

Returer

Typ Description
str

Datareferensnamnet.

data_type

Hämta typen av indata.

Returer

Typ Description
str

Egenskapen datatyp.

is_resource

Hämta om indata är en resurs.

Returer

Typ Description
bool

Anger en resurs.

name

Namnet på indataportbindningen.

Returer

Typ Description
str

Namnet.

overwrite

För läget "ladda ned" anger du om befintliga data ska skrivas över.

Returer

Typ Description
bool

Egenskapen skriv över.

path_on_compute

Hämta den lokala sökvägen som steget läser data från.

Returer

Typ Description
str

Sökvägen för beräkning.