OutputPortBinding Klass

Definierar ett namngivet utdata från ett pipelinesteg.

OutputPortBinding kan användas för att ange vilken typ av data som ska skapas i ett steg och hur data ska skapas. Det kan användas med InputPortBinding för att ange att stegutdata är nödvändiga indata för ett annat steg.

Initiera OutputPortBinding.

Arv

builtins.object

OutputPortBinding

Konstruktor

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)

Parametrar

Name	Description
name Obligatorisk	str Namnet på outputPortBinding-objektet, som bara kan innehålla bokstäver, siffror och understreck.
datastore	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Datalager som PipelineData kommer att finnas på. Standardvärde: None
output_name	str Namn på utdata, om Inget namn används. Kan endast innehålla bokstäver, siffror och understreck. Standardvärde: None
bind_mode	str Anger om skapandesteget ska använda metoden "upload" eller "mount" eller "hdfs" för att komma åt data. Standardvärde: mount
path_on_compute	str I läget "ladda upp" skriver modulen utdata till. Standardvärde: None
is_directory	bool Om utdata är en katalog eller en enda fil. Standardvärde: None
overwrite	bool För "upload"-läge, om du vill skriva över befintliga data. Standardvärde: None
data_type	str Valfritt. Datatypen kan användas för att ange den förväntade typen av utdata och för att beskriva hur användningssteg ska använda data. Kan vara valfri användardefinierad sträng. Standardvärde: None
pipeline_output_name	str Om detta anges kommer dessa utdata att vara tillgängliga med hjälp av PipelineRun.get_pipeline_output(). Pipelinens utdatanamn måste vara unika i pipelinen. Standardvärde: None
training_output	TrainingOutput Definierar utdata för träningsresultat. Detta behövs bara för specifika utbildningar som resulterar i olika typer av utdata, till exempel mått och modell. Till exempel AutoMLStep resultat i mått och modell. Du kan också definiera specifik tränings iteration eller mått som används för att få bästa modell. För HyperDriveStepkan du också definiera de specifika modellfiler som ska ingå i utdata. Standardvärde: None
dataset_registration	DatasetRegistration Valfritt. Det här är en intern parameter. Du bör använda PipelineData.as_dataset i stället. Standardvärde: None
dataset_output	OutputDatasetConfig Valfritt. Det här är en intern parameter. Du bör använda OutputFileDatasetConfig-intead. Standardvärde: None
name Obligatorisk	str Namnet på outputPortBinding-objektet, som bara kan innehålla bokstäver, siffror och understreck.
datastore Obligatorisk	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Datalager som PipelineData kommer att finnas på.
output_name Obligatorisk	str Namn på utdata, om Inget namn används. Kan bara innehålla bokstäver, siffror och understreck.
bind_mode Obligatorisk	str Anger om skapandesteget ska använda metoden "upload" eller "mount" eller "hdfs" för att komma åt data.
path_on_compute Obligatorisk	str I läget "ladda upp" skriver modulen utdata till.
is_directory Obligatorisk	bool om utdata är en katalog
overwrite Obligatorisk	bool För "upload"-läge, om du vill skriva över befintliga data.
data_type Obligatorisk	str Valfritt. Datatypen kan användas för att ange den förväntade typen av utdata och för att beskriva hur användningssteg ska använda data. Kan vara valfri användardefinierad sträng.
pipeline_output_name Obligatorisk	str Om detta anges kommer dessa utdata att vara tillgängliga med hjälp av PipelineRun.get_pipeline_output(). Pipelinens utdatanamn måste vara unika i pipelinen.
training_output Obligatorisk	TrainingOutput Definierar utdata för träningsresultat. Detta behövs bara för specifika utbildningar som resulterar i olika typer av utdata, till exempel mått och modell. Till exempel AutoMLStep resultat i mått och modell. Du kan också definiera specifik tränings iteration eller mått som används för att få bästa modell. För HyperDriveStepkan du också definiera de specifika modellfiler som ska ingå i utdata.
dataset_registration Obligatorisk	DatasetRegistration Valfritt. Det här är en intern parameter. Du bör använda PipelineData.as_dataset i stället.
dataset_output Obligatorisk	OutputDatasetConfig Valfritt. Det här är en intern parameter. Du bör använda OutputFileDatasetConfig-intead.

Kommentarer

OutputPortBinding kan användas på liknande sätt som PipelineData när du skapar en pipeline för att ange stegindata och utdata. Skillnaden är att OutputPortBinding måste användas med InputPortBinding för att kunna användas som indata till ett annat steg.

Ett exempel på hur du skapar en pipeline med OutputPortBinding är följande:

   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])

Då skapas en pipeline med två steg. Processsteget körs först och sedan körs träningssteget när det har slutförts. Azure ML tillhandahåller utdata från processsteget, enligt beskrivningen i outputPortBinding-objektet, till träningssteget.

Attribut

bind_mode

Hämta läget ("upload" eller "mount" eller "hdfs") som det producerande steget använder för att skapa data.

Returer

Typ	Description
str	Bindningsläget.

data_type

Hämta den typ av data som ska skapas.

Returer

Typ	Description
str	Namnet på datatypen.

dataset_registration

Hämta registreringsinformationen för datauppsättningen.

Returer

Typ	Description
DatasetRegistration	Registreringsinformationen för datauppsättningen.

datastore

Datalager som PipelineData kommer att finnas på.

Returer

Typ	Description
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]	Datalagerobjektet.

is_directory

Om utdata är en katalog.

Returer

Typ	Description
bool	is_directory

name

Namnet på outputPortBinding-objektet.

Returer

Typ	Description
str	Namnet.

overwrite

För uppladdningsläge anger du om befintliga data ska skrivas över.

Returer

Typ	Description
bool	_overwrite

path_on_compute

I läget "ladda upp" skriver modulen utdata till.

Returer

Typ	Description
str	path_on_compute

pipeline_output_name

Hämta namnet på pipelineutdata som motsvarar outputPortBinding.

Returer

Typ	Description
str	Pipelinens utdatanamn.

training_output

Hämta träningsutdata.

Returer

Typ	Description
TrainingOutput	Träningsutdata