共用方式為

PipelineParameter 類別

  • 參考

定義管線執行中的參數。

使用 PipelineParameters 來建構多用途的管線，稍後可以使用不同的參數值重新提交。

初始化管線參數。

繼承
builtins.object
PipelineParameter

建構函式

PipelineParameter(name, default_value)

參數

名稱 Description
name
必要
str

管線參數的名稱。
default_value
必要
Union[int, str, bool, float, DataPath, PipelineDataset, FileDataset, TabularDataset]

管線參數的預設值。
name
必要
str

管線參數的名稱。
default_value
必要
Union[int, str, bool, float, DataPath, PipelineDataset, FileDataset, TabularDataset]

管線參數的預設值。

備註

建構管線時，可以將 PipelineParameters 新增至任何步驟。 提交管線時，可以指定這些參數的值。

將 PipelineParameter 新增至步驟的範例如下：


   from azureml.pipeline.steps import PythonScriptStep
   from azureml.pipeline.core import PipelineParameter

   pipeline_param = PipelineParameter(name="pipeline_arg", default_value="default_val")
   train_step = PythonScriptStep(script_name="train.py",
                                 arguments=["--param1", pipeline_param],
                                 target=compute_target,
                                 source_directory=project_folder)

在此範例中，已將名稱為 「pipeline_arg」 的 PipelineParameter 新增至 PythonScriptStep 的引數。 執行 Python 腳本時，管線參數的值將會透過命令列引數來提供。 此 PipelineParameter 也可以新增至管線中的其他步驟，以提供管線中多個步驟的一般值。 管線可以指定多個 PipelineParameters。

若要提交此管線，並指定 「pipeline_arg」 PipelineParameter 使用的值：


   pipeline = Pipeline(workspace=ws, steps=[train_step])
   pipeline_run = Experiment(ws, 'train').submit(pipeline, pipeline_parameters={"pipeline_arg": "test_value"})

注意：如果在pipeline_parameters字典中未指定 「pipeline_arg」，則建構管線時提供的 PipelineParameter 預設值會用於 (在此情況下，提供的預設值為 「default_val」) 。

多行參數不能當做 PipelineParameters 使用。

PipelineParameters 也可以與 和 DataPathComputeBinding 搭配 DataPath 使用，以指定步驟輸入。 這可讓管線以不同的輸入資料執行。

搭配 PipelineParameters 使用 DataPath 的範例如下：


   from azureml.core.datastore import Datastore
   from azureml.data.datapath import DataPath, DataPathComputeBinding
   from azureml.pipeline.steps import PythonScriptStep
   from azureml.pipeline.core import PipelineParameter

   datastore = Datastore(workspace=workspace, name="workspaceblobstore")
   datapath = DataPath(datastore=datastore, path_on_datastore='input_data')
   data_path_pipeline_param = (PipelineParameter(name="input_data", default_value=datapath),
                               DataPathComputeBinding(mode='mount'))

   train_step = PythonScriptStep(script_name="train.py",
                                 arguments=["--input", data_path_pipeline_param],
                                 inputs=[data_path_pipeline_param],
                                 compute_target=compute_target,
                                 source_directory=project_folder)

在此情況下，「input_data」 參數的預設值會參考名為 「input_data」 之 「workspaceblobstore」 上的檔案。 如果提交管線而不指定這個 PipelineParameter 的值，則會使用預設值。 若要提交此管線，並指定 「input_data」 PipelineParameter 使用的值：


   from azureml.pipeline.core import Pipeline
   from azureml.data.datapath import DataPath

   pipeline = Pipeline(workspace=ws, steps=[train_step])
   new_data_path = DataPath(datastore=datastore, path_on_datastore='new_input_data')
   pipeline_run = experiment.submit(pipeline,
                                    pipeline_parameters={"input_data": new_data_path})