OutputPortBinding Classe

  • Référence

Définit une sortie nommée d’une étape de pipeline.

OutputPortBinding peut être utilisé pour spécifier le type de données qui sera produit par une étape et la façon dont les données seront produites. Il peut être utilisé avec InputPortBinding pour spécifier que la sortie de l’étape est une entrée obligatoire d’une autre étape.

Initialisez OutputPortBinding.

Héritage
builtins.object
OutputPortBinding

Constructeur

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)

Paramètres

name
str
Obligatoire

Nom de l’objet OutputPortBinding, qui ne peut contenir que des lettres, des chiffres et des traits de soulignement.

datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
valeur par défaut: None

Magasin de données dans lequel réside PipelineData.

output_name
str
valeur par défaut: None

Nom de la sortie, si aucun nom (None) n’est utilisé. Ne peut contenir que des lettres, des chiffres et des traits de soulignement.

bind_mode
str
valeur par défaut: mount

Spécifie si l’étape de production utilisera la méthode « upload », « mount » ou « hdfs » pour accéder aux données.

path_on_compute
str
valeur par défaut: None

Pour le mode « upload », chemin où le module écrit la sortie.

is_directory
bool
valeur par défaut: None

Indique si la sortie est un répertoire ou un fichier unique.

overwrite
bool
valeur par défaut: None

Pour le mode « upload », indique s’il est nécessaire de remplacer les données existantes.

data_type
str
valeur par défaut: None

facultatif. Vous pouvez utiliser le type de données pour spécifier le type attendu de la sortie et pour détailler la façon dont les étapes de consommation doivent utiliser les données. Il peut s’agir de n’importe quelle chaîne définie par l’utilisateur.

pipeline_output_name
str
valeur par défaut: None

Si cette valeur est fournie, cette sortie sera disponible à l’aide de PipelineRun.get_pipeline_output(). Les noms de sortie du pipeline doivent être uniques dans le pipeline.

training_output
TrainingOutput
valeur par défaut: None

Définit la sortie du résultat de la formation. Uniquement nécessaire pour les formations spécifiques qui aboutissent à différents types de sorties, comme des métriques et un modèle. Par exemple, AutoMLStep aboutit à des métriques et un modèle. Vous pouvez également définir une itération ou une métrique de formation spécifique pour obtenir le meilleur modèle possible. Pour HyperDriveStep, vous pouvez également définir les fichiers de modèle spécifiques à inclure dans la sortie.

dataset_registration
DatasetRegistration
valeur par défaut: None

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt PipelineData.as_dataset.

dataset_output
OutputDatasetConfig
valeur par défaut: None

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt OutputFileDatasetConfig.

name
str
Obligatoire

Nom de l’objet OutputPortBinding, qui ne peut contenir que des lettres, des chiffres et des traits de soulignement.

datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Obligatoire

Magasin de données dans lequel réside PipelineData.

output_name
str
Obligatoire

Nom de la sortie, si aucun nom (None) n’est utilisé. Peut contenir uniquement des lettres, des chiffres et des traits de soulignement.

bind_mode
str
Obligatoire

Spécifie si l’étape de production utilisera la méthode « upload », « mount » ou « hdfs » pour accéder aux données.

path_on_compute
str
Obligatoire

Pour le mode « upload », chemin où le module écrit la sortie.

is_directory
bool
Obligatoire

si la sortie est un répertoire

overwrite
bool
Obligatoire

Pour le mode « upload », indique s’il est nécessaire de remplacer les données existantes.

data_type
str
Obligatoire

facultatif. Vous pouvez utiliser le type de données pour spécifier le type attendu de la sortie et pour détailler la façon dont les étapes de consommation doivent utiliser les données. Il peut s’agir de n’importe quelle chaîne définie par l’utilisateur.

pipeline_output_name
str
Obligatoire

Si cette valeur est fournie, cette sortie sera disponible à l’aide de PipelineRun.get_pipeline_output(). Les noms de sortie du pipeline doivent être uniques dans le pipeline.

training_output
TrainingOutput
Obligatoire

Définit la sortie du résultat de la formation. Uniquement nécessaire pour les formations spécifiques qui aboutissent à différents types de sorties, comme des métriques et un modèle. Par exemple, AutoMLStep aboutit à des métriques et un modèle. Vous pouvez également définir une itération ou une métrique de formation spécifique pour obtenir le meilleur modèle possible. Pour HyperDriveStep, vous pouvez également définir les fichiers de modèle spécifiques à inclure dans la sortie.

dataset_registration
DatasetRegistration
Obligatoire

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt PipelineData.as_dataset.

dataset_output
OutputDatasetConfig
Obligatoire

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt OutputFileDatasetConfig.

Remarques

OutputPortBinding peut être utilisé de la même façon que PipelineData lors de la création d’un pipeline pour spécifier des entrées et sorties d’étape. La différence est que OutputPortBinding doit être utilisé avec InputPortBinding pour être consommé comme entrée d’une autre étape.

Voici un exemple de construction d’un pipeline avec OutputPortBinding :


   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])

Cela permet de créer un pipeline en deux étapes. L’étape de traitement est exécutée en premier. Une fois qu’elle a été effectuée, l’étape de formation est exécutée. Azure ML fournit la sortie produite par l’étape de traitement, comme décrit par l’objet OutputPortBinding, à l’étape de formation.

Attributs

bind_mode

Obtient le mode (« upload » ou « mount » ou « hdfs ») à utiliser par l’étape de production pour créer les données.

Retours

Mode de liaison.

Type de retour

str

data_type

Obtient le type des données à produire.

Retours

Nom du type de données.

Type de retour

str

dataset_registration

Obtient les informations d’inscription du jeu de données.

Retours

Informations d’inscription du jeu de données.

Type de retour

DatasetRegistration

datastore

Magasin de données dans lequel réside PipelineData.

Retours

Objet Datastore.

Type de retour

Union[<xref:azureml.data.azure_storage_datastore.AbstractAzureStorageDatastore,azureml.data.azure_data_lake_datastore.AzureDataLakeDatastore>]

is_directory

Indique si la sortie est un répertoire.

Retours

is_directory

Type de retour

bool

name

Nom de l’objet OutputPortBinding.

Retours

Nom.

Type de retour

str

overwrite

Pour le mode « upload », indique s’il est nécessaire de remplacer les données existantes.

Retours

_overwrite

Type de retour

bool

path_on_compute

Pour le mode « upload », chemin où le module écrit la sortie.

Retours

path_on_compute

Type de retour

str

pipeline_output_name

Obtient le nom de la sortie de pipeline correspondant à cet objet OutputPortBinding.

Retours

Nom de la sortie de pipeline.

Type de retour

str

training_output

Obtient la sortie de formation.

Retours

Sortie de formation

Type de retour

TrainingOutput