Dela via

OutputPortBinding Klass

  • Referens

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. Du kan använda den 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 endast får 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. Får endast innehålla bokstäver, siffror och understreck.

standardvärde: None
bind_mode
str

Anger om det producerande steget 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

Om befintliga data ska skrivas över för "uppladdningsläge".

standardvärde: None
data_type
str

Valfritt. Datatypen kan användas för att ange den förväntade typen av utdata och för att beskriva hur användningsstegen 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(). Namn på pipelineutdata 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 träningsiteration 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 endast får 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. Får bara innehålla bokstäver, siffror och understreck.
bind_mode
Obligatorisk
str

Anger om det producerande steget 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

Om befintliga data ska skrivas över för "uppladdningsläge".
data_type
Obligatorisk
str

Valfritt. Datatypen kan användas för att ange den förväntade typen av utdata och för att beskriva hur användningsstegen 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(). Namn på pipelineutdata 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 träningsiteration 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 skapandesteget 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 denna OutputPortBinding.

Returer

Typ Description
str

Pipelinens utdatanamn.

training_output

Hämta träningsutdata.

Returer

Typ Description
TrainingOutput

Träningsutdata