DataTransferStep Třída
Vytvoří krok kanálu Azure ML, který přenáší data mezi možnostmi úložiště.
DataTransferStep podporuje běžné typy úložišť, jako jsou Azure Blob Storage a Azure Data Lake jako zdroje a jímky. Další informace najdete v části Poznámky .
Příklad použití DataTransferStep najdete v poznámkovém bloku https://aka.ms/pl-data-trans.
Vytvořte krok kanálu Azure ML, který přenáší data mezi možnostmi úložiště.
- Dědičnost
-
azureml.pipeline.core._data_transfer_step_base._DataTransferStepBaseDataTransferStep
Konstruktor
DataTransferStep(name, source_data_reference=None, destination_data_reference=None, compute_target=None, source_reference_type=None, destination_reference_type=None, allow_reuse=True)
Parametry
- source_data_reference
- Union[InputPortBinding, DataReference, PortDataReference, PipelineData]
[Povinné] Vstupní připojení, které slouží jako zdroj operace přenosu dat.
- destination_data_reference
- Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference]
[Povinné] Výstupní připojení, které slouží jako cíl operace přenosu dat.
- compute_target
- DataFactoryCompute, str
[Povinné] Azure Data Factory pro přenos dat.
- source_reference_type
- str
Volitelný řetězec určující typ source_data_reference
. Mezi možné hodnoty patří: 'file', 'directory'. Pokud není zadán, použije se typ existující cesty.
Tento parametr slouží k rozlišení mezi souborem a adresářem se stejným názvem.
- destination_reference_type
- str
Volitelný řetězec určující typ destination_data_reference
.
Mezi možné hodnoty patří: 'file', 'directory'. Pokud není zadáno, Azure ML použije typ existující cesty, odkazu na zdroj nebo adresář v tomto pořadí.
- allow_reuse
- bool
Určuje, jestli má krok znovu použít předchozí výsledky při opětovném spuštění se stejným nastavením. Opakované použití je ve výchozím nastavení povolené. Pokud argumenty kroku zůstanou beze změny, znovu se použije výstup z předchozího spuštění tohoto kroku. Při opakovaném použití kroku se místo opětovného přenosu dat okamžitě zpřístupní výsledky z předchozího spuštění všem dalším krokům. Pokud jako vstupy použijete datové sady Azure Machine Learning, opakované použití závisí na tom, jestli se změnila definice datové sady, a ne na tom, jestli se změnila podkladová data.
- source_data_reference
- Union[InputPortBinding, DataReference, PortDataReference, PipelineData]
[Povinné] Vstupní připojení, které slouží jako zdroj operace přenosu dat.
- destination_data_reference
- Union[InputPortBinding, PipelineOutputAbstractDataset, DataReference]
[Povinné] Výstupní připojení, které slouží jako cíl operace přenosu dat.
- source_reference_type
- str
Volitelný řetězec určující typ source_data_reference
. Mezi možné hodnoty patří: 'file', 'directory'. Pokud není zadán, použije se typ existující cesty.
Tento parametr slouží k rozlišení mezi souborem a adresářem se stejným názvem.
- destination_reference_type
- str
Volitelný řetězec určující typ destination_data_reference
.
Mezi možné hodnoty patří: 'file', 'directory'. Pokud není zadáno, Azure ML použije typ existující cesty, odkazu na zdroj nebo adresář v tomto pořadí.
- allow_reuse
- bool
Určuje, jestli má krok znovu použít předchozí výsledky při opětovném spuštění se stejným nastavením. Opakované použití je ve výchozím nastavení povolené. Pokud argumenty kroku zůstanou beze změny, znovu se použije výstup z předchozího spuštění tohoto kroku. Při opakovaném použití kroku se místo opětovného přenosu dat okamžitě zpřístupní výsledky z předchozího spuštění všem dalším krokům. Pokud jako vstupy použijete datové sady Azure Machine Learning, opakované použití závisí na tom, jestli se změnila definice datové sady, a ne na tom, jestli se změnila podkladová data.
Poznámky
Tento krok podporuje následující typy úložiště jako zdroje a jímky s výjimkou případů uvedených:
Azure Blob Storage
Azure Data Lake Storage Gen1 a Gen2
Azure SQL Database
Azure Database for PostgreSQL
Azure Database for MySQL
Pro Azure SQL Database musíte použít ověřování instančního objektu. Další informace najdete v tématu Ověřování instančního objektu. Příklad použití ověřování instančního objektu pro Azure SQL Database najdete v tématu https://aka.ms/pl-data-trans.
Pokud chcete vytvořit závislost dat mezi kroky, použijte metodu get_output k získání objektu PipelineData , který představuje výstup tohoto kroku přenosu dat a lze ho použít jako vstup pro pozdější kroky v kanálu.
data_transfer_step = DataTransferStep(name="copy data", ...)
# Use output of data_transfer_step as input of another step in pipeline
# This will make training_step wait for data_transfer_step to complete
training_input = data_transfer_step.get_output()
training_step = PythonScriptStep(script_name="train.py",
arguments=["--model", training_input],
inputs=[training_input],
compute_target=aml_compute,
source_directory=source_directory)
Pokud chcete vytvořit InputPortBinding objekt s určitým názvem, můžete zkombinovat výstup get_output() s výstupem as_input metod nebo as_mount metody PipelineData.
data_transfer_step = DataTransferStep(name="copy data", ...)
training_input = data_transfer_step.get_output().as_input("my_input_name")
Metody
create_node |
Vytvořte uzel z kroku DataTransfer a přidejte ho do daného grafu. Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předává požadované parametry prostřednictvím této metody, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup. |
get_output |
Získejte výstup kroku jako PipelineData. |
create_node
Vytvořte uzel z kroku DataTransfer a přidejte ho do daného grafu.
Tato metoda není určena k přímému použití. Když se vytvoří instance kanálu pomocí tohoto kroku, Azure ML automaticky předává požadované parametry prostřednictvím této metody, aby se tento krok mohl přidat do grafu kanálu, který představuje pracovní postup.
create_node(graph, default_datastore, context)
Parametry
- default_datastore
- Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]
Výchozí úložiště dat.
- context
- <xref:azureml.pipeline.core._GraphContext>
Kontext grafu.
Návraty
Vytvořený uzel.
Návratový typ
get_output
Získejte výstup kroku jako PipelineData.
get_output()
Návraty
Výstup kroku
Návratový typ
Poznámky
Pokud chcete vytvořit závislost dat mezi kroky, použijte get_output metodu k získání objektu PipelineData , který představuje výstup tohoto kroku přenosu dat a lze ho použít jako vstup pro pozdější kroky v kanálu.
data_transfer_step = DataTransferStep(name="copy data", ...)
# Use output of data_transfer_step as input of another step in pipeline
# This will make training_step wait for data_transfer_step to complete
training_input = data_transfer_step.get_output()
training_step = PythonScriptStep(script_name="train.py",
arguments=["--model", training_input],
inputs=[training_input],
compute_target=aml_compute,
source_directory=source_directory)
Pokud chcete vytvořit InputPortBinding objekt s konkrétním názvem, můžete zkombinovat volání get_output() s pomocnými metodami as_input nebo as_mount .
data_transfer_step = DataTransferStep(name="copy data", ...)
training_input = data_transfer_step.get_output().as_input("my_input_name")
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro