Schéma YAML du composant de pipeline CLI (v2)
S’APPLIQUE À : 
Extension ml Azure CLI v2 (actuelle)
Le schéma JSON source se trouve à l’adresse https://azuremlschemas.azureedge.net/latest/pipelineComponent.schema.json.
Notes
La syntaxe YAML détaillée dans ce document est basée sur le schéma JSON pour la dernière version de l’extension ML CLI v2. Le fonctionnement de cette syntaxe est garanti uniquement avec la dernière version de l’extension ML CLI v2. Vous trouverez les schémas des versions d’extension plus anciennes sur https://azuremlschemasprod.azureedge.net/.
Syntaxe YAML
| Clé | Type | Description | Valeurs autorisées | Valeur par défaut |
|---|---|---|---|---|
$schema |
string | Schéma YAML. Si vous utilisez l’extension VS Code d’Azure Machine Learning pour créer le fichier YAML, en incluant $schema en haut de votre fichier, vous pouvez appeler des complétions de schémas et de ressources. |
||
type |
const | Le type de composant. | pipeline |
pipeline |
name |
string | Obligatoire. Nom du composant. Doit commencer par une lettre minuscule. Les caractères autorisés sont des lettres minuscules, des chiffres et des traits de soulignement (_). La longueur maximale est de 255 caractères. | ||
version |
string | Numéro de version du composant. En cas d’omission, Azure Machine Learning génère automatiquement une version. | ||
display_name |
string | Nom complet du composant dans l’interface utilisateur de Studio. Il peut être non unique dans l’espace de travail. | ||
description |
string | Description du composant. | ||
tags |
object | Dictionnaire d’étiquettes pour le composant. | ||
jobs |
object | Obligatoire. Dictionnaire de l’ensemble des tâches individuelles à exécuter en tant qu’étapes dans le pipeline. Ces tâches sont considérées comme des tâches enfants du travail de pipeline parent. La clé est le nom de l’étape dans le contexte du travail de pipeline. Ce nom est différent du nom de travail unique du travail enfant. La valeur est la spécification du travail, qui peut suivre le schéma du travail de commande ou le schéma du travail de balayage. Actuellement, seuls les travaux de commande et les travaux de balayage peuvent être exécutés dans un pipeline. |
||
inputs |
object | Dictionnaire d’entrées du travail de pipeline. La clé est un nom pour l’entrée dans le contexte du travail et la valeur est la valeur d’entrée. Ces entrées de pipeline peuvent être référencées par les entrées d’un travail d’étape individuel dans le pipeline à l’aide de l’expression ${{ parent.inputs.<input_name> }}. Pour plus d’informations sur la liaison des entrées d’une étape de pipeline aux entrées du travail de pipeline de niveau supérieur, consultez la syntaxe d’expression pour les entrées de liaison et les sorties entre les étapes d’un travail de pipeline. |
||
inputs.<input_name> |
nombre, entier, booléen, chaîne ou objet | Une valeur littérale (de type nombre, entier, booléen ou chaîne) ou un objet contenant une spécification de données d’entrée de composant. | ||
outputs |
object | Dictionnaire des configurations de sortie du travail de pipeline. La clé est un nom pour l’entrée dans le contexte du travail et la valeur est la configuration de sortie. Ces sorties de pipeline peuvent être référencées par les sorties d’un travail d’étape individuel dans le pipeline à l’aide de l’expression ${{ parents.outputs.<output_name> }}. Pour plus d’informations sur la liaison des entrées d’une étape de pipeline aux entrées du travail de pipeline de niveau supérieur, consultez la syntaxe d’expression pour les entrées de liaison et les sorties entre les étapes d’un travail de pipeline. |
||
outputs.<output_name> |
object | Vous pouvez laisser l’objet vide. Dans ce cas, par défaut, la sortie sera de type uri_folder et Azure Machine Learning générera un emplacement de sortie pour la sortie en fonction du modèle de chemin d’accès suivant : {settings.datastore}/azureml/{job-name}/{output-name}/. Les fichiers dans le répertoire de sortie sont écrits via le montage en lecture-écriture. Si vous souhaitez spécifier un mode différent pour la sortie, fournissez un objet contenant la spécification de sortie du composant. |
Entrée du composant
| Clé | Type | Description | Valeurs autorisées | Valeur par défaut |
|---|---|---|---|---|
type |
string | Obligatoire. Type d’entrée du composant. En savoir plus sur l’accès aux données | number, integer, boolean, string, uri_file, uri_folder, mltable, mlflow_model, custom_model |
|
description |
string | Description de l’entrée. | ||
default |
nombre, entier, booléen ou chaîne | Valeur par défaut de l’entrée. | ||
optional |
boolean | Indique si l’entrée est requise. Si la valeur est définie sur true, vous devez utiliser la commande qui inclut des entrées facultatives avec $[[]] |
false |
|
min |
entier ou nombre | Valeur minimale acceptée pour l’entrée. Ce champ ne peut être spécifié que si le champ type est number ou integer. |
||
max |
entier ou nombre | Valeur maximale acceptée pour l’entrée. Ce champ ne peut être spécifié que si le champ type est number ou integer. |
||
enum |
tableau | Liste des valeurs autorisées pour l’entrée. Uniquement applicable si le champ type est string. |
Sortie du composant
| Clé | Type | Description | Valeurs autorisées | Valeur par défaut |
|---|---|---|---|---|
type |
string | Obligatoire. Type de sortie du composant. | uri_file, uri_folder, mltable, mlflow_model, custom_model |
|
description |
string | Description de la sortie. |
Remarques
La commande az ml component peut être utilisée pour gérer les composants Azure Machine Learning.
Exemples
Des exemples sont disponibles dans le référentiel d’exemples GitHub.