PipelineParameter Kelas

  • Referensi

Menentukan parameter dalam eksekusi alur.

Gunakan PipelineParameters untuk membangun Alur serbaguna yang dapat dikirim ulang nanti dengan nilai parameter yang bervariasi.

Menginisialisasi parameter alur.

Warisan
builtins.object
PipelineParameter

Konstruktor

PipelineParameter(name, default_value)

Parameter

Nama Deskripsi
name
Diperlukan
str

Nama parameter alur.
default_value
Diperlukan
Union[int, str, bool, float, DataPath, PipelineDataset, FileDataset, TabularDataset]

Nilai default dari parameter alur.
name
Diperlukan
str

Nama parameter alur.
default_value
Diperlukan
Union[int, str, bool, float, DataPath, PipelineDataset, FileDataset, TabularDataset]

Nilai default dari parameter alur.

Keterangan

PipelineParameters dapat ditambahkan ke langkah apa pun saat membuat Alur. Saat Alur dikirimkan, nilai parameter ini dapat ditentukan.

Contoh menambahkan PipelineParameter ke langkah adalah sebagai berikut:


   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)

Dalam contoh ini, PipelineParameter dengan nama "pipeline_arg" ditambahkan ke argumen PythonScriptStep. Saat skrip Python dijalankan, nilai PipelineParameter akan diberikan melalui argumen baris perintah. PipelineParameter ini juga dapat ditambahkan ke langkah lain di Alur untuk memberikan nilai umum ke beberapa langkah di Alur. Alur dapat memiliki beberapa PipelineParameters yang ditentukan.

Untuk mengirimkan Alur ini dan menentukan nilai untuk PipelineParameter "pipeline_arg", gunakan:


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

Catatan: jika "pipeline_arg" tidak ditentukan dalam kamus pipeline_parameters, nilai default PipelineParameter yang diberikan saat Alur dibangun akan digunakan (dalam kasus ini nilai default yang diberikan adalah "default_val").

Parameter multi-baris tidak dapat digunakan sebagai PipelineParameters.

PipelineParameters juga dapat digunakan dengan DataPath dan DataPathComputeBinding untuk menentukan input langkah. Hal ini memungkinkan Alur dijalankan dengan data input yang bervariasi.

Contoh dalam menggunakan DataPath dengan PipelineParameters adalah sebagai berikut:


   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)

Dalam kasus ini, nilai default parameter "input_data" merujuk ke file di "workspaceblobstore" bernama "input_data". Jika Alur dikirimkan tanpa menentukan nilai untuk PipelineParameter ini, nilai default akan digunakan. Untuk mengirimkan Alur ini dan menentukan nilai untuk PipelineParameter "input_data", gunakan:


   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})