OutputPortBinding Klasa

Definiuje nazwane dane wyjściowe kroku potoku.

Parametr OutputPortBinding może służyć do określenia typu danych, które będą generowane przez krok i sposobu tworzenia danych. Może służyć InputPortBinding do określenia, że dane wyjściowe kroku są wymaganymi danymi wejściowymi innego kroku.

Zainicjuj wartość OutputPortBinding.

Dziedziczenie

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)

Parametry

Nazwa	Opis
name Wymagane	str Nazwa obiektu OutputPortBinding, który może zawierać tylko litery, cyfry i podkreślenia.
datastore	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Magazyn danych, w którym będzie znajdować się element PipelineData. Domyślna wartość: None
output_name	str Nazwa danych wyjściowych, jeśli jest używana nazwa Brak. Może zawierać tylko litery, cyfry i podkreślenia. Domyślna wartość: None
bind_mode	str Określa, czy krok tworzenia będzie używać metody "upload" lub "mount" lub "hdfs" w celu uzyskania dostępu do danych. Domyślna wartość: mount
path_on_compute	str W przypadku trybu "przekazywania" ścieżka modułu zapisuje dane wyjściowe. Domyślna wartość: None
is_directory	bool Czy dane wyjściowe są katalogiem, czy pojedynczym plikiem. Domyślna wartość: None
overwrite	bool W przypadku trybu "przekazywania" określ, czy zastąpić istniejące dane. Domyślna wartość: None
data_type	str Opcjonalny. Typ danych może służyć do określania oczekiwanego typu danych wyjściowych i szczegółowego sposobu korzystania z danych. Może być dowolnym ciągiem zdefiniowanym przez użytkownika. Domyślna wartość: None
pipeline_output_name	str Jeśli te dane wyjściowe będą dostępne przy użyciu PipelineRun.get_pipeline_output(). Nazwy danych wyjściowych potoku muszą być unikatowe w potoku. Domyślna wartość: None
training_output	TrainingOutput Definiuje dane wyjściowe dla wyniku trenowania. Jest to wymagane tylko w przypadku określonych szkoleń, które powodują różne rodzaje danych wyjściowych, takich jak metryki i model. Na przykład AutoMLStep wyniki w metrykach i modelu. Można również zdefiniować konkretną iterację trenowania lub metryki używane do uzyskania najlepszego modelu. W przypadku HyperDriveStepprogramu można również zdefiniować określone pliki modelu, które mają zostać uwzględnione w danych wyjściowych. Domyślna wartość: None
dataset_registration	DatasetRegistration Opcjonalny. Jest to parametr wewnętrzny. Zamiast tego należy używać PipelineData.as_dataset. Domyślna wartość: None
dataset_output	OutputDatasetConfig Opcjonalny. Jest to parametr wewnętrzny. Należy użyć polecenia OutputFileDatasetConfig intead. Domyślna wartość: None
name Wymagane	str Nazwa obiektu OutputPortBinding, który może zawierać tylko litery, cyfry i podkreślenia.
datastore Wymagane	Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore] Magazyn danych, w którym będzie znajdować się element PipelineData.
output_name Wymagane	str Nazwa danych wyjściowych, jeśli jest używana nazwa Brak. Może zawierać tylko litery, cyfry i podkreślenia.
bind_mode Wymagane	str Określa, czy krok tworzenia będzie używać metody "upload" lub "mount" lub "hdfs" w celu uzyskania dostępu do danych.
path_on_compute Wymagane	str W przypadku trybu "przekazywania" ścieżka modułu zapisuje dane wyjściowe.
is_directory Wymagane	bool jeśli dane wyjściowe są katalogiem
overwrite Wymagane	bool W przypadku trybu "przekazywania" określ, czy zastąpić istniejące dane.
data_type Wymagane	str Opcjonalny. Typ danych może służyć do określania oczekiwanego typu danych wyjściowych i szczegółowego sposobu korzystania z danych. Może być dowolnym ciągiem zdefiniowanym przez użytkownika.
pipeline_output_name Wymagane	str Jeśli te dane wyjściowe będą dostępne przy użyciu PipelineRun.get_pipeline_output(). Nazwy danych wyjściowych potoku muszą być unikatowe w potoku.
training_output Wymagane	TrainingOutput Definiuje dane wyjściowe dla wyniku trenowania. Jest to wymagane tylko w przypadku określonych szkoleń, które powodują różne rodzaje danych wyjściowych, takich jak metryki i model. Na przykład AutoMLStep wyniki w metrykach i modelu. Można również zdefiniować konkretną iterację trenowania lub metryki używane do uzyskania najlepszego modelu. W przypadku HyperDriveStepprogramu można również zdefiniować określone pliki modelu, które mają zostać uwzględnione w danych wyjściowych.
dataset_registration Wymagane	DatasetRegistration Opcjonalny. Jest to parametr wewnętrzny. Zamiast tego należy używać PipelineData.as_dataset.
dataset_output Wymagane	OutputDatasetConfig Opcjonalny. Jest to parametr wewnętrzny. Należy użyć polecenia OutputFileDatasetConfig intead.

Uwagi

Parametr OutputPortBinding może być używany w podobny sposób, jak PipelineData podczas tworzenia potoku w celu określenia danych wejściowych i wyjściowych kroków. Różnica polega na tym, że parametr OutputPortBinding musi być używany z elementem InputPortBinding , aby można było go użyć jako danych wejściowych w innym kroku.

Przykład tworzenia potoku za pomocą elementu OutputPortBinding jest następujący:

   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])

Spowoduje to utworzenie potoku z dwoma krokami. Krok procesu zostanie wykonany najpierw, a następnie po jego zakończeniu zostanie wykonany krok trenowania. Usługa Azure ML udostępni dane wyjściowe wygenerowane przez krok procesu, zgodnie z opisem w obiekcie OutputPortBinding, do kroku trenowania.

Atrybuty

bind_mode

Pobierz tryb ("upload" lub "mount" lub "hdfs"), krok tworzenia będzie używany do utworzenia danych.

Zwraca

Typ	Opis
str	Tryb powiązania.

data_type

Pobierz typ danych, które zostaną wygenerowane.

Zwraca

Typ	Opis
str	Nazwa typu danych.

dataset_registration

Pobierz informacje o rejestracji zestawu danych.

Zwraca

Typ	Opis
DatasetRegistration	Informacje o rejestracji zestawu danych.

datastore

Magazyn danych, w którym będzie znajdować się element PipelineData.

Zwraca

Typ	Opis
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]	Obiekt Magazynu danych.

is_directory

Czy dane wyjściowe są katalogiem.

Zwraca

Typ	Opis
bool	is_directory

name

Nazwa obiektu OutputPortBinding.

Zwraca

Typ	Opis
str	Nazwa.

overwrite

W przypadku trybu "przekazywania" wskaż, czy zastąpić istniejące dane.

Zwraca

Typ	Opis
bool	_Zastąpić

path_on_compute

W przypadku trybu "przekazywania" ścieżka modułu zapisuje dane wyjściowe.

Zwraca

Typ	Opis
str	path_on_compute

pipeline_output_name

Pobierz nazwę danych wyjściowych potoku odpowiadających temu outputPortBinding.

Zwraca

Typ	Opis
str	Nazwa danych wyjściowych potoku.

training_output

Uzyskaj dane wyjściowe trenowania.

Zwraca

Typ	Opis
TrainingOutput	Dane wyjściowe trenowania