Bileşenler ve işlem hatları için girişleri ve çıkışları yönetme

Azure Machine Learning işlem hatları hem bileşen hem de işlem hattı düzeylerinde girişleri ve çıkışları destekler. Bu makalede işlem hattı ve bileşen girişleri ile çıkışları ve bunların nasıl yönetileceğini açıklanmaktadır.

Bileşen düzeyinde girişler ve çıkışlar bileşen arabirimini tanımlar. Bir bileşenin çıkışını aynı üst işlem hattındaki başka bir bileşen için giriş olarak kullanabilir ve bileşenler arasında veri veya modellerin geçirilmesini sağlayabilirsiniz. Bu bağlantı, işlem hattı içindeki veri akışını temsil eder.

İşlem hattı düzeyinde, giriş ve çıkışları kullanarak farklı veri girişlerine veya parametrelerine sahip işlem hattı işlerini gönderebilirsiniz.learning_rate Girişler ve çıkışlar özellikle BIR REST uç noktası aracılığıyla işlem hattı çağırdığınızda kullanışlıdır. İşlem hattı girişine farklı değerler atayabilir veya farklı işlem hattı işlerinin çıkışına erişebilirsiniz. Daha fazla bilgi için bkz . Toplu iş uç noktaları için iş ve giriş verileri oluşturma.

Giriş ve çıkış türleri

Aşağıdaki türler, bileşenlerin veya işlem hatlarının hem girişleri hem de çıkışları olarak desteklenir:

• Veri türleri. Daha fazla bilgi için bkz. Veri türleri.

  • uri_file
  • uri_folder
  • mltable

• Model türleri.

  • mlflow_model
  • custom_model

Aşağıdaki ilkel türler yalnızca girişler için de desteklenir:

• İlkel türler
  • string
  • number
  • integer
  • boolean

Temel tür çıkışı desteklenmez.

Örnek girişler ve çıkışlar

Bu örnekler, Azure Machine Learning örnekleri GitHub deposundaki NYC Taxi Data Regression işlem hattından alınmaktadır.

• Tren bileşeni adlı test_split_ratiobir number girişe sahiptir.
• Hazırlık bileşeninin bir uri_folder tür çıkışı vardır. Bileşen kaynak kodu giriş klasöründen CSV dosyalarını okur, dosyaları işler ve işlenen CSV dosyalarını çıkış klasörüne yazar.
• Tren bileşeni bir mlflow_model tür çıkışına sahiptir. Bileşen kaynak kodu, yöntemini kullanarak mlflow.sklearn.save_model eğitilen modeli kaydeder.

Çıktı serileştirme

Veri veya model çıkışlarının kullanılması çıkışları seri hale getirir ve bunları bir depolama konumuna dosya olarak kaydeder. Sonraki adımlar, bu depolama konumunu takarak veya dosyaları indirerek veya işlem dosya sistemine yükleyerek iş yürütme sırasında dosyalara erişebilir.

Bileşen kaynak kodu genellikle bellekte depolanan çıkış nesnesini dosyalar halinde seri hale getirmelidir. Örneğin, bir pandas veri çerçevesini CSV dosyasında seri hale getirebilirsiniz. Azure Machine Learning, nesne serileştirme için standartlaştırılmış yöntem tanımlamaz. Nesneleri dosyalar halinde seri hale getirmek için tercih ettiğiniz yöntemleri seçme esnekliğine sahipsiniz. Aşağı akış bileşeninde, bu dosyaların seri durumdan çıkarılıp okunmasını seçebilirsiniz.

Veri türü giriş ve çıkış yolları

Veri varlığı girişleri ve çıkışları için veri konumuna işaret eden bir yol parametresi belirtmeniz gerekir. Aşağıdaki tabloda, parametre örnekleriyle birlikte path Azure Machine Learning işlem hattı giriş ve çıkışları için desteklenen veri konumları gösterilmektedir.

Konum	Girdi	Çıktı	Örnek
Yerel bilgisayarınızdaki bir yol	✓		./home/<username>/data/my_data
Ortak http/s sunucusundaki bir yol	✓		https://raw.githubusercontent.com/pandas-dev/pandas/main/doc/data/titanic.csv
Azure Depolama'da bir yol	*		wasbs://<container_name>@<account_name>.blob.core.windows.net/<path> veya abfss://<file_system>@<account_name>.dfs.core.windows.net/<path>
Azure Machine Learning veri deposundaki yol	✓	✓	azureml://datastores/<data_store_name>/paths/<path>
Veri varlığının yolu	✓	✓	azureml:my_data:<version>

* Verileri okumak için ek kimlik yapılandırması gerekebileceğinden giriş için Azure Depolama'nın doğrudan kullanılması önerilmez. Çeşitli işlem hattı iş türlerinde desteklenen Azure Machine Learning veri deposu yollarını kullanmak daha iyidir.

Veri türü giriş ve çıkış modları

Veri türü girişleri ve çıkışları için, işlem hedefinin verilere nasıl erişeceğini tanımlamak için çeşitli indirme, karşıya yükleme ve bağlama modlarından birini seçebilirsiniz. Aşağıdaki tabloda farklı giriş ve çıkış türleri için desteklenen modlar gösterilmektedir.

Tür	upload	download	ro_mount	rw_mount	direct	eval_download	eval_mount
uri_folder girdi		✓	✓		✓
uri_file girdi		✓	✓		✓
mltable girdi		✓	✓		✓	✓	✓
uri_folder çıktı	✓			✓
uri_file çıktı	✓			✓
mltable çıktı	✓			✓	✓

Veya ro_mount rw_mount modları çoğu durumda önerilir. Daha fazla bilgi için bkz . Modlar.

İşlem hattı grafiklerindeki girişler ve çıkışlar

Azure Machine Learning stüdyosu'daki işlem hattı işi sayfasında, bileşen girişleri ve çıkışları giriş/çıkış bağlantı noktaları olarak adlandırılan küçük daireler olarak görünür. Bu bağlantı noktaları işlem hattındaki veri akışını temsil eder. İşlem hattı düzeyi çıkışı, kolay tanımlama için mor kutularda görüntülenir.

NYC Taxi Veri Regresyon işlem hattı grafiğinin aşağıdaki ekran görüntüsünde birçok bileşen ve işlem hattı girişi ve çıkışı gösterilmektedir.

Bir giriş/çıkış bağlantı noktasının üzerine geldiğinizde, tür görüntülenir.

İşlem hattı grafı ilkel tür girişlerini görüntülemez. Bu girişler, işlem hattı düzeyinde girişler için işlem hattı İşine genel bakış panelinin Ayarlar sekmesinde veya bileşen düzeyi girişleri için bileşen panelinde görünür. Bileşen panelini açmak için grafikteki bileşene çift tıklayın.

Studio Designer'da bir işlem hattını düzenlediğinizde işlem hattı girişleri ve çıkışları İşlem hattı arabirim panelinde, bileşen girişleri ve çıkışları ise bileşen panelinde yer alır.

Bileşen girişlerini/çıkışlarını işlem hattı düzeyine yükseltme

Bir bileşenin giriş/çıkışını işlem hattı düzeyine yükseltme, işlem hattı işi gönderdiğinizde bileşenin giriş/çıkışının üzerine yazmanıza olanak tanır. Bu özellik özellikle REST uç noktalarını kullanarak işlem hatlarını tetiklemede kullanışlıdır.

Aşağıdaki örneklerde bileşen düzeyi girişlerinin/çıkışlarının işlem hattı düzeyi girişlerine/çıkışlarına nasıl yükseltilebilecekleri gösterilmektedir.

Azure CLI

Aşağıdaki işlem hattı, üç girişi ve üç çıkışı işlem hattı düzeyine yükseltmektedir. Örneğin, pipeline_job_training_max_epocs kök düzeyindeki bölümü altında inputs bildirildiği için işlem hattı düzeyi girişidir.

train_job jobs bölümünde altında adlı max_epocs girişe olarak ${{parent.inputs.pipeline_job_training_max_epocs}}başvurulur, yani train_job'nin max_epocs girişi işlem hattı düzeyindeki pipeline_job_training_max_epocs girişe başvurur. İşlem hattı çıkışı aynı şema kullanılarak yükseltilir.

$schema: https://azuremlschemas.azureedge.net/latest/pipelineJob.schema.json
type: pipeline
display_name: 1b_e2e_registered_components
description: E2E dummy train-score-eval pipeline with registered components

inputs:
  pipeline_job_training_max_epocs: 20
  pipeline_job_training_learning_rate: 1.8
  pipeline_job_learning_rate_schedule: 'time-based'

outputs: 
  pipeline_job_trained_model:
    mode: upload
  pipeline_job_scored_data:
    mode: upload
  pipeline_job_evaluation_report:
    mode: upload

settings:
 default_compute: azureml:cpu-cluster

jobs:
  train_job:
    type: command
    component: azureml:my_train@latest
    inputs:
      training_data: 
        type: uri_folder 
        path: ./data      
      max_epocs: ${{parent.inputs.pipeline_job_training_max_epocs}}
      learning_rate: ${{parent.inputs.pipeline_job_training_learning_rate}}
      learning_rate_schedule: ${{parent.inputs.pipeline_job_learning_rate_schedule}}
    outputs:
      model_output: ${{parent.outputs.pipeline_job_trained_model}}
    services:
      my_vscode:
        type: vs_code
      my_jupyter_lab:
        type: jupyter_lab
      my_tensorboard:
        type: tensor_board
        log_dir: "outputs/tblogs"
    #  my_ssh:
    #    type: tensor_board
    #    ssh_public_keys: <paste the entire pub key content>
    #    nodes: all # Use the `nodes` property to pick which node you want to enable interactive services on. If `nodes` are not selected, by default, interactive applications are only enabled on the head node.

  score_job:
    type: command
    component: azureml:my_score@latest
    inputs:
      model_input: ${{parent.jobs.train_job.outputs.model_output}}
      test_data: 
        type: uri_folder 
        path: ./data
    outputs:
      score_output: ${{parent.outputs.pipeline_job_scored_data}}

  evaluate_job:
    type: command
    component: azureml:my_eval@latest
    inputs:
      scoring_result: ${{parent.jobs.score_job.outputs.score_output}}
    outputs:
      eval_output: ${{parent.outputs.pipeline_job_evaluation_report}}

Tam örneği , kayıtlı bileşenlere sahip train-score-eval işlem hattında Azure Machine Learning örnekleri deposunda bulabilirsiniz.

Python SDK'sı

Aşağıdaki kod örneği işlem hattını tanımlar nyc_taxi_data_regression . İşlem hattı bir giriş pipeline_job_inputalır ve deyiminde return tanımlandığı gibi altı çıkış oluşturur. İşlem hattı çıkışları, örneğin prepare_sample_data.outputs.prep_dataşeması <step_name.outputs.output_name>kullanılarak alt bileşenden yükseltilir.

Uçtan uca not defterini NYC taksi veri regresyonunda Azure Machine Learning örnekleri deposunda bulabilirsiniz.

# import required libraries
from azure.identity import DefaultAzureCredential

from azure.ai.ml import MLClient, Input
from azure.ai.ml.dsl import pipeline
from azure.ai.ml import load_component

# set subscription, resource group, and workspace name:
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

# connect to the AzureML workspace
ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

# define the directory that stores the input data 
parent_dir = ""

# load components
prepare_data = load_component(source=parent_dir + "./prep.yml")
transform_data = load_component(source=parent_dir + "./transform.yml")
train_model = load_component(source=parent_dir + "./train.yml")
predict_result = load_component(source=parent_dir + "./predict.yml")
score_data = load_component(source=parent_dir + "./score.yml")

# construct pipeline
@pipeline()
def nyc_taxi_data_regression(pipeline_job_input):
    """NYC taxi data regression example."""
    prepare_sample_data = prepare_data(raw_data=pipeline_job_input)
    transform_sample_data = transform_data(
        clean_data=prepare_sample_data.outputs.prep_data
    )
    train_with_sample_data = train_model(
        training_data=transform_sample_data.outputs.transformed_data
    )
    predict_with_sample_data = predict_result(
        model_input=train_with_sample_data.outputs.model_output,
        test_data=train_with_sample_data.outputs.test_data,
    )
    score_with_sample_data = score_data(
        predictions=predict_with_sample_data.outputs.predictions,
        model=train_with_sample_data.outputs.model_output,
    )
    return {
        "pipeline_job_prepped_data": prepare_sample_data.outputs.prep_data,
        "pipeline_job_transformed_data": transform_sample_data.outputs.transformed_data,
        "pipeline_job_trained_model": train_with_sample_data.outputs.model_output,
        "pipeline_job_test_data": train_with_sample_data.outputs.test_data,
        "pipeline_job_predictions": predict_with_sample_data.outputs.predictions,
        "pipeline_job_score_report": score_with_sample_data.outputs.score_report,
    }
# define pipeline job
pipeline_job = nyc_taxi_data_regression(
    Input(type="uri_folder", path=parent_dir + "./data/")
)
# demo how to change pipeline output settings
pipeline_job.outputs.pipeline_job_prepped_data.mode = "rw_mount"

# set pipeline level compute
pipeline_job.settings.default_compute = "cpu-cluster"
# set pipeline level datastore
pipeline_job.settings.default_datastore = "workspaceblobstore"

Studio Kullanıcı Arabirimi

Bir bileşenin girişini stüdyo Tasarımcısı yazma sayfasında işlem hattı düzeyi girişine yükseltebilirsiniz.

1. Bileşene çift tıklayarak bileşenin ayarlar panelini açın.

2. Yükseltmek istediğiniz girişin yanındaki ... öğesini seçin.

3. İşlem hattı girişine ekle'yi seçin.

   

İsteğe bağlı girişleri tanımlama

Varsayılan olarak, tüm girişler gereklidir ve varsayılan bir değere sahip olmalıdır veya her işlem hattı işi gönderdiğinizde bir değer atanmalıdır. Ancak, isteğe bağlı bir giriş tanımlayabilirsiniz.

Not

İsteğe bağlı çıkışlar desteklenmez.

İsteğe bağlı girişleri ayarlamak iki senaryoda yararlı olabilir:

• İsteğe bağlı bir veri/model türü girişi tanımlarsanız ve işlem hattı işini gönderirken buna değer atamazsanız, işlem hattı bileşeninde bu veri bağımlılığı yoktur. Bileşenin giriş bağlantı noktası herhangi bir bileşene veya veri/model düğümüne bağlı değilse, işlem hattı önceki bir bağımlılığı beklemek yerine bileşeni doğrudan çağırır.

• İşlem hattı için ayarlar continue_on_step_failure = True ancak öğesinden node2 node1gerekli girişi kullanırsanız, başarısız olursa node1 yürütülmüyor.node2 Giriş isteğe bağlıysa node1 , node2 başarısız olsa node1 bile yürütülür. Aşağıdaki grafikte bu senaryo gösterilmektedir.

  

Azure CLI / Python SDK'sı

Aşağıdaki kod örneğinde isteğe bağlı girişin nasıl tanımlanacağı gösterilmektedir. Giriş olarak optional = trueayarlandığında, örneğin vurgulanan satırlarında olduğu gibi komut satırı girişlerini benimsemek için komutunu kullanmanız $[[]] gerekir.

$schema: https://azuremlschemas.azureedge.net/latest/commandComponent.schema.json
name: train_data_component_cli
display_name: train_data
description: A example train component
tags:
  author: azureml-sdk-team
type: command
inputs:
  training_data: 
    type: uri_folder
  max_epocs:
    type: integer
    optional: true
  learning_rate: 
    type: number
    default: 0.01
    optional: true
  learning_rate_schedule: 
    type: string
    default: time-based
    optional: true
outputs:
  model_output:
    type: uri_folder
code: ./train_src
environment: azureml://registries/azureml/environments/sklearn-1.5/labels/latest
command: >-
  python train.py 
  --training_data ${{inputs.training_data}} 
  $[[--max_epocs ${{inputs.max_epocs}}]]
  $[[--learning_rate ${{inputs.learning_rate}}]]
  $[[--learning_rate_schedule ${{inputs.learning_rate_schedule}}]]
  --model_output ${{outputs.model_output}}

Studio Kullanıcı Arabirimi

İşlem hattı grafiğinde, noktalı daireler isteğe bağlı veri veya model türlerinin girişlerini temsil eder. İlkel türlerdeki isteğe bağlı girişler Ayarlar sekmesindedir. Gerekli girişlerden farklı olarak, isteğe bağlı girişlerin yanında zorunlu olmadığını belirten bir yıldız işareti yoktur.

Çıkış yollarını özelleştirme

Varsayılan olarak, bileşen çıkışı işlem hattı azureml://datastores/${{default_datastore}}/paths/${{name}}/${{output_name}}için ayarladığınız içinde {default_datastore} depolanır. Ayarlanmadıysa, varsayılan değer çalışma alanı blob depolama alanıdır.

İş {name} , iş yürütme zamanında çözümlenir ve {output_name} YAML bileşeninde tanımladığınız addır. Çıkış yolunu tanımlayarak çıkışın depolandığı yeri özelleştirebilirsiniz.

Azure CLI

Kayıtlı bileşenlere sahip train-score-eval işlem hattındaki pipeline.yml dosyası, üç işlem hattı düzeyinde çıkışı olan bir işlem hattı tanımlar. Çıktı için özel çıkış yolları ayarlamak için pipeline_job_trained_model aşağıdaki komutu kullanabilirsiniz.

# define the custom output path using datastore uri
# add relative path to your blob container after "azureml://datastores/<datastore_name>/paths"
output_path="azureml://datastores/{datastore_name}/paths/{relative_path_of_container}"  

# create job and define path using --outputs.<outputname>
az ml job create -f ./pipeline.yml --set outputs.pipeline_job_trained_model.path=$output_path  

Python SDK'sı

Çıkış yollarının nasıl özelleştirildiğini gösteren aşağıdaki kod, command_component düzenlenmiş python işlevi not defteriyle derleme işlem hattından alınmaktadır.

cluster_name = "cpu-cluster"
custom_path = "azureml://datastores/workspaceblobstore/paths/custom_path/${{name}}/"

# define a pipeline with component
@pipeline(default_compute=cluster_name)
def pipeline_with_python_function_components(input_data, test_data, learning_rate):
    """E2E dummy train-score-eval pipeline with components defined via python function components"""

    # Call component obj as function: apply given inputs & parameters to create a node in pipeline
    train_with_sample_data = train_model(
        training_data=input_data, max_epochs=5, learning_rate=learning_rate
    )
    score_with_sample_data = score_data(
        model_input=train_with_sample_data.outputs.model_output,
        test_data=test_data,
        model_file=train_with_sample_data.outputs.output,
    )
    # example how to change path of output on step level,
    # please note if the output is promoted to pipeline level you need to change path in pipeline job level
    score_with_sample_data.outputs.score_output = Output(
        type="uri_folder", mode="rw_mount", path=custom_path
    )
    eval_with_sample_data = eval_model(
        scoring_result=score_with_sample_data.outputs.score_output,
        scoring_file=score_with_sample_data.outputs.output,
    )

    # Return: pipeline outputs
    return {
        "eval_output": eval_with_sample_data.outputs.eval_output,
        "model_output": train_with_sample_data.outputs.model_output,
    }


pipeline_job = pipeline_with_python_function_components(
    input_data=Input(
        path="wasbs://demo@dprepdata.blob.core.windows.net/Titanic.csv", type="uri_file"
    ),
    test_data=Input(
        path="wasbs://demo@dprepdata.blob.core.windows.net/Titanic.csv", type="uri_file"
    ),
    learning_rate=0.1,
)
# example how to change path of output on pipeline level
pipeline_job.outputs.model_output = Output(
    type="uri_folder", mode="rw_mount", path=custom_path
)

Studio Kullanıcı Arabirimi

Bir işlem hattının Tasarımcı İşlem Hattı arabiriminde veya bir bileşenin bileşen panelinde, özel yol belirtmek için Ayarlar sekmesindeki Çıkışlar'ı genişletin.

Çıkışları indirme

Çıkışları işlem hattı veya bileşen düzeyinde indirebilirsiniz.

İşlem hattı düzeyi çıkışlarını indirme

Azure CLI

Bir işin tüm çıkışlarını indirebilir veya belirli bir çıkışı indirebilirsiniz.

# Download all the outputs of the job
az ml job download --all -n <JOB_NAME> -g <RESOURCE_GROUP_NAME> -w <WORKSPACE_NAME> --subscription <SUBSCRIPTION_ID>

# Download a specific output
az ml job download --output-name <OUTPUT_PORT_NAME> -n <JOB_NAME> -g <RESOURCE_GROUP_NAME> -w <WORKSPACE_NAME> --subscription <SUBSCRIPTION_ID>

Python SDK'sı

İlk olarak, çalışma alanınıza başvurmak için tanıtıcı olarak oluşturun ve başlatın ml_client . Daha fazla bilgi için bkz . Çalışma alanında tanıtıcı oluşturma.

# Set your subscription, resource group and workspace name:
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

# connect to the AzureML workspace
ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

bir işin tüm çıkışlarını indirin veya belirli bir çıktıyı indirin.

# Download all the outputs of the job
output = client.jobs.download(name=job.name, download_path=tmp_path, all=True)

# Download specific output
output = client.jobs.download(name=job.name, download_path=tmp_path, output_name=output_port_name)

Studio Kullanıcı Arabirimi

İş ayrıntıları sayfasının Çıkışlar + günlükler sekmesinde:

• Tüm çıkışları indirmek için üstteki menüden Tümünü indir'i seçin.
• Belirli bir çıkışı indirmek için dosyanın yanındaki ... öğesini seçin ve bağlam menüsünden İndir'i seçin.

Bileşen çıkışlarını indirme

Azure CLI

Bir alt bileşenin çıkışlarını indirmek için önce işlem hattı işinin tüm alt işlerini listeleyin ve ardından çıkışları indirmek için benzer kodu kullanın.

# List all child jobs in the job and print job details in table format
az ml job list --parent-job-name <JOB_NAME> -g <RESOURCE_GROUP_NAME> -w <WORKSPACE_NAME> --subscription <SUBSCRIPTION_ID> -o table

# Select the desired child job name to download output
az ml job download --all -n <JOB_NAME> -g <RESOURCE_GROUP_NAME> -w <WORKSPACE_NAME> --subscription <SUBSCRIPTION_ID>

Python SDK'sı

İlk olarak, çalışma alanınıza başvurmak için tanıtıcı olarak oluşturun ve başlatın ml_client . Daha fazla bilgi için bkz . Çalışma alanında tanıtıcı oluşturma.

# Set your subscription, resource group and workspace name:
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"
workspace = "<AML_WORKSPACE_NAME>"

# connect to the AzureML workspace
ml_client = MLClient(
    DefaultAzureCredential(), subscription_id, resource_group, workspace
)

Bir alt bileşenin çıkışlarını indirmek için önce işlem hattı işinin tüm alt işlerini listeleyin ve ardından çıkışları indirmek için benzer kodu kullanın.

# List all child jobs in the job
child_jobs = client.jobs.list(parent_job_name=job.name)

# Traverse and download all the outputs of child job
for child_job in child_jobs:
    client.jobs.download(name=child_job.name, all=True)

Studio Kullanıcı Arabirimi

Bir bileşenin bileşen panelinin Çıkışlar + günlükler sekmesinde Tümünü indir'i seçin.

Çıkışı adlandırılmış varlık olarak kaydetme

Bir bileşen veya işlem hattının çıkışını, çıkışa ve version atayarak name adlandırılmış varlık olarak kaydedebilirsiniz. Kayıtlı varlık, çalışma alanınızda stüdyo kullanıcı arabirimi, CLI veya SDK aracılığıyla listelenebilir ve gelecekteki çalışma alanı işlerinde başvurulabilir.

İşlem hattı düzeyi çıkışını kaydetme

Azure CLI

display_name: register_pipeline_output
type: pipeline
jobs:
  node:
    type: command
    inputs:
      component_in_path:
        type: uri_file
        path: https://dprepdata.blob.core.windows.net/demo/Titanic.csv
    component: ../components/helloworld_component.yml
    outputs:
      component_out_path: ${{parent.outputs.component_out_path}}
outputs:
  component_out_path:
    type: mltable
    name: pipeline_output  # Define name and version to register pipeline output
    version: '1'
settings:
  default_compute: azureml:cpu-cluster

Python SDK'sı

from azure.ai.ml import dsl, Output

# Load component functions
components_dir = "./components/"
helloworld_component = load_component(source=f"{components_dir}/helloworld_component.yml")

@pipeline()
def register_pipeline_output():
  # Call component obj as function: apply given inputs & parameters to create a node in pipeline
  node = helloworld_component(component_in_path=Input(
    type='uri_file', path='https://dprepdata.blob.core.windows.net/demo/Titanic.csv'))

  return {
      'component_out_path': node.outputs.component_out_path
  }

pipeline = register_pipeline_output()
# Define name and version to register pipeline output
pipeline.settings.default_compute = "azureml:cpu-cluster"
pipeline.outputs.component_out_path.name = 'pipeline_output'
pipeline.outputs.component_out_path.version = '1'

Studio Kullanıcı Arabirimi

İşlem hattı işinin Genel Bakış sekmesinde Girişler veya Çıkışlar'ın altında bir Veri varlığı bağlantısı seçin. Veri varlığı sayfasında Kaydet'i seçin.

Bileşen çıkışını kaydetme

Azure CLI

display_name: register_node_output
type: pipeline
jobs:
  node:
    type: command
    component: ../components/helloworld_component.yml
    inputs:
      component_in_path:
        type: uri_file
        path: 'https://dprepdata.blob.core.windows.net/demo/Titanic.csv'
    outputs:
      component_out_path:
        type: uri_folder
        name: 'node_output'  # Define name and version to register a child job's output
        version: '1'
settings:
  default_compute: azureml:cpu-cluster

Python SDK'sı

from azure.ai.ml import dsl, Output

# Load component functions
components_dir = "./components/"
helloworld_component = load_component(source=f"{components_dir}/helloworld_component.yml")

@pipeline()
def register_node_output():
  # Call component obj as function: apply given inputs & parameters to create a node in pipeline
  node = helloworld_component(component_in_path=Input(
    type='uri_file', path='https://dprepdata.blob.core.windows.net/demo/Titanic.csv'))

  # Define name and version to register node output
  node.outputs.component_out_path.name = 'node_output'
  node.outputs.component_out_path.version = '1'

pipeline = register_node_output()
pipeline.settings.default_compute = "azureml:cpu-cluster"

Studio Kullanıcı Arabirimi

Bir bileşenin Genel Bakış sekmesinde, Girişler veya Çıkışlar'ın altında bir Veri varlığı bağlantısı seçin. Veri varlığı sayfasında Kaydet'i seçin.

İlgili içerik

• İşlem hattı işi için YAML başvurusu
• İşlem hattı hatasında hata ayıklama
• İşlem hattı işi zamanlama
• Toplu iş uç noktalarıyla işlem hattı dağıtma (önizleme)