Partager via

OutputPortBinding Classe

  • Référence

Définit une sortie nommée d’une étape de pipeline.

OutputPortBinding peut être utilisé pour spécifier le type de données qui sera produit par une étape et la façon dont les données seront produites. Il peut être utilisé avec InputPortBinding pour spécifier que la sortie de l’étape est une entrée obligatoire d’une autre étape.

Initialiser OutputPortBinding.

Héritage
builtins.object
OutputPortBinding

Constructeur

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)

Paramètres

Nom Description
name
Obligatoire
str

Nom de l’objet OutputPortBinding, qui ne peut contenir que des lettres, des chiffres et des traits de soulignement.
datastore
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

Magasin de données dans lequel réside PipelineData.

Valeur par défaut: None
output_name
str

Nom de la sortie, si aucun nom (None) n’est utilisé. Ne peut contenir que des lettres, des chiffres et des traits de soulignement.

Valeur par défaut: None
bind_mode
str

Spécifie si l’étape de production utilisera la méthode « upload », « mount » ou « hdfs » pour accéder aux données.

Valeur par défaut: mount
path_on_compute
str

Pour le mode « upload », chemin où le module écrit la sortie.

Valeur par défaut: None
is_directory
bool

Indique si la sortie est un répertoire ou un fichier unique.

Valeur par défaut: None
overwrite
bool

Pour le mode « upload », indique s’il est nécessaire de remplacer les données existantes.

Valeur par défaut: None
data_type
str

facultatif. Vous pouvez utiliser le type de données pour spécifier le type attendu de la sortie et pour détailler la façon dont les étapes de consommation doivent utiliser les données. Il peut s’agir de n’importe quelle chaîne définie par l’utilisateur.

Valeur par défaut: None
pipeline_output_name
str

Si cette valeur est fournie, cette sortie sera disponible à l’aide de PipelineRun.get_pipeline_output(). Les noms de sortie du pipeline doivent être uniques dans le pipeline.

Valeur par défaut: None
training_output
TrainingOutput

Définit la sortie du résultat de la formation. Uniquement nécessaire pour les formations spécifiques qui aboutissent à différents types de sorties, comme des métriques et un modèle. Par exemple, AutoMLStep aboutit à des métriques et un modèle. Vous pouvez également définir une itération ou une métrique de formation spécifique pour obtenir le meilleur modèle possible. Pour HyperDriveStep, vous pouvez également définir les fichiers de modèle spécifiques à inclure dans la sortie.

Valeur par défaut: None
dataset_registration
DatasetRegistration

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt PipelineData.as_dataset.

Valeur par défaut: None
dataset_output
OutputDatasetConfig

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt OutputFileDatasetConfig.

Valeur par défaut: None
name
Obligatoire
str

Nom de l’objet OutputPortBinding, qui ne peut contenir que des lettres, des chiffres et des traits de soulignement.
datastore
Obligatoire
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

Magasin de données dans lequel réside PipelineData.
output_name
Obligatoire
str

Nom de la sortie, si aucun nom (None) n’est utilisé. Peut uniquement contenir des lettres, des chiffres et des traits de soulignement.
bind_mode
Obligatoire
str

Spécifie si l’étape de production utilisera la méthode « upload », « mount » ou « hdfs » pour accéder aux données.
path_on_compute
Obligatoire
str

Pour le mode « upload », chemin où le module écrit la sortie.
is_directory
Obligatoire
bool

si la sortie est un répertoire
overwrite
Obligatoire
bool

Pour le mode « upload », indique s’il est nécessaire de remplacer les données existantes.
data_type
Obligatoire
str

facultatif. Vous pouvez utiliser le type de données pour spécifier le type attendu de la sortie et pour détailler la façon dont les étapes de consommation doivent utiliser les données. Il peut s’agir de n’importe quelle chaîne définie par l’utilisateur.
pipeline_output_name
Obligatoire
str

Si cette valeur est fournie, cette sortie sera disponible à l’aide de PipelineRun.get_pipeline_output(). Les noms de sortie du pipeline doivent être uniques dans le pipeline.
training_output
Obligatoire
TrainingOutput

Définit la sortie du résultat de la formation. Uniquement nécessaire pour les formations spécifiques qui aboutissent à différents types de sorties, comme des métriques et un modèle. Par exemple, AutoMLStep aboutit à des métriques et un modèle. Vous pouvez également définir une itération ou une métrique de formation spécifique pour obtenir le meilleur modèle possible. Pour HyperDriveStep, vous pouvez également définir les fichiers de modèle spécifiques à inclure dans la sortie.
dataset_registration
Obligatoire
DatasetRegistration

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt PipelineData.as_dataset.
dataset_output
Obligatoire
OutputDatasetConfig

facultatif. Il s’agit d’un paramètre interne. Utilisez plutôt OutputFileDatasetConfig.

Remarques

OutputPortBinding peut être utilisé de la même façon que PipelineData lors de la création d’un pipeline pour spécifier des entrées et sorties d’étape. La différence est que OutputPortBinding doit être utilisé avec InputPortBinding pour être consommé comme entrée d’une autre étape.

Voici un exemple de construction d’un pipeline avec OutputPortBinding :


   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])

Cela permet de créer un pipeline en deux étapes. L’étape de traitement est exécutée en premier. Une fois qu’elle a été effectuée, l’étape de formation est exécutée. Azure ML fournit la sortie produite par l’étape de traitement, comme décrit par l’objet OutputPortBinding, à l’étape de formation.

Attributs

bind_mode

Obtient le mode (« upload » ou « mount » ou « hdfs ») à utiliser par l’étape de production pour créer les données.

Retours

Type Description
str

Mode de liaison.

data_type

Obtient le type des données à produire.

Retours

Type Description
str

Nom du type de données.

dataset_registration

Obtient les informations d’inscription du jeu de données.

Retours

Type Description
DatasetRegistration

Informations d’inscription du jeu de données.

datastore

Magasin de données dans lequel réside PipelineData.

Retours

Type Description
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

Objet Datastore.

is_directory

Indique si la sortie est un répertoire.

Retours

Type Description
bool

is_directory

name

Nom de l’objet OutputPortBinding.

Retours

Type Description
str

Nom.

overwrite

Pour le mode « upload », indique s’il est nécessaire de remplacer les données existantes.

Retours

Type Description
bool

_overwrite

path_on_compute

Pour le mode « upload », chemin où le module écrit la sortie.

Retours

Type Description
str

path_on_compute

pipeline_output_name

Obtient le nom de la sortie de pipeline correspondant à cet objet OutputPortBinding.

Retours

Type Description
str

Nom de la sortie de pipeline.

training_output

Obtient la sortie de formation.

Retours

Type Description
TrainingOutput

Sortie de formation