builder Módulo

Representa datos intermedios en una canalización de Azure Machine Learning.

Los datos usados en la canalización se pueden producir en un paso y consumirse en otro paso proporcionando un objeto PipelineData como salida de un paso y una entrada de uno o varios pasos posteriores.

Tenga en cuenta que si usa los datos de canalización, asegúrese de que el directorio usado existía.

Ejemplo de Python para asegurarse de que el directorio existía, supongamos que tiene un puerto de salida denominado output_folder en un paso de canalización, quiere escribir algunos datos en la ruta de acceso relativa de esta carpeta.

   import os
   os.makedirs(args.output_folder, exist_ok=True)
   f = open(args.output_folder + '/relative_path/file_name', 'w+')

PipelineData usa DataReference subyacente que ya no es el enfoque recomendado para el acceso y la entrega de datos, use OutputFileDatasetConfig en su lugar, puede encontrar un ejemplo aquí: Canalización mediante OutputFileDatasetConfig.

Inicializar PipelineData.

Representa un paso de ejecución en una canalización de Azure Machine Learning.

Las canalizaciones se construyen a partir de varios pasos de canalización, que son unidades de cálculo distintas en la canalización. Cada paso puede ejecutarse de forma independiente y usar recursos de proceso aislados. Cada paso normalmente tiene sus propias entradas, salidas y parámetros con nombre.

La clase PipelineStep es la clase base de la que se heredan otras clases de paso integradas diseñadas para escenarios comunes, como PythonScriptStep, DataTransferStepy HyperDriveStep.

Para obtener información general sobre cómo se relacionan las canalizaciones y PipelineSteps, consulte ¿Qué son las canalizaciones de ML?

Inicializar PipelineStep.

Representa una lista de pasos de Pipeline y el orden en el que se van a ejecutar.

Use stepSequence al inicializar una canalización para crear un flujo de trabajo que contenga pasos para ejecutarse en un orden específico.

Inicialice StepSequence.