다음을 통해 공유

PythonScriptStep 클래스

Python 스크립트를 실행하는 Azure ML 파이프라인 단계를 만듭니다.

PythonScriptStep을 사용하는 예제는 Notebook https://aka.ms/pl-get-started을 참조하세요.

Python 스크립트를 실행하는 Azure ML 파이프라인 단계를 만듭니다.

생성자

PythonScriptStep(script_name, name=None, arguments=None, compute_target=None, runconfig=None, runconfig_pipeline_params=None, inputs=None, outputs=None, params=None, source_directory=None, allow_reuse=True, version=None, hash_paths=None)

매개 변수

Name Description
script_name
필수
str

[필수] 를 기준으로 하는 Python 스크립트의 이름입니다 source_directory.
name
str

단계의 이름입니다. 지정 script_name 되지 않은 경우 사용됩니다.

Default value: None
arguments
list

Python 스크립트 파일에 대한 명령줄 인수입니다. 인수는 RunConfiguration의 매개 변수를 arguments 통해 컴퓨팅에 전달됩니다. 특수 기호와 같은 인수를 처리하는 방법에 대한 자세한 내용은 다음을 참조하세요 RunConfiguration.

Default value: None
compute_target
Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]

[필수] 사용할 컴퓨팅 대상입니다. 지정되지 않은 경우 runconfig의 대상이 사용됩니다. 이 매개 변수는 작업 영역에서 컴퓨팅 대상 개체 또는 컴퓨팅 대상의 문자열 이름으로 지정할 수 있습니다. 필요에 따라 파이프라인 생성 시 컴퓨팅 대상을 사용할 수 없는 경우 컴퓨팅 대상 개체를 가져오지 않도록 튜플('컴퓨팅 대상 이름', '컴퓨팅 대상 형식')을 지정할 수 있습니다(AmlCompute 형식은 'AmlCompute'이고 RemoteCompute 형식은 'VirtualMachine').

Default value: None
runconfig
RunConfiguration

사용할 선택적 RunConfiguration입니다. RunConfiguration을 사용하여 conda 종속성 및 Docker 이미지와 같은 실행에 대한 추가 요구 사항을 지정할 수 있습니다. 지정하지 않으면 기본 runconfig가 만들어집니다.

Default value: None
runconfig_pipeline_params
dict[str, PipelineParameter]

각각 runconfig 속성의 이름과 해당 속성의 PipelineParameter가 있는 키-값 쌍을 사용하여 런타임 시 runconfig 속성을 재정의합니다.

지원되는 값: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'

Default value: None
inputs
list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputFileDataset, PipelineOutputTabularDataset, DatasetConsumptionConfig]]

입력 포트 바인딩 목록입니다.

Default value: None
outputs
list[Union[PipelineData, OutputDatasetConfig, PipelineOutputFileDataset, PipelineOutputTabularDataset, OutputPortBinding]]

출력 포트 바인딩 목록입니다.

Default value: None
params
dict

"AML_PARAMETER_"을 사용하여 환경 변수로 등록된 이름-값 쌍의 사전입니다.

Default value: None
source_directory
str

단계에서 사용되는 Python 스크립트, conda env 및 기타 리소스를 포함하는 폴더입니다.

Default value: None
allow_reuse
bool

동일한 설정으로 다시 실행할 때 단계가 이전 결과를 다시 사용해야 하는지 여부를 나타냅니다. 재사용은 기본적으로 사용하도록 설정됩니다. 단계 내용(스크립트/종속성)과 입력 및 매개 변수가 변경되지 않은 상태로 유지되면 이 단계의 이전 실행의 출력이 다시 사용됩니다. 단계를 다시 사용할 때 작업을 컴퓨팅에 제출하는 대신 이전 실행의 결과를 후속 단계에서 즉시 사용할 수 있습니다. Azure Machine Learning 데이터 세트를 입력으로 사용하는 경우 다시 사용은 기본 데이터가 변경되었는지 여부가 아니라 데이터 세트의 정의가 변경되었는지 여부에 따라 결정됩니다.

Default value: True
version
str

단계의 기능 변경을 나타내는 선택적 버전 태그입니다.

Default value: None
hash_paths
list

사용되지 않음: 더 이상 필요하지 않습니다.

단계 내용의 변경 내용을 확인할 때 해시할 경로 목록입니다. 변경 내용이 검색되지 않은 경우 파이프라인은 이전 실행의 단계 내용을 다시 사용합니다. 기본적으로 source_directory 콘텐츠는 .amlignore 또는 .gitignore에 나열된 파일을 제외하고 해시됩니다.

Default value: None
script_name
필수
str

[필수] 를 기준으로 하는 Python 스크립트의 이름입니다 source_directory.
name
필수
str

단계의 이름입니다. 지정 script_name 되지 않은 경우 사용됩니다.
arguments
필수
[str]

Python 스크립트 파일에 대한 명령줄 인수입니다. 인수는 RunConfiguration의 매개 변수를 arguments 통해 컴퓨팅에 전달됩니다. 특수 기호와 같은 인수를 처리하는 방법에 대한 자세한 내용은 다음을 참조하세요 RunConfiguration.
compute_target
필수
Union[DsvmCompute, AmlCompute, RemoteCompute, HDInsightCompute, str, tuple]

[필수] 사용할 컴퓨팅 대상입니다. 지정되지 않은 경우 runconfig의 대상이 사용됩니다. 이 매개 변수는 작업 영역에서 컴퓨팅 대상 개체 또는 컴퓨팅 대상의 문자열 이름으로 지정할 수 있습니다. 필요에 따라 파이프라인 생성 시 컴퓨팅 대상을 사용할 수 없는 경우 컴퓨팅 대상 개체를 가져오지 않도록 튜플('컴퓨팅 대상 이름', '컴퓨팅 대상 형식')을 지정할 수 있습니다(AmlCompute 형식은 'AmlCompute'이고 RemoteCompute 형식은 'VirtualMachine').
runconfig
필수
RunConfiguration

사용할 선택적 RunConfiguration입니다. RunConfiguration을 사용하여 conda 종속성 및 Docker 이미지와 같은 실행에 대한 추가 요구 사항을 지정할 수 있습니다. 지정하지 않으면 기본 runconfig가 만들어집니다.
runconfig_pipeline_params
필수
dict[str, PipelineParameter]

각각 runconfig 속성의 이름과 해당 속성의 PipelineParameter가 있는 키-값 쌍을 사용하여 런타임 시 runconfig 속성을 재정의합니다.

지원되는 값: 'NodeCount', 'MpiProcessCountPerNode', 'TensorflowWorkerCount', 'TensorflowParameterServerCount'
inputs
필수
list[Union[InputPortBinding, DataReference, PortDataReference, PipelineData, PipelineOutputFileDataset, PipelineOutputTabularDataset, DatasetConsumptionConfig]]

입력 포트 바인딩 목록입니다.
outputs
필수
list[Union[PipelineData, OutputDatasetConfig, PipelineOutputFileDataset, PipelineOutputTabularDataset, OutputPortBinding]]

출력 포트 바인딩 목록입니다.
params
필수
<xref:<xref:{str: str}>>

이름-값 쌍의 사전입니다. ">>AML_PARAMETER_<<"를 사용하여 환경 변수로 등록됩니다.
source_directory
필수
str

단계에서 사용되는 Python 스크립트, conda env 및 기타 리소스를 포함하는 폴더입니다.
allow_reuse
필수
bool

동일한 설정으로 다시 실행할 때 단계가 이전 결과를 다시 사용해야 하는지 여부를 나타냅니다. 재사용은 기본적으로 사용하도록 설정됩니다. 단계 내용(스크립트/종속성)과 입력 및 매개 변수가 변경되지 않은 상태로 유지되면 이 단계의 이전 실행의 출력이 다시 사용됩니다. 단계를 다시 사용할 때 작업을 컴퓨팅에 제출하는 대신 이전 실행의 결과를 후속 단계에서 즉시 사용할 수 있습니다. Azure Machine Learning 데이터 세트를 입력으로 사용하는 경우 다시 사용은 기본 데이터가 변경되었는지 여부가 아니라 데이터 세트의 정의가 변경되었는지 여부에 따라 결정됩니다.
version
필수
str

단계의 기능 변경을 나타내는 선택적 버전 태그입니다.
hash_paths
필수
list

사용되지 않음: 더 이상 필요하지 않습니다.

단계 내용의 변경 내용을 확인할 때 해시할 경로 목록입니다. 변경 내용이 검색되지 않은 경우 파이프라인은 이전 실행의 단계 내용을 다시 사용합니다. 기본적으로 source_directory 콘텐츠는 .amlignore 또는 .gitignore에 나열된 파일을 제외하고 해시됩니다.

설명

PythonScriptStep은 컴퓨팅 대상에서 Python 스크립트를 실행하는 기본 제공 단계입니다. 스크립트 이름 및 스크립트, 컴퓨팅 대상, 입력 및 출력에 대한 인수와 같은 기타 선택적 매개 변수를 사용합니다. 컴퓨팅 대상이 지정되지 않은 경우 작업 영역의 기본 컴퓨팅 대상이 사용됩니다. conda 종속성 및 docker 이미지와 같은 PythonScriptStep에 대한 요구 사항을 지정하는 데 사용할 RunConfiguration 수도 있습니다.

PythonScriptStep을 사용하는 가장 좋은 방법은 스크립트 및 단계와 연결된 종속 파일에 대해 별도의 폴더를 사용하고 해당 폴더를 매개 변수로 source_directory 지정하는 것입니다. 이 모범 사례에 따르면 두 가지 이점이 있습니다. 먼저 단계에 필요한 것만 스냅샷으로 만들어지므로 단계에 대해 만든 스냅샷의 크기를 줄이는 데 도움이 됩니다. 둘째, 스냅샷의 다시 업로드를 트리거하는 변경 내용 source_directory 이 없는 경우 이전 실행의 단계 출력을 다시 사용할 수 있습니다.

다음 코드 예제에서는 기계 학습 학습 시나리오에서 PythonScriptStep을 사용하는 방법을 보여 줍니다. 이 예제에 대한 자세한 내용은 다음을 참조하세요 https://aka.ms/pl-first-pipeline.


   from azureml.pipeline.steps import PythonScriptStep

   trainStep = PythonScriptStep(
       script_name="train.py",
       arguments=["--input", blob_input_data, "--output", output_data1],
       inputs=[blob_input_data],
       outputs=[output_data1],
       compute_target=compute_target,
       source_directory=project_folder
   )

PythonScriptSteps는 다양한 입력 및 출력 형식을 지원합니다. 여기에는 입력 및 DatasetConsumptionConfig, OutputDatasetConfig및 PipelineOutputAbstractDataset 입력 및 출력이 포함 PipelineData 됩니다.

다음은 단계 입력 및 출력으로 사용하는 Dataset 예입니다.


   from azureml.core import Dataset
   from azureml.pipeline.steps import PythonScriptStep
   from azureml.pipeline.core import Pipeline, PipelineData

   # get input dataset
   input_ds = Dataset.get_by_name(workspace, 'weather_ds')

   # register pipeline output as dataset
   output_ds = PipelineData('prepared_weather_ds', datastore=datastore).as_dataset()
   output_ds = output_ds.register(name='prepared_weather_ds', create_new_version=True)

   # configure pipeline step to use dataset as the input and output
   prep_step = PythonScriptStep(script_name="prepare.py",
                                inputs=[input_ds.as_named_input('weather_ds')],
                                outputs=[output_ds],
                                compute_target=compute_target,
                                source_directory=project_folder)

다른 입력/출력 형식을 사용하는 예제는 해당 설명서 페이지를 참조하세요.

메서드

create_node

PythonScriptStep에 대한 노드를 만들고 지정된 그래프에 추가합니다.

이 메서드는 직접 사용할 수 없습니다. 이 단계로 파이프라인이 인스턴스화되면 Azure ML은 워크플로를 나타내는 파이프라인 그래프에 단계를 추가할 수 있도록 이 메서드를 통해 필요한 매개 변수를 자동으로 전달합니다.

create_node

PythonScriptStep에 대한 노드를 만들고 지정된 그래프에 추가합니다.

이 메서드는 직접 사용할 수 없습니다. 이 단계로 파이프라인이 인스턴스화되면 Azure ML은 워크플로를 나타내는 파이프라인 그래프에 단계를 추가할 수 있도록 이 메서드를 통해 필요한 매개 변수를 자동으로 전달합니다.

create_node(graph, default_datastore, context)

매개 변수

Name Description
graph
필수
Graph

노드를 추가할 그래프 개체입니다.
default_datastore
필수
Union[AbstractAzureStorageDatastore, AzureDataLakeDatastore]

기본 데이터 저장소입니다.
context
필수
<xref:azureml.pipeline.core._GraphContext>

그래프 컨텍스트입니다.

반환

형식 Description
Node

만든 노드입니다.