databricks_step 模块

创建 Azure ML 管道步骤，以将 DataBricks 笔记本、Python 脚本或 JAR 添加为节点。

有关使用 DatabricksStep 的示例，请参阅笔记本 https://aka.ms/pl-databricks。

创建 Azure ML 管道步骤，以将 DataBricks 笔记本、Python 脚本或 JAR 添加为节点。

有关使用 DatabricksStep 的示例，请参阅笔记本 https://aka.ms/pl-databricks。

:p aram python_script_name：[必需] 相对于 source_directoryPython 脚本的名称。 如果脚本采用输入和输出，则这些输入和输出将作为参数传递给脚本。 如果 python_script_name 已指定，则 source_directory 还必须指定。

指定确切的一个notebook_path、python_script_path或python_script_namemain_class_name。

如果将 DataReference 对象指定为 具有 data_reference_name=input1 的输入，并将 PipelineData 对象指定为 name=output1 的输出，则将输入和输出作为参数传递给脚本。 这就是它们的外观，你需要分析脚本中的参数以访问每个输入和输出的路径：“-input1”、“wasbs:///test”，“-output1”、“wasbs://test@storagename.blob.core.windows.nettest@storagename.blob.core.windows.net/b3e26de1-87a4-494d-a20f-1988d22b81a2/output1”

此外，脚本中将提供以下参数：

• AZUREML_RUN_TOKEN：用于使用 Azure 机器学习进行身份验证的 AML 令牌。
• AZUREML_RUN_TOKEN_EXPIRY：AML 令牌到期时间。
• AZUREML_RUN_ID：此运行的 Azure 机器学习运行 ID。
• AZUREML_ARM_SUBSCRIPTION：AML 工作区的 Azure 订阅。
• AZUREML_ARM_RESOURCEGROUP：Azure 机器学习工作区的 Azure 资源组。
• AZUREML_ARM_WORKSPACE_NAME：Azure 机器学习工作区的名称。
• AZUREML_ARM_PROJECT_NAME：Azure 机器学习试验的名称。
• AZUREML_SERVICE_ENDPOINT：AML 服务的终结点 URL。
• AZUREML_WORKSPACE_ID：Azure 机器学习工作区的 ID。
• AZUREML_EXPERIMENT_ID：Azure 机器学习试验的 ID。
• AZUREML_SCRIPT_DIRECTORY_NAME：复制source_directory的 DBFS 中的目录路径。

  (This parameter is only populated when `python_script_name` is used.  See more details below.)

使用 DatabricksStep 参数source_directorypython_script_name从 Databricks 上的本地计算机上执行 Python 脚本时，source_directory将复制到 DBFS，DBFS 上的目录路径在开始执行时作为参数传递给脚本。 此参数标记为 –AZUREML_SCRIPT_DIRECTORY_NAME。 需要使用字符串“dbfs：//”或“/dbfs/”作为前缀才能访问 DBFS 中的目录。