Azure ML提交命令作业报错：作业输入路径不能为空

1. 核对前置预处理作业的输出传递 #

• 确认预处理作业的train_data和test_data输出已正确保存为MLflow制品或Azure ML数据资产，且路径不为空。
• 检查训练作业中引用这两个输入的格式是否正确，比如：

  from azure.ai.ml import Input
  train_data = Input(type="uri_folder", path=f"azureml://jobs/{prep_job.name}/outputs/train_data")
  test_data = Input(type="uri_folder", path=f"azureml://jobs/{prep_job.name}/outputs/test_data")
  

• 确认预处理作业状态是Completed，如果作业失败，输出路径必然为空。

2. 验证训练作业的输入定义 #

• 确保训练作业inputs字典里，train_data和test_data的type参数（比如uri_folder或uri_file）和预处理输出类型匹配，且path参数没被意外设为空字符串。
• 排查是否存在变量未正确赋值就传入输入路径的情况，比如：

  # 错误示例：prep_train_output未正确获取预处理作业输出
  training_job.inputs.train_data = Input(type="uri_folder", path=prep_train_output)
  

3. 检查train.py的输入读取逻辑 #

• 确认train.py里通过args.train_data和args.test_data获取输入路径的代码正常，没有把路径设为空的操作。比如参数解析部分：

  import argparse
  parser = argparse.ArgumentParser()
  parser.add_argument("--train_data", type=str, required=True)
  parser.add_argument("--test_data", type=str, required=True)
  args = parser.parse_args()
  # 排查是否有代码将args.train_data/args.test_data置空
  

4. 检查作业提交前的参数状态 #

• 在调用ml_client.create_or_update(training_job)之前，打印training_job.inputs确认四个输入都已正确赋值，没有空值或遗漏：

  print(training_job.inputs)
  ml_client.create_or_update(training_job)
  

• 核对输入参数名称是否拼写正确，比如别把train_data写成train_data_，导致实际传递的输入不匹配。

5. 排查数据资产的权限与路径有效性 #

• 如果预处理输出是注册的数据资产，确认训练作业用的计算集群有权限访问该资产的存储路径（比如Blob存储的SAS权限或托管标识权限）。
• 登录Azure ML Studio查看数据资产详情，确认路径指向的存储位置确实存在文件或文件夹。

内容的提问来源于stack exchange，提问作者Karthik S