如何使用Azure Machine Learning SDK V2为prepare_image作业添加标签？

在Azure ML SDK V2中，prepare_image是环境构建时自动生成的系统作业，无法直接通过Environment对象或管道装饰器传递标签，需要通过查询并更新作业的方式为其添加标签，具体步骤如下：

步骤1：创建/更新环境并触发镜像构建 #

保留你原有的环境创建代码，触发镜像构建流程：

azureml_env = Environment(
    build=BuildContext(
        path=docker_context_path,
    ),
    name=self.experiment_name,
    tags=self.tags,
)
azureml_env.validate()
# 创建/更新环境，自动触发prepare_image作业
self.ml_client.environments.create_or_update(azureml_env)

步骤2：查询对应的prepare_image作业 #

通过作业名称特征、实验名称过滤，定位刚生成的prepare_image作业：

# 过滤条件：作业名称包含"prepare_image"、归属目标实验，按创建时间倒序取最新的一个
prepare_image_jobs = list(self.ml_client.jobs.list(
    experiment_name=self.experiment_name,
    job_name="prepare_image",
    order_by="created_at desc"
))

# 提取目标作业
target_job = prepare_image_jobs[0] if prepare_image_jobs else None

步骤3：更新作业的标签 #

若找到目标作业，调用jobs.update方法添加自定义标签：

import time

# 短暂等待作业生成（避免因异步延迟查询不到）
time.sleep(30)

if target_job:
    # 合并原有标签与自定义标签（可选，若需保留系统默认标签）
    updated_tags = {**target_job.tags, **self.tags}
    # 更新作业标签
    self.ml_client.jobs.update(
        job_name=target_job.name,
        tags=updated_tags
    )

注意事项 #

• 可通过作业的properties字段确认其关联的环境名称，确保更新的是目标环境对应的构建作业。
• 等待时间可根据环境构建的实际耗时调整，避免因作业未完成生成导致查询失败。

内容的提问来源于stack exchange，提问作者BeGreen