如何将AzureML作业输出路径设置为工作目录？

核心原理 #

AzureML 的执行工作目录 exe/wd 是计算实例的临时本地目录，作业结束后会被自动清理，无法持久化存储文件。要让输出出现在 Studio 的「Outputs+Logs」标签，必须将文件写入 AzureML 挂载的持久化输出目录（关联到工作区存储），而非本地临时路径。

步骤1：修正作业的 Output 配置 #

移除 Output 中的 path 参数，让 AzureML 自动管理输出存储位置；同时修正拼写错误并规范环境变量格式：

from azure.ai.ml import Output

job = command(
    inputs={
        'data': Input(
                type="uri_folder",
                path=f"{data_asset.id}",
                mode=InputOutputModes.RO_MOUNT
        )},
    outputs={
        'outputs': Output(
            type='uri_folder',
            mode=InputOutputModes.RW_MOUNT  # 移除path参数，由AzureML自动分配存储
        )},
    code="<path>",
    command=az_cfg.COMMAND_TRAIN,
    environment=f"{az_cfg.ENV_NAME}:{az_cfg.ENV_VERSION}",  # 补充环境名与版本的分隔符
    display_name=az_cfg.DISPLAY_NAME,
    compute=ci_name,
    environment_variables={ 
      "DATASET_MOUNT_BLOCK_BASED_CACHE_ENABLED": "True"  # 环境变量值需为字符串类型
      },
    experiment_name=az_cfg.EXPERIMENT_NAME
)

步骤2：训练脚本中写入正确路径 #

通过 AzureML 自动注入的环境变量获取挂载的输出目录，将文件写入该目录：

import os

# 获取AzureML挂载的持久化输出目录
output_dir = os.environ.get("AZUREML_OUTPUT_outputs")
if not output_dir:
    raise ValueError("未找到输出目录环境变量，请检查作业的output配置")

# 构造目标文件路径
filepath = os.path.join(output_dir, "checkpoint.pth")  # 替换为你的文件名

with open(filepath, 'wb') as f:
    f.write(obj)

关键说明 #

• 配置 RW_MOUNT 模式后，AzureML 会将工作区 blob 存储的目录挂载到计算实例，写入该目录的文件会自动同步到云存储，作业结束后可在「Outputs+Logs」标签查看。
• 若必须指定 path，需使用工作区存储的绝对 URI（如 azureml://datastores/workspaceblobstorage/paths/outputs/your-job），但自动分配路径更便捷且不易出错。

内容的提问来源于stack exchange，提问作者Niki