如何在Azure ML Notebook中正确引用Blob容器文件夹训练图像分类模型

核心问题原因 #

TensorFlow的tf.keras.preprocessing.image_dataset_from_directory仅支持本地文件系统路径或云存储的挂载路径，无法直接解析Azure ML专属的azureml://协议路径，这是你尝试三种方式均失败的核心原因。

正确操作步骤 #

• 挂载Azure Blob存储到计算实例本地路径
  在Notebook中通过Azure ML SDK将Blob容器挂载到计算实例的本地目录，让TensorFlow能像访问本地文件一样读取数据。示例代码：

  from azureml.core import Workspace, Datastore
  
  # 加载当前工作区
  ws = Workspace.from_config()
  
  # 获取目标Blob对应的Datastore（替换为你的Datastore实际名称）
  datastore = Datastore.get(ws, datastore_name='workspaceblobstore')
  
  # 将Datastore挂载到计算实例的临时路径
  mount_context = datastore.mount('/tmp/azureml_blob_mount')
  mount_context.start()
  
  # 验证挂载结果
  import os
  print(os.listdir('/tmp/azureml_blob_mount'))
  

• 使用挂载后的本地路径加载数据
  挂载完成后，直接传入挂载路径下的Train/Test文件夹路径即可：

  import tensorflow as tf
  
  # 定义训练集和测试集的本地挂载路径
  train_dir = '/tmp/azureml_blob_mount/Train'
  test_dir = '/tmp/azureml_blob_mount/Test'
  
  # 加载训练数据集
  train_dataset = tf.keras.preprocessing.image_dataset_from_directory(
      train_dir,
      image_size=(224, 224),
      batch_size=32,
      label_mode='categorical'  # 适配9类分类任务
  )
  
  # 加载测试数据集
  test_dataset = tf.keras.preprocessing.image_dataset_from_directory(
      test_dir,
      image_size=(224, 224),
      batch_size=32,
      label_mode='categorical'
  )
  

• 训练结束后卸载挂载（可选）
  完成训练后可卸载挂载释放计算实例资源：

  mount_context.stop()
  

关键注意事项 #

• 权限验证：确保计算实例拥有Blob存储的访问权限，自定义Datastore需确认存储账户密钥或SAS令牌配置正确。
• 路径大小写：Azure Blob存储路径区分大小写，代码中路径需与容器内文件夹名称完全匹配。
• 磁盘空间：若图像数据量较大，需确认计算实例临时磁盘空间足够容纳挂载的数据。

内容的提问来源于stack exchange，提问作者user3043636