Azure ML CLI创建作业报错：代码快照在Blob存储中被修改

错误原因解析 #

这个错误的核心是Azure ML的代码快照校验机制在起作用：提交作业时，Azure ML会对你指定的本地code目录生成哈希值，上传到Blob存储后会再次校验该哈希。如果Blob中的快照内容和本地计算的哈希不匹配，就会触发“代码快照被篡改”的提示。

你提到的“计算实例对比数据资产和代码文件夹哈希”是误解——数据资产和代码快照是完全独立的两个资源，校验只针对代码快照本身，和数据资产无关。可能的触发场景包括：

• 本地code目录在提交后到作业启动前被修改
• Azure ML存储端的代码快照文件出现损坏或意外修改
• 本地路径配置问题（比如code指向了包含动态生成文件的目录，导致每次哈希不一致）

针对你的YAML配置的修复步骤 #

1. 确保代码目录稳定 #

检查C:/CODE/azureml-examples/CODE_azure/目录：

• 移除临时文件、日志、自动生成的缓存文件夹（比如__pycache__、.ipynb_checkpoints）
• 提交作业前不要修改该目录内的任何文件

2. 强制生成新的代码快照 #

如果是旧快照缓存导致的问题，最简单的解决方法是：

• 在本地代码目录中创建一个空文件（比如手动新建dummy.txt）
• 修改现有文件的内容（比如在某个脚本末尾加个空行）
• 重新提交作业，Azure ML会生成新的哈希和快照，绕过旧的校验

3. 优化代码快照配置（解决耗时问题） #

针对两年前提到的快照耗时问题，现在Azure ML有更高效的优化方式：

• 使用.amlignore文件：在代码目录根目录创建.amlignore，像.gitignore一样排除不需要上传的文件/目录（比如大文件、虚拟环境、缓存文件夹），减少快照体积和上传时间
• 注册代码资产：提前将代码注册为Azure ML的代码资产，提交作业时直接引用资产路径（code: azureml:my-code-asset:1），避免每次提交都重新上传和生成快照，大幅提升效率
• 直接使用计算实例本地代码：如果用计算实例作为目标，可以直接引用计算实例上的本地代码路径（比如code: /home/azureuser/code/），完全跳过代码上传和快照生成步骤

数据资产的正确使用说明 #

你的YAML中数据资产的配置是正确的，trainingData会被挂载到计算目标的$AZUREML_INPUT_trainingData路径下，和代码快照完全隔离。作业中可以通过这个环境变量访问数据集，比如修改command为：

ls $AZUREML_INPUT_trainingData

内容的提问来源于stack exchange，提问作者aelyoumi