Azure ML SDK v2管道作业中如何引用已注册数据集

没有额外隐藏配置点，总共按以下步骤调整即可：

• 第一步：拉取工作区中已注册的数据集实体
  数据集已经注册完成的话，不需要重复跑create_or_update注册逻辑，直接通过ml_client拉取对应版本的数据集实体即可：

  from azure.ai.ml import MLClient, Input
  from azure.identity import DefaultAzureCredential
  
  # 这部分ml_client初始化逻辑教程里已经配置完成，不用重复编写
  ml_client = MLClient(
      DefaultAzureCredential(),
      subscription_id="<你的订阅ID>",
      resource_group_name="<你的资源组名>",
      workspace_name="<你的工作区名>"
  )
  
  # 拉取已注册数据集，name填注册时的数据集名称，version填对应版本号，需要调用最新版可以填label="latest"
  registered_credit_data = ml_client.data.get(
      name="<你的已注册数据集名称>",
      version="1"
  )
  

• 第二步：修改管道实例化入参
  把教程里注释掉的传参行放开，替换原来传在线CSV路径的逻辑，直接传入上一步拉取到的数据集实体即可：

  registered_model_name = "credit_defaults_model"
  
  pipeline = credit_defaults_pipeline(
      pipeline_job_data_input=registered_credit_data,
      pipeline_job_test_train_ratio=0.2,
      pipeline_job_learning_rate=0.25,
      pipeline_job_registered_model_name=registered_model_name,
  )
  

  不想提前拉取数据集实体的话，也可以直接在Input里指定已注册数据集的资源路径，效果完全一致：

  pipeline_job_data_input=Input(
      type="uri_file", # 数据集是文件夹类型的话改成uri_folder
      path="azureml://subscriptions/<你的订阅ID>/resourcegroups/<你的资源组名>/workspaces/<你的工作区名>/data/<你的数据集名>/versions/<数据集版本号>"
  )
  

• 第三步：data_prep.py组件脚本无需额外修改
  你标注的--data参数保持原有写法就行，不用改参数类型，也不需要加任何和数据集注册信息相关的配置。AML运行组件时会自动把传入的已注册数据集挂载/下载到计算节点的本地临时路径，传给--data的就是这个可直接访问的本地路径字符串，脚本里原有的pandas读取CSV、数据处理逻辑完全不用调整。

踩坑提醒：如果注册的是文件夹类型数据集（不是单个CSV文件），记得把Input的type从uri_file改成uri_folder，脚本里读文件时补全文件夹下对应的CSV文件名即可，其他逻辑不变。

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