如何在Azure ML Studio将带分类子文件夹的图片上传至Azure Blob Storage

这是最简便的保留文件夹结构的方法，操作步骤如下：

• 下载安装Azure Storage Explorer，绑定你的Azure账号后，找到Azure ML工作区关联的Blob存储容器（默认容器名称一般为azureml-blobstore-<工作区UUID>）
• 直接在容器内创建你需要的Main_folder根目录，然后把本地整段的分类子文件夹拖拽到该根目录下即可，上传过程会100%保留原始的嵌套文件夹结构
• 上传完成后，回到Azure ML Studio的数据集创建页面，选择「从数据存储中选择」，类型选择文件数据集，直接定位到刚才上传的Main_folder路径创建即可，不会修改原有结构，后续挂载数据集后可以直接把路径传入flow_from_directory()使用

如果需要批量自动化上传，可以用SDK实现结构保留：

• 首先安装azureml-core包，连接到你的工作区：

from azureml.core import Workspace, Datastore
ws = Workspace.from_config()
datastore = ws.get_default_datastore()

• 调用upload()方法时指定对应参数，原生支持保留子文件夹结构：

datastore.upload(
    src_dir="本地的Main_folder绝对路径",
    target_path="Main_folder", # Blob上的目标存储路径
    overwrite=False,
    show_progress=True
)

• 上传完成后按目标路径创建文件数据集即可。

如果已经将所有图片上传到了根目录，也可以不用重新上传，适配flow_from_directory()的要求即可：

• 读取所有图片的路径和对应的分类标签（从原始文件名、或者本地留存的分类映射表提取分类名）
• 在训练计算环境的临时存储中，按分类名称创建子文件夹，通过软链接指向实际的Blob文件路径，构造出符合flow_from_directory()要求的目录结构，软链接创建几乎不占用额外存储空间，执行效率很高。

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