Azure Machine Learning pipeline任务失败时如何配置自动重试机制？

Azure ML Pipeline 本身内置了单步骤失败重试能力，无需依赖Logic App等外部组件，针对你使用PythonScriptStep的v1 SDK场景，以及后续可能用到的v2 SDK场景，配置方式分别如下：

SDK v1（PythonScriptStep 适用） #

重试规则绑定在步骤对应的RunConfiguration对象中，配置示例如下：

from azureml.core.runconfig import RunConfiguration
from azureml.pipeline.steps import PythonScriptStep

# 初始化运行配置对象
run_config = RunConfiguration()

# 定义重试策略
run_config.retry_policy = {
    "max_retries": 3,  # 自定义最多重试次数
    "retry_on": ["timeout", "service_error", "resource_exhausted"]
}

# 将带重试规则的配置传入PythonScriptStep
your_step = PythonScriptStep(
    name="你的脚本步骤名称",
    script_name="你的脚本文件.py",
    source_directory="./你的脚本目录",
    runconfig=run_config,  # 核心：传入重试配置
    compute_target=你的计算集群对象
)

retry_on支持的触发重试的错误类型说明：

• timeout：步骤运行超时触发重试
• service_error：网络波动、Azure ML服务端异常等非代码问题触发
• resource_exhausted：内存不足、计算资源配额不够等资源类问题触发
• 如需所有非用户代码错误都触发重试，可直接设置为["all_transient"]

SDK v2（升级后通用组件适用） #

如果后续升级到Azure ML v2 SDK，重试参数可以直接在任务定义中配置：

from azure.ai.ml import command

your_step = command(
    name="你的命令步骤名称",
    code="./你的脚本目录",
    command="python 你的脚本文件.py",
    compute=你的计算集群名称,
    retry=3,  # 最多重试次数
    retry_on=["timeout", "service_error"]
)

注意事项 #

• 重试仅针对失败的单步骤执行，不会重新运行整个Pipeline中已经执行成功的其他步骤
• 如果你的步骤包含写入外部数据库、对象存储的操作，建议自行实现幂等逻辑，避免重试导致重复写入数据异常
• 重试间隔采用Azure ML默认的指数退避策略，无需手动配置间隔时间

内容的提问来源于stack exchange，提问作者GRW