Azure机器学习远程训练挂载数据集后读取npy文件报错咨询

你的代码触发FileNotFoundError是三个具体问题叠加导致的，和远程计算节点的基础配置无关：

• 挂载生命周期不匹配：dataset.mount()返回的挂载上下文仅在with语句块的作用域内保持挂载状态，退出代码块后挂载点会被自动卸载，你写在块外的np.load执行时，挂载的存储路径已经不存在了
• 路径定位错误：就算把np.load挪到with块内部，你直接传入的'my-data.npy'是容器默认工作目录的相对路径，并没有指向挂载点的实际位置，天然无法匹配到文件
• 冗余配置风险：在远程计算节点运行的训练脚本里硬编码订阅ID、资源组、工作区参数初始化Workspace，属于非必要写法，不仅冗余，还容易触发权限、配置加载失败的问题

可落地的修正方案 #

脚本内手动挂载的正确写法 #

如果需要在脚本内手动控制挂载流程，必须满足两个硬性要求：

• 所有需要访问数据集文件的逻辑全部放在with挂载块内部，禁止在块外访问挂载目录
• 读取文件时必须拼接挂载点的完整路径，不能直接使用裸文件名
  可直接适配你现有逻辑的代码片段：

import os
import numpy as np
from azureml.core import Dataset
from azureml.core.run import Run

# 远程节点上自动获取关联工作区，无需硬编码连接参数
run = Run.get_context()
workspace = run.experiment.workspace
dataset = Dataset.get_by_name(workspace, name='my-dataset')

with dataset.mount() as mount_context:
    # 先打印挂载目录内容，确认文件实际存储位置
    print("挂载点目录内容：", os.listdir(mount_context.mount_point))
    # 拼接完整文件路径后加载数据
    data_full_path = os.path.join(mount_context.mount_point, "my-data.npy")
    data = np.load(data_full_path)

生产环境推荐的平台原生绑定方式 #

提交训练作业时，直接通过平台配置将数据集绑定为计算节点的固定挂载路径，无需在训练脚本中编写任何挂载、工作区初始化逻辑，这种方式的稳定性远高于脚本内手动挂载：

• 构造作业运行配置时，将目标数据集映射为计算节点上的固定路径（例如./training_data）
• 训练脚本中直接通过映射后的固定路径读取文件，例如np.load("./training_data/my-data.npy")
• 平台会自动完成数据集的权限校验、挂载生命周期管理，不需要手动处理挂载逻辑

常见踩坑提醒 #

• 禁止在with挂载块的作用域之外访问挂载目录下的文件，块退出后挂载会被自动卸载
• 读取文件时必须确认路径指向挂载目录，不要混淆容器默认工作目录和挂载目录的位置
• 远程运行的训练脚本不要硬编码工作区连接参数，通过Run.get_context()即可自动获取关联的工作区、实验、运行上下文信息

内容的提问来源于stack exchange，提问作者CarterB