Exportieren oder Löschen Ihrer Arbeitsbereichsdaten im Machine Learning-Dienst

In Azure Machine Learning können Sie Ihre Arbeitsbereichsdaten über die grafische Benutzeroberfläche des Portals oder über das Python SDK exportieren oder löschen. Dieser Artikel beschreibt beide Optionen.

Steuern Ihrer Arbeitsbereichsdaten

Azure Machine Learning speichert im Produkt enthaltene Daten, die exportiert und gelöscht werden können. Das Exportieren und Löschen von Daten kann über Azure Machine Learning Studio, die Befehlszeilenschnittstelle oder das SDK erfolgen. Darüber hinaus können Sie über das Azure Privacy-Portal auf Telemetriedaten zugreifen.

Bei Azure Machine Learning bestehen personenbezogene Daten aus Benutzerinformationen in Auftragsverlaufsdokumenten.

Azure-Arbeitsbereiche sind auf eine Ressourcengruppe angewiesen, in der die zugehörigen Ressourcen für eine Azure-Lösung gespeichert sind. Beim Erstellen eines Arbeitsbereichs können Sie entweder eine vorhandene Ressourcengruppe verwenden oder eine neue Ressourcengruppe erstellen. In dieser Ressource erhalten Sie weitere Informationen zu Azure-Ressourcengruppen.

Löschen von allgemeinen Ressourcen über das Portal

Wenn Sie einen Arbeitsbereich erstellen, erzeugt Azure mehrere Ressourcen innerhalb der Ressourcengruppe:

• Den Arbeitsbereich selbst
• Ein Speicherkonto
• Eine Containerregistrierung
• Eine Applications Insights-Instanz
• Einen Schlüsseltresor

Um diese Ressourcen zu löschen, wählen Sie sie in der Liste aus, und wählen Sie dann Löschen aus:

Es wird ein Bestätigungsdialogfeld geöffnet, in dem Sie Ihre Auswahl bestätigen können.

Auftragsverlaufsdokumente können persönliche Benutzerinformationen enthalten. Diese Dokumente werden innerhalb des Speicherkontos in Blob Storage in Unterordnern von /azureml gespeichert. Sie können die Daten aus dem Portal herunterladen und löschen. Wählen Sie zunächst die Azure-Dienste für Speicherkonten im Azure-Portal aus, wie in diesem Screenshot gezeigt:

Wählen Sie auf der Seite Speicherkonten das entsprechende Speicherkonto aus, wie im folgenden Screenshot gezeigt:

Wählen Sie Erstellen aus, wie in diesem Screenshot gezeigt:

Wählen Sie einen bestimmten Container aus, wie in diesem Screenshot gezeigt:

Wählen Sie in diesem Container die Ressourcen aus, die Sie löschen möchten, und löschen Sie sie, wie in diesem Screenshot gezeigt:

Exportieren und Löschen von Machine Learning-Ressourcen mit Azure Machine Learning Studio

Azure Machine Learning Studio bietet eine einheitliche Ansicht Ihrer Ressourcen für maschinelles Lernen, z. B. Datenressourcen, Modelle, Notebooks und Aufträge. Azure Machine Learning Studio legt Wert auf die Bewahrung einer Aufzeichnung Ihrer Daten und Experimente. Sie können Berechnungsressourcen (Pipelines und Computeressourcen) direkt im Browser löschen. Navigieren Sie dazu zu der betreffenden Ressource, und wählen Sie Löschen aus.

Sie können die Registrierung von Datenobjekten und Archivaufträgen aufheben, aber bei diesen Vorgängen werden die Daten nicht gelöscht. Zum vollständigen Entfernen der Daten, Datenressourcen und Auftragsdaten müssen sie auf der Speicherebene gelöscht werden. Das Löschen auf Speicherebene erfolgt im Portal, wie weiter oben beschrieben. Azure Machine Learning Studio kann einzelne Löschvorgänge verarbeiten. Beim Löschen eines Auftrags werden auch die Daten dieses Auftrags gelöscht.

Artefakt- und Protokolldownloads von Aufträgen

Azure Machine Learning Studio kann Downloads von Trainingsartefakten und Protokollen aus experimentellen Aufträgen verarbeiten. Wählen Sie auf der Hauptseite von Azure Machine Learning Studio Aufträge aus, wie in diesem Screenshot gezeigt:

Um die verfügbaren Aufträge anzuzeigen, wählen Sie die Registerkarte Alle Aufträge aus, wie in diesem Screenshot gezeigt:

Wählen Sie einen bestimmten Auftrag aus, wie in diesem Screenshot gezeigt:

Wählen Sie Alle herunterladen aus, wie in diesem Screenshot gezeigt:

Herunterladen eines registrierten Modells

Um ein registriertes Modell herunterzuladen, wählen Sie Modelle aus, um die Modellliste in Azure Machine Learning Studio zu öffnen. Wählen Sie dann ein bestimmtes Modell aus, wie in diesem Screenshot gezeigt:

Wählen Sie Alle herunterladen aus, um den Modelldownloadvorgang zu starten, wie in diesem Screenshot gezeigt:

# Retrieved from Azure Machine Learning web UI
run_id = 'aaaaaaaa-bbbb-cccc-dddd-0123456789AB'
experiment = ws.experiments['my-experiment']
run = next(run for run in ex.get_runs() if run.id == run_id)
metrics_output_port = run.get_pipeline_output('metrics_output')
model_output_port = run.get_pipeline_output('model_output')

metrics_output_port.download('.', show_progress=True)
model_output_port.download('.', show_progress=True)

Nächste Schritte

Weitere Informationen zum Verwalten von Arbeitsbereichen