Azure Machine Learning als Event Grid bron

In dit artikel vindt u de eigenschappen en het schema voor machine learning werkruimte gebeurtenissen. Zie Azure Event grid-gebeurtenis schemavoor een inleiding tot gebeurtenis schema's.

Beschik bare gebeurtenis typen

Azure Machine Learning worden de volgende gebeurtenis typen meeverzonden:

Gebeurtenistype Beschrijving
Micro soft. MachineLearningServices. ModelRegistered Deze gebeurtenis treedt op wanneer een nieuw model of model versie is geregistreerd.
Micro soft. MachineLearningServices. ModelDeployed Deze gebeurtenis treedt op wanneer model (sen) met succes is geïmplementeerd op een eind punt.
Micro soft. MachineLearningServices. RunCompleted Deze gebeurtenis treedt op wanneer een uitvoering is voltooid.
Micro soft. MachineLearningServices. DatasetDriftDetected Deze gebeurtenis treedt op wanneer drift door een DataSet-drijf monitor wordt gedetecteerd.
Micro soft. MachineLearningServices. RunStatusChanged Deze gebeurtenis treedt op wanneer de status van een uitvoering wordt gewijzigd.

Voorbeeld gebeurtenissen

Wanneer een gebeurtenis wordt geactiveerd, verzendt de Event Grid-Service gegevens over die gebeurtenis om het eind punt te abonneren. Deze sectie bevat een voorbeeld van hoe de gegevens voor elke gebeurtenis eruitzien.

Micro soft. MachineLearningServices. ModelRegistered-gebeurtenis

[{
  "topic": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "models/sklearn_regression_model:20",
  "eventType": "Microsoft.MachineLearningServices.ModelRegistered",
  "eventTime": "2017-06-26T18:41:00.9584103Z",
  "id": "831e1650-001e-001b-66ab-eeb76e069631",
  "data": {
    "ModelName": "sklearn_regression_model",
    "ModelVersion": 20,
    "ModelTags": {
        "area": "diabetes",
        "type": "regression"
    },
    "ModelProperties": {
        "type": "test"
    }
  },
  "dataVersion": "",
  "metadataVersion": "1"
}]

Micro soft. MachineLearningServices. ModelDeployed-gebeurtenis

[{
  "topic": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "endpoints/my-sklearn-service",
  "eventType": "Microsoft.MachineLearningServices.ModelDeployed",
  "eventTime": "2017-06-26T18:41:00.9584103Z",
  "id": "831e1650-001e-001b-66ab-eeb76e069631",
  "data": {
    "ServiceName": "my-sklearn-service",
    "ServiceComputeType": "ACI",
    "ModelIds": "sklearn_regression_model:1,sklearn_regression_model:2",
    "ServiceTags": {
        "area": "diabetes",
        "type": "regression"
    },
    "ServiceProperties": {
        "type": "test"
    }
  },
  "dataVersion": "",
  "metadataVersion": "1"
}]

Micro soft. MachineLearningServices. RunCompleted-gebeurtenis

[{
  "topic": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "experiments/0fa9dfaa-cba3-4fa7-b590-23e48548f5c1/runs/AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5",
  "eventType": "Microsoft.MachineLearningServices.RunCompleted",
  "eventTime": "2017-06-26T18:41:00.9584103Z",
  "id": "831e1650-001e-001b-66ab-eeb76e069631",
  "data": {
    "experimentId": "0fa9dfaa-cba3-4fa7-b590-23e48548f5c1",
    "experimentName": "automl-local-regression",
    "runId": "AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5",
    "runType": null,
    "runTags": {},
    "runProperties": {
        "runTemplate": "automl_child",
        "pipeline_id": "5adc0a4fe02504a586f09a4fcbb241f9a4012062",
        "pipeline_spec": "{\"objects\": [{\"class_name\": \"StandardScaler\", \"module\": \"sklearn.preprocessing\", \"param_args\": [], \"param_kwargs\": {\"with_mean\": true, \"with_std\": false}, \"prepared_kwargs\": {}, \"spec_class\": \"preproc\"}, {\"class_name\": \"LassoLars\", \"module\": \"sklearn.linear_model\", \"param_args\": [], \"param_kwargs\": {\"alpha\": 0.001, \"normalize\": true}, \"prepared_kwargs\": {}, \"spec_class\": \"sklearn\"}], \"pipeline_id\": \"5adc0a4fe02504a586f09a4fcbb241f9a4012062\"}",
        "training_percent": "100",
        "predicted_cost": "0.062226144097381045",
        "iteration": "5",
        "run_template": "automl_child",
        "run_preprocessor": "StandardScalerWrapper",
        "run_algorithm": "LassoLars",
        "conda_env_data_location": "aml://artifact/ExperimentRun/dcid.AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5/outputs/conda_env_v_1_0_0.yml",
        "model_name": "AutoMLad912b2d65",
        "scoring_data_location": "aml://artifact/ExperimentRun/dcid.AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5/outputs/scoring_file_v_1_0_0.py",
        "model_data_location": "aml://artifact/ExperimentRun/dcid.AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5/outputs/model.pkl"
    }
  },
  "dataVersion": "",
  "metadataVersion": "1"
}]

Micro soft. MachineLearningServices. DatasetDriftDetected-gebeurtenis

[{
  "topic": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "datadrifts/{}/runs/{}",
  "eventType": "Microsoft.MachineLearningServices.DatasetDriftDetected",
  "eventTime": "2017-06-26T18:41:00.9584103Z",
  "id": "831e1650-001e-001b-66ab-eeb76e069631",
  "data": {
    "DataDriftId": "01d29aa4-e6a4-470a-9ef3-66660d21f8ef",
    "DataDriftName": "myDriftMonitor",
    "RunId": "01d29aa4-e6a4-470a-9ef3-66660d21f8ef_1571590300380",
    "BaseDatasetId": "3c56d136-0f64-4657-a0e8-5162089a88a3",
    "TargetDatasetId": "d7e74d2e-c972-4266-b5fb-6c9c182d2a74",
    "DriftCoefficient": 0.83503490684792081,
    "StartTime": "2019-07-04T00:00:00+00:00",
    "EndTime": "2019-07-05T00:00:00+00:00"
  },
  "dataVersion": "",
  "metadataVersion": "1"
}]

Micro soft. MachineLearningServices. RunStatusChanged-gebeurtenis

[{
  "topic": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "experiments/0fa9dfaa-cba3-4fa7-b590-23e48548f5c1/runs/AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5",
  "eventType": "Microsoft.MachineLearningServices.RunStatusChanged",
  "eventTime": "2017-06-26T18:41:00.9584103Z",
  "id": "831e1650-001e-001b-66ab-eeb76e069631",
  "data": {
    "experimentId": "0fa9dfaa-cba3-4fa7-b590-23e48548f5c1",
    "experimentName": "automl-local-regression",
    "runId": "AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5",
    "runType": null,
    "runTags": {},
    "runProperties": {
        "runTemplate": "automl_child",
        "pipeline_id": "5adc0a4fe02504a586f09a4fcbb241f9a4012062",
        "pipeline_spec": "{\"objects\": [{\"class_name\": \"StandardScaler\", \"module\": \"sklearn.preprocessing\", \"param_args\": [], \"param_kwargs\": {\"with_mean\": true, \"with_std\": false}, \"prepared_kwargs\": {}, \"spec_class\": \"preproc\"}, {\"class_name\": \"LassoLars\", \"module\": \"sklearn.linear_model\", \"param_args\": [], \"param_kwargs\": {\"alpha\": 0.001, \"normalize\": true}, \"prepared_kwargs\": {}, \"spec_class\": \"sklearn\"}], \"pipeline_id\": \"5adc0a4fe02504a586f09a4fcbb241f9a4012062\"}",
        "training_percent": "100",
        "predicted_cost": "0.062226144097381045",
        "iteration": "5",
        "run_template": "automl_child",
        "run_preprocessor": "StandardScalerWrapper",
        "run_algorithm": "LassoLars",
        "conda_env_data_location": "aml://artifact/ExperimentRun/dcid.AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5/outputs/conda_env_v_1_0_0.yml",
        "model_name": "AutoMLad912b2d65",
        "scoring_data_location": "aml://artifact/ExperimentRun/dcid.AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5/outputs/scoring_file_v_1_0_0.py",
        "model_data_location": "aml://artifact/ExperimentRun/dcid.AutoML_ad912b2d-6467-4f32-a616-dbe4af6dd8fc_5/outputs/model.pkl"
    },
   "runStatus": "failed"
   },
  "dataVersion": "",
  "metadataVersion": "1"
}]

Gebeurtenis eigenschappen

Een gebeurtenis heeft de volgende gegevens op het hoogste niveau:

Eigenschap Type Description
topic tekenreeks Volledige bronpad naar de bron van de gebeurtenis. Dit veld is niet beschrijfbaar. Event Grid biedt deze waarde.
subject tekenreeks Het door de uitgever gedefinieerde pad naar het gebeurtenisonderwerp.
eventType tekenreeks Een van de geregistreerde gebeurtenistypen voor deze gebeurtenisbron.
eventTime tekenreeks Het tijdstip waarop de gebeurtenis is gegenereerd op basis van de UTC-tijd van de provider.
id tekenreeks De unieke id voor de gebeurtenis.
data object Gebeurtenis gegevens van Blob-opslag.
dataVersion tekenreeks De schemaversie van het gegevensobject. De uitgever definieert de schemaversie.
metadataVersion tekenreeks De schemaversie van de metagegevens van de gebeurtenis. Event Grid definieert het schema voor de eigenschappen op het hoogste niveau. Event Grid biedt deze waarde.

Het gegevens object heeft de volgende eigenschappen voor elk gebeurtenis type:

Micro soft. MachineLearningServices. ModelRegistered

Eigenschap Type Description
ModelName tekenreeks De naam van het model dat is geregistreerd.
ModelVersion tekenreeks De versie van het model dat is geregistreerd.
ModelTags object De tags van het model dat is geregistreerd.
ModelProperties object De eigenschappen van het model dat is geregistreerd.

Micro soft. MachineLearningServices. ModelDeployed

Eigenschap Type Description
ServiceName tekenreeks De naam van de geïmplementeerde service.
ServiceComputeType tekenreeks Het reken type (bijvoorbeeld ACI, AKS) van de geïmplementeerde service.
ModelIds tekenreeks Een door komma's gescheiden lijst met model-Id's. De Id's van de modellen die in de service zijn geïmplementeerd.
ServiceTags object De tags van de geïmplementeerde service.
ServiceProperties object De eigenschappen van de geïmplementeerde service.

Micro soft. MachineLearningServices. RunCompleted

Eigenschap Type Description
experimentId tekenreeks De ID van het experiment waarvan de uitvoering deel uitmaakt.
experimentName tekenreeks De naam van het experiment waarvan de uitvoering deel uitmaakt.
runId tekenreeks De ID van de uitvoering die is voltooid.
runType tekenreeks Het type uitvoering van de voltooide uitvoering.
runTags object De labels van de voltooide uitvoering.
runProperties object De eigenschappen van de voltooide uitvoering.

Micro soft. MachineLearningServices. DatasetDriftDetected

Eigenschap Type Description
DataDriftId tekenreeks De ID van de gegevensdrijf monitor die de gebeurtenis heeft geactiveerd.
DataDriftName tekenreeks De naam van de gegevensdrijf monitor die de gebeurtenis heeft geactiveerd.
RunId tekenreeks De ID van de uitvoering die gegevens drift heeft gedetecteerd.
BaseDatasetId tekenreeks De ID van de basis gegevensset die wordt gebruikt voor het detecteren van drift.
TargetDatasetId tekenreeks De ID van de doel gegevensset die wordt gebruikt voor het detecteren van drift.
DriftCoefficient double Het coëfficiënt resultaat dat de gebeurtenis heeft geactiveerd.
StartTime datum/tijd De begin tijd van de tijd reeks voor de doel gegevensset die heeft geleid tot de drift-detectie.
EndTime datum/tijd De eind tijd van de tijd reeks van de doel gegevensset die heeft geleid tot de drift-detectie.

Micro soft. MachineLearningServices. RunStatusChanged

Eigenschap Type Description
experimentId tekenreeks De ID van het experiment waarvan de uitvoering deel uitmaakt.
experimentName tekenreeks De naam van het experiment waarvan de uitvoering deel uitmaakt.
runId tekenreeks De ID van de uitvoering die is voltooid.
runType tekenreeks Het type uitvoering van de voltooide uitvoering.
runTags object De labels van de voltooide uitvoering.
runProperties object De eigenschappen van de voltooide uitvoering.
runStatus tekenreeks De status van de uitvoering.

Zelfstudies en handleidingen

Titel Beschrijving
Azure Machine Learning gebeurtenissen gebruiken Overzicht van het integreren van Azure Machine Learning met Event Grid.

Volgende stappen