Azure Machine Learning som en Event Grid-källa

  • Artikel

Den här artikeln innehåller egenskaper och schema för maskininlärningsarbetsytehändelser. En introduktion till händelsescheman finns i Händelseschema för Azure Event Grid.

Tillgängliga händelsetyper

Azure Machine Learning genererar följande händelsetyper:

Händelsetyp beskrivning
Microsoft.MachineLearningServices.ModelRegistered Utlöses när en ny modell- eller modellversion har registrerats.
Microsoft.MachineLearningServices.ModelDeployed Utlöses när modeller har distribuerats till en slutpunkt.
Microsoft.MachineLearningServices.RunCompleted Utlöses när en körning har slutförts.
Microsoft.MachineLearningServices.DatasetDriftDetected Upphöjt när en datamängdsavdriftsövervakare identifierar drift.
Microsoft.MachineLearningServices.RunStatusChanged Utlöses när en körningsstatus ändras.

Exempelhändelser

När en händelse utlöses skickar Event Grid-tjänsten data om händelsen till den prenumererande slutpunkten. Det här avsnittet innehåller ett exempel på hur dessa data skulle se ut för varje händelse.

Microsoft.MachineLearningServices.ModelRegistered-händelse

[{
  "source": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "models/sklearn_regression_model:20",
  "type": "Microsoft.MachineLearningServices.ModelRegistered",
  "time": "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"
    }
  },
  "specversion": "1.0"
}]

Microsoft.MachineLearningServices.ModelDeployed-händelse

[{
  "source": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "endpoints/my-sklearn-service",
  "type": "Microsoft.MachineLearningServices.ModelDeployed",
  "time": "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"
    }
  },
  "specversion": "1.0"
}]

Microsoft.MachineLearningServices.RunCompleted-händelse

[{
  "source": "/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",
  "type": "Microsoft.MachineLearningServices.RunCompleted",
  "time": "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"
    }
  },
  "specversion": "1.0"
}]

Microsoft.MachineLearningServices.DatasetDriftDetected-händelse

[{
  "source": "/subscriptions/{subscription-id}/resourceGroups/{resource-group-name}/providers/Microsoft.MachineLearningServices/workspaces/{workspace-name}",
  "subject": "datadrifts/{}/runs/{}",
  "type": "Microsoft.MachineLearningServices.DatasetDriftDetected",
  "time": "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"
  },
  "specversion": "1.0"
}]

Microsoft.MachineLearningServices.RunStatusChanged-händelse

[{
  "source": "/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",
  "type": "Microsoft.MachineLearningServices.RunStatusChanged",
  "time": "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"
   },
  "specversion": "1.0"
}]

Händelseegenskaper

En händelse har följande data på den översta nivån:

Property Type Description
source sträng Fullständig resurssökväg till händelsekällan. Det här fältet kan inte skrivas. Event Grid ger det här värdet.
subject sträng Utgivardefinierad sökväg till händelseobjektet.
type sträng En av de registrerade händelsetyperna för den här händelsekällan.
time sträng Den tid då händelsen genereras baserat på leverantörens UTC-tid.
id sträng Unik identifierare för händelsen.
data objekt Händelsedata för Blob Storage.
specversion sträng CloudEvents schemaspecifikationsversion.

Dataobjektet har följande egenskaper för varje händelsetyp:

Microsoft.MachineLearningServices.ModelRegistered

Property Type Description
ModelName sträng Namnet på den modell som registrerades.
ModelVersion sträng Den version av modellen som registrerades.
ModelTags objekt Taggarna för modellen som registrerades.
ModelProperties objekt Egenskaperna för den modell som registrerades.

Microsoft.MachineLearningServices.ModelDeployed

Property Type Description
ServiceName sträng Namnet på den distribuerade tjänsten.
ServiceComputeType sträng Beräkningstypen (till exempel ACI, AKS) för den distribuerade tjänsten.
ModelIds sträng En kommaavgränsad lista över modell-ID:t. ID:na för de modeller som distribueras i tjänsten.
ServiceTags objekt Taggarna för den distribuerade tjänsten.
ServiceProperties objekt Egenskaperna för den distribuerade tjänsten.

Microsoft.MachineLearningServices.RunCompleted

Property Type Description
experimentId sträng ID:t för experimentet som körningen tillhör.
experimentName sträng Namnet på experimentet som körningen tillhör.
runId sträng ID:t för körningen som slutfördes.
runType sträng Körningstypen för den slutförda körningen.
runTags objekt Taggarna för den slutförda körningen.
runProperties objekt Egenskaperna för den slutförda Körningen.

Microsoft.MachineLearningServices.DatasetDriftDetected

Property Type Description
DataDriftId sträng ID:t för dataavdriftsövervakaren som utlöste händelsen.
DataDriftName sträng Namnet på dataavdriftsövervakaren som utlöste händelsen.
RunId sträng ID:t för körningen som identifierade dataavvikelsen.
BaseDatasetId sträng ID:t för basdatauppsättningen som används för att identifiera drift.
TargetDatasetId sträng ID:t för måldatauppsättningen som används för att identifiera drift.
DriftCoefficient dubbel Koefficientresultatet som utlöste händelsen.
StartTime datetime Starttiden för måldatamängdens tidsserier som resulterade i driftidentifiering.
EndTime datetime Sluttiden för måldatamängdens tidsserier som resulterade i driftidentifiering.

Microsoft.MachineLearningServices.RunStatusChanged

Property Type Description
experimentId sträng ID:t för experimentet som körningen tillhör.
experimentName sträng Namnet på experimentet som körningen tillhör.
runId sträng ID:t för körningen som slutfördes.
runType sträng Körningstypen för den slutförda körningen.
runTags objekt Taggarna för den slutförda körningen.
runProperties objekt Egenskaperna för den slutförda Körningen.
runStatus sträng Status för körningen.

Självstudier och instruktioner

Title Description
Använda Azure Machine Learning-händelser Översikt över integrering av Azure Machine Learning med Event Grid.

Nästa steg