你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

导出或删除机器学习服务工作区数据

项目
11/11/2024

在 Azure 机器学习中，可以使用门户图形界面或 Python SDK 导出或删除工作区数据。本文介绍这两种选项。

注意

若要了解如何查看或删除个人数据，请参阅 GDPR 的常规数据主体请求、GDPR 的 Azure 数据主体请求或 GDPR 的 Windows 数据主体请求，具体取决于实际领域和需求。有关 GDPR 的详细信息，请参阅 Microsoft 信任中心的 GDPR 部分和服务信任门户的 GDPR 部分。

注意

本文介绍如何删除设备或服务中的个人数据，并且可用于为 GDPR 下的义务提供支持。有关 GDPR 的常规信息，请参阅 Microsoft 信任中心的 GDPR 部分和服务信任门户的 GDPR 部分。

控制工作区数据

Azure 机器学习存储可供导出和删除的产品内数据。可以使用 Azure 机器学习工作室、CLI 或 SDK 导出和删除数据。此外，还可以通过 Azure 隐私门户访问遥测数据。

在 Azure 机器学习中，个人数据包括作业历史记录文档中的用户信息。

Azure 工作区依赖于资源组来保存 Azure 解决方案的相关资源。创建工作区时，可以使用现有资源组，也可以创建新的资源组。有关 Azure 资源组的详细信息，请访问此资源。

使用门户删除高级资源

创建工作区时，Azure 在资源组中创建若干资源：

工作区本身
一个存储帐户
容器注册表
Application Insights 实例
密钥保管库

要删除这些资源，请从列表中选择它们，然后选择“删除”:

重要

如果资源配置为软删除，则实际上不会删除数据，除非选择永久删除资源。有关详细信息，请参阅以下资源：

此时会打开一个确认对话框，可在其中确认选择。

作业历史记录文档可能包含个人用户信息。这些文档存储在 Blob 存储中的存储帐户中，位于 /azureml 子文件夹中。可以从门户下载并删除数据。首先，在 Azure 门户中选择“存储帐户”Azure 服务，如以下屏幕截图所示：

在“存储帐户”页上，选择相关的存储帐户，如以下屏幕截图所示：

选择“容器”，如以下屏幕截图所示：

选择特定容器，如以下屏幕截图所示：

在该容器中，选择并删除要删除的资源，如以下屏幕截图所示：

使用 Azure 机器学习工作室导出和删除机器学习资源

Azure 机器学习工作室提供机器学习资源（如数据资产、模型、笔记本和作业）的统一视图。 Azure 机器学习工作室强调保留数据和试验的记录。可以在浏览器中删除计算性资源–管道和计算资源。对于这些资源，请导航到相关资源然后选择“删除”。

可以注销数据资产和存档作业，但这些操作不会删除数据。若要完全删除数据，数据资产和作业数据需要在存储级别删除。如前所述，在门户中进行存储级别删除。 Azure 机器学习工作室可以处理单个删除。作业删除会删除该作业的数据。

作业的项目和日志下载

Azure 机器学习工作室可以处理试验作业中的训练项目和日志下载。在 Azure 机器学习工作室主页上，选择“作业”，如以下屏幕截图所示：

若要显示可用作业，请选择“所有作业”选项卡，如以下屏幕截图所示：

选择特定作业，如以下屏幕截图所示：

选择“全部下载，如以下屏幕截图所示：

下载已注册的模型

若要下载已注册的模型，请选择“模型”以在 Azure 机器学习工作室中打开“模型列表”，然后选择特定模型，如以下屏幕截图所示：

选择“全部”以启动模型下载过程，如以下屏幕截图所示：

使用 Python SDK 导出和删除资源

可以使用以下内容来下载特定作业的输出：

# 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)

可以使用 Python SDK 删除这些机器学习资源：

类型	函数调用	说明
`Workspace`	`delete`	使用 `delete-dependent-resources` 来级联删除
`Model`	`delete`
`ComputeTarget`	`delete`
`WebService`	`delete`

后续步骤

详细了解如何管理工作区

通过