Pracovní prostory Microsoft.MachineLearningServices/plány 2023-02-01-preview

Článek
12/16/2024

nejnovější
10. 10. 2024
z 10. 10. 2024 ve verzi Preview
2024-07-01-preview
2024-04-04
2024-04-01-preview
1. 1. 2024 ve verzi Preview
10. 10. 2023
2023-08-01-preview
2023-06-01-preview
2023-04-04
2023-04-01-Preview
2023-023-01-preview
12. 12. 2022 ve verzi Preview
10. 10. 2022
10. 10. 2022 ve verzi Preview
2022-06-01-preview

Definice prostředku Bicep

Typ prostředku pracovních prostorů/plánů je možné nasadit s operacemi, které cílí:

skupiny prostředků – viz příkazy nasazení skupiny prostředků

Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.

Formát prostředku

Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující bicep.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-02-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

Objekty DistributionConfiguration

Nastavte distributionType vlastnost určit typ objektu.

Pro mpipoužijte:

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

Pro PyTorchpoužijte:

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

Pro TensorFlowpoužijte:

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int
}

Objekty SamplingAlgorithm

Nastavte samplingAlgorithmType vlastnost určit typ objektu.

Pro Bayesianpoužijte:

{
  samplingAlgorithmType: 'Bayesian'
}

Pro Gridpoužijte:

{
  samplingAlgorithmType: 'Grid'
}

Pro Náhodnépoužijte:

{
  logbase: 'string'
  rule: 'string'
  samplingAlgorithmType: 'Random'
  seed: int
}

Objekty JobInput

Nastavte jobInputType vlastnost určit typ objektu.

Pro custom_modelpoužijte:

{
  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Pro literálpoužijte:

{
  jobInputType: 'literal'
  value: 'string'
}

Pro mlflow_modelpoužijte:

{
  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Pro mltable použijte:

{
  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Pro triton_modelpoužijte:

{
  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Pro uri_filepoužijte:

{
  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Pro uri_folderpoužijte:

{
  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

Objekty SparkJobEntry

Nastavte sparkJobEntryType vlastnost určit typ objektu.

Pro SparkJobPythonEntrypoužijte:

{
  file: 'string'
  sparkJobEntryType: 'SparkJobPythonEntry'
}

Pro SparkJobScalaEntrypoužijte:

{
  className: 'string'
  sparkJobEntryType: 'SparkJobScalaEntry'
}

Objekty JobOutput

Nastavte jobOutputType vlastnost určit typ objektu.

Pro custom_modelpoužijte:

{
  assetName: 'string'
  assetVersion: 'string'
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Pro mlflow_modelpoužijte:

{
  assetName: 'string'
  assetVersion: 'string'
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Pro mltable použijte:

{
  assetName: 'string'
  assetVersion: 'string'
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Pro triton_modelpoužijte:

{
  assetName: 'string'
  assetVersion: 'string'
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Pro uri_filepoužijte:

{
  assetName: 'string'
  assetVersion: 'string'
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Pro uri_folderpoužijte:

{
  assetName: 'string'
  assetVersion: 'string'
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

EarlyTerminationPolicy – objekty

Nastavte vlastnost policyType určit typ objektu.

Pro banditpoužijte:

{
  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int
}

Pro MedianS stop, použijte:

{
  policyType: 'MedianStopping'
}

Pro TruncationSelectionpoužijte:

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

MLAssistConfiguration – objekty

Nastavte mlAssist vlastnost určit typ objektu.

Pro Zakázánopoužijte:

{
  mlAssist: 'Disabled'
}

Pro Povolenopoužijte:

{
  inferencingComputeBinding: 'string'
  mlAssist: 'Enabled'
  trainingComputeBinding: 'string'
}

ForecastHorizon – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode: 'Auto'
}

Pro Vlastnípoužijte:

{
  mode: 'Custom'
  value: int
}

Objekty LabelingJobMediaProperties

Nastavte mediaType vlastnost určit typ objektu.

Pro imagepoužijte:

{
  annotationType: 'string'
  mediaType: 'Image'
}

Pro Textovépoužijte:

{
  annotationType: 'string'
  mediaType: 'Text'
}

TargetRollingWindowSize – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode: 'Auto'
}

Pro Vlastnípoužijte:

{
  mode: 'Custom'
  value: int
}

Objekty IdentityConfiguration

Nastavte vlastnost identityType určit typ objektu.

Pro AMLToken použijte:

{
  identityType: 'AMLToken'
}

Pro spravovanépoužijte:

{
  clientId: 'string'
  identityType: 'Managed'
  objectId: 'string'
  resourceId: 'string'
}

Pro userIdentitypoužijte:

{
  identityType: 'UserIdentity'
}

Objekty AutoMLVertical

Nastavte vlastnost taskType určit typ objektu.

Pro Klasifikacepoužijte:

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(Azure.Bicep.Types.Concrete.AnyType)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Classification'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pro prognózy použijte:

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(Azure.Bicep.Types.Concrete.AnyType)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Forecasting'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pro ImageClassificationpoužijte:

{
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointFrequency: int
    checkpointModel: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    momentum: int
    nesterov: bool
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    trainingBatchSize: int
    trainingCropSize: int
    validationBatchSize: int
    validationCropSize: int
    validationResizeSize: int
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
    weightedLoss: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      momentum: 'string'
      nesterov: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      trainingBatchSize: 'string'
      trainingCropSize: 'string'
      validationBatchSize: 'string'
      validationCropSize: 'string'
      validationResizeSize: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
      weightedLoss: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

Pro ImageClassificationMultilabelpoužijte:

{
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointFrequency: int
    checkpointModel: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    momentum: int
    nesterov: bool
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    trainingBatchSize: int
    trainingCropSize: int
    validationBatchSize: int
    validationCropSize: int
    validationResizeSize: int
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
    weightedLoss: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      momentum: 'string'
      nesterov: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      trainingBatchSize: 'string'
      trainingCropSize: 'string'
      validationBatchSize: 'string'
      validationCropSize: 'string'
      validationResizeSize: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
      weightedLoss: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

Pro ImageInstanceSegmentationpoužijte:

{
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointFrequency: int
    checkpointModel: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      tileGridSize: 'string'
      tileOverlapRatio: 'string'
      tilePredictionsNmsThreshold: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      validationIouThreshold: 'string'
      validationMetricType: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageInstanceSegmentation'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

Pro ImageObjectDetectionpoužijte:

{
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointFrequency: int
    checkpointModel: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    checkpointRunId: 'string'
    distributed: bool
    earlyStopping: bool
    earlyStoppingDelay: int
    earlyStoppingPatience: int
    enableOnnxNormalization: bool
    evaluationFrequency: int
    gradientAccumulationStep: int
    imageSize: int
    layersToFreeze: int
    learningRate: int
    learningRateScheduler: 'string'
    maxSize: int
    minSize: int
    modelName: 'string'
    modelSize: 'string'
    momentum: int
    multiScale: bool
    nesterov: bool
    nmsIouThreshold: int
    numberOfEpochs: int
    numberOfWorkers: int
    optimizer: 'string'
    randomSeed: int
    stepLRGamma: int
    stepLRStepSize: int
    tileGridSize: 'string'
    tileOverlapRatio: int
    tilePredictionsNmsThreshold: int
    trainingBatchSize: int
    validationBatchSize: int
    validationIouThreshold: int
    validationMetricType: 'string'
    warmupCosineLRCycles: int
    warmupCosineLRWarmupEpochs: int
    weightDecay: int
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      stepLRGamma: 'string'
      stepLRStepSize: 'string'
      tileGridSize: 'string'
      tileOverlapRatio: 'string'
      tilePredictionsNmsThreshold: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      validationIouThreshold: 'string'
      validationMetricType: 'string'
      warmupCosineLRCycles: 'string'
      warmupCosineLRWarmupEpochs: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageObjectDetection'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

Pro regresnípoužijte:

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(Azure.Bicep.Types.Concrete.AnyType)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Regression'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pro TextClassification použijte:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Pro TextClassificationMultilabelpoužijte:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Pro TextNERpoužijte:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextNER'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Uzly – objekty

Nastavte vlastnost nodesValueType určit typ objektu.

Pro Všechnypoužijte:

{
  nodesValueType: 'All'
}

Objekty TriggerBase

Nastavte vlastnost triggerType určit typ objektu.

Pro Cronpoužijte:

{
  expression: 'string'
  triggerType: 'Cron'
}

Pro opakovánípoužijte:

{
  frequency: 'string'
  interval: int
  schedule: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    monthDays: [
      int
    ]
    weekDays: [
      'string'
    ]
  }
  triggerType: 'Recurrence'
}

ScheduleActionBase – objekty

Nastavte actionType vlastnost určit typ objektu.

Pro CreateJobpoužijte:

{
  actionType: 'CreateJob'
  jobDefinition: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
    }
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Pro InvokeBatchEndpointpoužijte:

{
  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any(Azure.Bicep.Types.Concrete.AnyType)
}

TargetLags – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode: 'Auto'
}

Pro Vlastnípoužijte:

{
  mode: 'Custom'
  values: [
    int
  ]
}

NCrossValidations – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode: 'Auto'
}

Pro Vlastnípoužijte:

{
  mode: 'Custom'
  value: int
}

Objekty sezónnosti

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode: 'Auto'
}

Pro Vlastnípoužijte:

{
  mode: 'Custom'
  value: int
}

Objekty JobBaseProperties

Nastavte vlastnost jobType určit typ objektu.

Pro AutoML použijte:

{
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  jobType: 'AutoML'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }
}

Vpříkazu použijte:

{
  autologgerSettings: {
    mlflowAutologger: 'string'
  }
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobType: 'Command'
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
}

Pro popiskypoužijte:

{
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefresh: 'string'
  }
  jobInstructions: {
    uri: 'string'
  }
  jobType: 'Labeling'
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: ...
          }
        }
      }
      displayName: 'string'
      multiSelect: 'string'
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }
}

Prokanálu použijte:

{
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobs: {
    {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
  }
  jobType: 'Pipeline'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  settings: any(Azure.Bicep.Types.Concrete.AnyType)
  sourceJobId: 'string'
}

Pro Sparkpoužijte:

{
  archives: [
    'string'
  ]
  args: 'string'
  codeId: 'string'
  conf: {
    {customized property}: 'string'
  }
  entry: {
    sparkJobEntryType: 'string'
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId: 'string'
  files: [
    'string'
  ]
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jars: [
    'string'
  ]
  jobType: 'Spark'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }
}

Pro Ukliditpoužijte:

{
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobType: 'Sweep'
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  samplingAlgorithm: {
    samplingAlgorithmType: 'string'
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace: any(Azure.Bicep.Types.Concrete.AnyType)
  trial: {
    codeId: 'string'
    command: 'string'
    distribution: {
      distributionType: 'string'
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId: 'string'
    environmentVariables: {
      {customized property}: 'string'
    }
    resources: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      locations: [
        'string'
      ]
      properties: {
        {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
      }
      shmSize: 'string'
    }
  }
}

Hodnoty vlastností

AllNodes

Jméno	Popis	Hodnota
nodesValueType	[Povinné] Typ hodnoty Uzly	All (povinné)

AmlToken

Jméno	Popis	Hodnota
identityType	[Povinné] Určuje typ architektury identit.	AMLToken (povinné)

AutoForecastHorizon

Jméno	Popis	Hodnota
režim	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.	Auto (povinné)

AutologgerSettings

Jméno	Popis	Hodnota
mlflowAutologger	[Povinné] Určuje, jestli je povolený autologger mlflow.	Zakázáno Povoleno (povinné)

AutoMLJob

Jméno	Popis	Hodnota
environmentId	ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy.	řetězec
environmentVariables	Proměnné prostředí zahrnuté v úloze	AutoMLJobEnvironmentVariables
jobType	[Povinné] Určuje typ úlohy.	AutoML (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	AutoMLJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration
taskDetails	[Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image.	AutoMLVertical (povinné)

AutoMLJobEnvironmentVariables

Jméno	Popis	Hodnota

AutoMLJobOutputs

Jméno	Popis	Hodnota

AutoMLVertical

Jméno	Popis	Hodnota
logVerbosity	Protokolování podrobností pro úlohu	Kritické Ladění Chyba Informace NotSet "Upozornění"
targetColumnName	Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.	řetězec
taskType	Nastavte na Classification (Klasifikace) pro typ Classification( Klasifikace ). U typu prognózy nastavte na Forecasting . Nastavte na ImageClassification pro typ ImageClassification. Nastavte na ImageClassificationMultilabel pro typ ImageClassificationMultilabel. Nastavte na ImageInstanceSegmentation pro typ ImageInstanceSegmentation. Nastavte na ImageObjectDetection pro typ ImageObjectDetection. Pro typ regresenastavte hodnotu Regrese . Nastavte na TextClassification pro typ TextClassification. Nastavte na TextClassificationMultilabel pro typ TextClassificationMultilabel. Nastavte na TextNER pro typ TextNer.	Klasifikace Prognózování ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regrese 'TextClassification' TextClassificationMultilabel TextNER (povinné)
trainingData	[Povinné] Trénování vstupu dat	MLTableJobInput (povinné)

AutoNCrossValidations

Jméno	Popis	Hodnota
režim	[Povinné] Režim pro určení N-Křížové ověřování	Auto (povinné)

AutoSeasonality

Jméno	Popis	Hodnota
režim	[Povinné] Režim sezónnosti.	Auto (povinné)

AutoTargetLags

Jméno	Popis	Hodnota
režim	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní	Auto (povinné)

AutoTargetRollingWindowSize

Jméno	Popis	Hodnota
režim	[Povinné] TargetRollingWindowSiz – režim detekce	Auto (povinné)

BanditPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	Bandit (povinné)
SlackAmount	Absolutní vzdálenost povolená od nejlepšího spuštění.	Int
SlackFactor	Poměr povolené vzdálenosti od nejlepšího spuštění	Int

BayesianSamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	Bayesian (povinné)

Klasifikace

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
positiveLabel	Kladný popisek pro výpočet binárních metrik	řetězec
primaryMetric	Primární metrika úkolu	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Klasifikace (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	ClassificationTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

ClassificationTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro úlohu klasifikace	Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier
blockedTrainingAlgorithms	Blokované modely pro úlohu klasifikace	Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

ColumnTransformer

Jméno	Popis	Hodnota
pole	Pole, na která se má použít logika transformátoru	string[]
parametry	Různé vlastnosti, které se mají předat transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON.	jakýkoliv

CommandJob

Jméno	Popis	Hodnota
autologgerSettings	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	AutologgerSettings
codeId	ID prostředku ARM prostředku kódu	řetězec
příkaz	[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
distribuce	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	DistributionConfiguration
environmentId	[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
environmentVariables	Proměnné prostředí zahrnuté v úloze	CommandJobEnvironmentVariables
vstupy	Mapování vstupních datových vazeb použitých v úloze	CommandJobInputs
jobType	[Povinné] Určuje typ úlohy.	Příkaz (povinné)
hranice	Limit úlohy příkazu.	CommandJobLimits
výstupy	Mapování výstupních datových vazeb použitých v úloze	CommandJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration

CommandJobEnvironmentVariables

Jméno	Popis	Hodnota

CommandJobInputs

Jméno	Popis	Hodnota

CommandJobLimits

Jméno	Popis	Hodnota
jobLimitsType	[Povinné] Typ JobLimit.	Příkaz Uklidit (povinné)
přerušení zápasu	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.	řetězec

CommandJobOutputs

Jméno	Popis	Hodnota

CronTrigger

Jméno	Popis	Hodnota
výraz	[Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
triggerType	[Povinné]	Cron (povinné)

CustomForecastHorizon

Jméno	Popis	Hodnota
režim	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.	Vlastní (povinné)
hodnota	[Povinné] Hodnota horizontu prognózy.	int (povinné)

CustomModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Custom_model (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

CustomModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Custom_model (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

CustomNCrossValidations

Jméno	Popis	Hodnota
režim	[Povinné] Režim pro určení N-Křížové ověřování	Vlastní (povinné)
hodnota	[Povinné] Hodnota N-Křížové ověřování	int (povinné)

CustomSeasonality

Jméno	Popis	Hodnota
režim	[Povinné] Režim sezónnosti.	Vlastní (povinné)
hodnota	[Povinné] Hodnota sezónnosti	int (povinné)

CustomTargetLags

Jméno	Popis	Hodnota
režim	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní	Vlastní (povinné)
hodnoty	[Povinné] Nastavte hodnoty prodlev cíle.	int[] (povinné)

CustomTargetRollingWindowSize

Jméno	Popis	Hodnota
režim	[Povinné] TargetRollingWindowSiz – režim detekce	Vlastní (povinné)
hodnota	[Povinné] TargetRollingWindowSize value.	int (povinné)

DistributionConfiguration

Jméno	Popis	Hodnota
distributionType	Pro typ Mpi nastavte na Mpi . Nastavte na PyTorch pro typ PyTorch. Nastavte na TensorFlow pro typ TensorFlow.	Mpi "PyTorch" TensorFlow (povinné)

EarlyTerminationPolicy

Jméno	Popis	Hodnota
delayEvaluation	Početintervalch	Int
evaluationInterval	Interval (počet spuštění) mezi vyhodnoceními zásad	Int
policyType	Pro typ BanditPolicynastavte na hodnotu BanditPolicy . Pro typ MedianStoppingPolicynastavte hodnotu MedianStoppingPolicy . Pro typ TruncationSelectionPolicynastavte hodnotu TruncationSelectionPolicy .	Bandit "MediánS stop" TruncationSelection (povinné)

EndpointScheduleAction

Jméno	Popis	Hodnota
actionType	[Povinné] Určuje typ akce plánu.	InvokeBatchEndpoint (povinné)
endpointInvocationDefinition	[Povinné] Definuje podrobnosti definice plánovače akce. <viz href="TBD" />	libovolná (povinná)

ForecastHorizon

Jméno	Popis	Hodnota
režim	Pro typ AutoForecastHorizon nastavte na hodnotu AutoForecastHorizon. Pro typ CustomForecastHorizonna hodnotu Custom .	"Automaticky" Vlastní (povinné)

Prognostika

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
forecastingSettings	Prognózování vstupů specifických pro úlohu	ForecastingSettings
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
primaryMetric	Primární metrika pro prognózování úkolu	NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Prognózování (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	ForecastingTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

ForecastingSettings

Jméno	Popis	Hodnota
countryOrRegionForHolidays	Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB".	řetězec
cvStepSize	Početobdobíchch Pro Pokud například `CVStepSize` = 3 pro denní data, čas počátku každého přeložení bude tři dny od sebe.	Int
featureLags	Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null	"Automaticky" None (Žádný)
forecastHorizon	Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad.	ForecastHorizon
frekvence	Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad.	řetězec
sezónnost	Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena.	sezónnost
shortSeriesHandlingConfig	Parametr definující, jak by AutoML měl zpracovávat krátké časové řady.	"Automaticky" Drop None (Žádný) 'Pad'
targetAggregateFunction	Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".	Max "Střední" "Min" None (Žádný) Sum
targetLags	Počet minulých období, která se mají od cílového sloupce zpožďovat.	TargetLags
targetRollingWindowSize	Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce.	TargetRollingWindowSize
timeColumnName	Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence.	řetězec
timeSeriesIdColumnNames	Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy.	string[]
useStl	Nakonfigurujte rozklad STL cílového sloupce časové řady.	None (Žádný) 'Sezóna' 'SeasonTrend'

ForecastingTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro prognózování úkolu.	Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SeasonalAverage' 'SeasonalNaive' 'SGD' TCNForecaster XGBoostRegressor
blockedTrainingAlgorithms	Blokované modely pro úlohu prognózování	Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SeasonalAverage' 'SeasonalNaive' 'SGD' TCNForecaster XGBoostRegressor
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

GridSamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	"Mřížka" (povinné)

IdentityConfiguration

Jméno	Popis	Hodnota
identityType	Nastavte na AMLToken pro typ AmlToken. Pro typ ManagedIdentitynastavte na ManagedIdentity . Pro typ UserIdentitynastavte hodnotu UserIdentity .	AMLToken Spravovaná UserIdentity (povinné)

ImageClassification

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	imageModelSettingsClassification
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsClassification[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageClassification (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageClassificationMultilabel

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	imageModelSettingsClassification
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	Přesnost AUCWeighted AveragePrecisionScoreWeighted "IOU" NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsClassification[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageClassificationMultilabel (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageInstanceSegmentation

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	ImageModelSettingsObjectDetection
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	'MeanAveragePrecision'
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageInstanceSegmentation (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageLimitSettings

Jméno	Popis	Hodnota
maxConcurrentTrials	Maximální počet souběžných iterací AutoML	Int
maxTrials	Maximální počet iterací AutoML	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec

ImageModelDistributionSettingsClassification

Jméno	Popis	Hodnota
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	řetězec
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
distribuovaný	Zda se má použít trénování distribuátoru.	řetězec
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	řetězec
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	řetězec
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	řetězec
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	řetězec
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	řetězec
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	řetězec
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	řetězec
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	řetězec
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	řetězec
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	řetězec
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	řetězec
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	řetězec
optimizátor	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.	řetězec
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	řetězec
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	řetězec
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	řetězec
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	řetězec
trainingCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.	řetězec
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	řetězec
validationCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.	řetězec
validationResizeSize	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.	řetězec
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	řetězec
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	řetězec
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	řetězec
weightedLoss	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.	řetězec

ImageModelDistributionSettingsObjectDetection

Jméno	Popis	Hodnota
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	řetězec
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
boxDetectionsPerImage	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
boxScoreThreshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].	řetězec
distribuovaný	Zda se má použít trénování distribuátoru.	řetězec
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	řetězec
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	řetězec
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	řetězec
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	řetězec
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	řetězec
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	řetězec
imageSize	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	řetězec
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	řetězec
maxSize	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
minSize	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
modelSize	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	řetězec
multiScale	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	řetězec
nmsIouThreshold	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1].	řetězec
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	řetězec
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	řetězec
optimizátor	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.	řetězec
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	řetězec
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	řetězec
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	řetězec
tileGridSize	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tileOverlapRatio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tilePredictionsNmsThreshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení	řetězec
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	řetězec
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	řetězec
validationIouThreshold	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].	řetězec
validationMetricType	Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc.	řetězec
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	řetězec
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	řetězec
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	řetězec

ImageModelSettingsClassification

Jméno	Popis	Hodnota
advancedSettings	Nastavení pro pokročilé scénáře	řetězec
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	Bool
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
checkpointFrequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Int
checkpointModel	Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.	MLFlowModelJobInput
checkpointRunId	ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	řetězec
distribuovaný	Jestli se má používat distribuované trénování.	Bool
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	Bool
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	Int
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	Int
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	Bool
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	Int
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	Int
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Int
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	None (Žádný) Krok WarmupCosine
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	Int
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	Bool
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	Int
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	Int
optimizátor	Typ optimalizátoru	Adam Adamw None (Žádný) 'Sgd'
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	Int
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	Int
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	Int
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	Int
trainingCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.	Int
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	Int
validationCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.	Int
validationResizeSize	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.	Int
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	Int
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	Int
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	Int
weightedLoss	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.	Int

ImageModelSettingsObjectDetection

Jméno	Popis	Hodnota
advancedSettings	Nastavení pro pokročilé scénáře	řetězec
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	Bool
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
boxDetectionsPerImage	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
boxScoreThreshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].	Int
checkpointFrequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Int
checkpointModel	Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.	MLFlowModelJobInput
checkpointRunId	ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	řetězec
distribuovaný	Jestli se má používat distribuované trénování.	Bool
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	Bool
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	Int
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	Int
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	Bool
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	Int
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	Int
imageSize	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	Int
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Int
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	None (Žádný) Krok WarmupCosine
maxSize	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
minSize	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
modelSize	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	ExtraLarge "Velké" "Střední" None (Žádný) "Malý"
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	Int
multiScale	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	Bool
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	Bool
nmsIouThreshold	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí to být plovák v rozsahu [0, 1].	Int
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	Int
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	Int
optimizátor	Typ optimalizátoru	Adam Adamw None (Žádný) 'Sgd'
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	Int
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	Int
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	Int
tileGridSize	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tileOverlapRatio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
tilePredictionsNmsThreshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	Int
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	Int
validationIouThreshold	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].	Int
validationMetricType	Metoda výpočtů metrik, která se má použít pro ověřovací metriky.	"Coco" CocoVoc None (Žádný) "Voc"
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	Int
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	Int
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	Int

ImageObjectDetection

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	ImageModelSettingsObjectDetection
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	'MeanAveragePrecision'
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageObjectDetection (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmů vzorkování hyperparametrů	"Bayesian" Mřížka Random (povinné)

JobBaseProperties

Jméno	Popis	Hodnota
componentId	ID prostředku ARM prostředku komponenty	řetězec
computeId	ID prostředku ARM výpočetního prostředku	řetězec
popis	Text popisu prostředku.	řetězec
displayName	Zobrazovaný název úlohy.	řetězec
experimentName	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.	řetězec
identita	Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.	IdentityConfiguration
isArchived	Archivuje se asset?	Bool
jobType	Nastavte na AutoML pro typ AutoMLJob. Pro typ CommandJobnastavte na CommandJob . Pro typ LabelingJobPropertiesnastavte na Popisování. Pro typ PipelineJobnastavte hodnotu PipelineJob . Nastavte na Spark pro typ SparkJob. Nastavte na "Uklidit" pro typ SweepJob.	AutoML Příkaz "Popisování" Kanál Spark Uklidit (povinné)
notificationSetting	Nastavení oznámení pro úlohu	NotificationSetting
vlastnosti	Slovník vlastností assetu.	ResourceBaseProperties
služby	Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.	JobBaseServices
visačky	Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.	ResourceBaseTags

JobBaseServices

Jméno	Popis	Hodnota

JobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	Nastavte na custom_model pro typ CustomModelJobInput. Pro typ LiteralJobInputnastavte hodnotu literálu . Pro typ MLFlowModelJobInputnastavte hodnotu mlflow_model . Pro typ MLTableJobInputnastavte hodnotu mltable . Nastavte na triton_model pro typ TritonModelJobInput. Nastavte na uri_file pro typ UriFileJobInput. Pro typ UriFolderJobInputnastavte hodnotu uri_folder .	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)

JobOutput

Jméno	Popis	Hodnota
popis	Popis výstupu	řetězec
jobOutputType	Nastavte na custom_model pro typ CustomModelJobOutput. Nastavte na mlflow_model pro typ MLFlowModelJobOutput. Pro typ MLTableJobOutputnastavte hodnotu mltable . Nastavte na triton_model pro typ TritonModelJobOutput. Nastavte na uri_file pro typ UriFileJobOutput. Pro typ UriFolderJobOutputna hodnotu 'uri_folder'.	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)

JobResourceConfiguration

Jméno	Popis	Hodnota
dockerArgs	Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML.	řetězec
instanceCount	Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem.	Int
instanceType	Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.	řetězec
Místa	Umístění, kde může úloha běžet.	string[]
vlastnosti	Taška s dalšími vlastnostmi.	ResourceConfigurationProperties
shmSize	Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty).	řetězec Omezení: Model = `\d+[bBkKmMgG]`

JobScheduleAction

Jméno	Popis	Hodnota
actionType	[Povinné] Určuje typ akce plánu.	CreateJob (povinné)
jobDefinition	[Povinné] Definuje podrobnosti definice plánovače akce.	JobBaseProperties (povinné)

JobService

Jméno	Popis	Hodnota
zakončení	Adresa URL koncového bodu	řetězec
jobServiceType	Typ koncového bodu.	řetězec
uzly	Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu.	Uzly
přístav	Port pro koncový bod nastavený uživatelem	Int
vlastnosti	Další vlastnosti, které se mají nastavit na koncovém bodu.	JobServiceProperties

JobServiceProperties

Jméno	Popis	Hodnota

LabelCategory

Jméno	Popis	Hodnota
vyučování	Slovník tříd popisků v této kategorii.	LabelCategoryClasses
displayName	Zobrazovaný název kategorie popisku	řetězec
multiSelect	Určuje, zda je povoleno vybrat více tříd v této kategorii.	Zakázáno Povoleno

LabelCategoryClasses

Jméno	Popis	Hodnota

LabelClass

Jméno	Popis	Hodnota
displayName	Zobrazovaný název třídy popisku	řetězec
Podtříd	Slovník podtříd popisků třídy.	LabelClassSubclasses

LabelClassSubclasses

Jméno	Popis	Hodnota

LabelingDataConfiguration

Jméno	Popis	Hodnota
dataId	ID prostředku datového prostředku, který má být označen.	řetězec
incrementalDataRefresh	Určuje, jestli se má přírůstková aktualizace dat povolit.	Zakázáno Povoleno

PopiskyJobImageProperties

Jméno	Popis	Hodnota
annotationType	Typ poznámky úlohy popisování obrázků	"BoundingBox" Klasifikace InstanceSegmentation
mediaType	[Povinné] Typ média úlohy.	Image (povinné)

LabelingJobInstructions

Jméno	Popis	Hodnota
identifikátor uri	Odkaz na stránku s podrobnými pokyny pro popisky popisků	řetězec

PopiskyJobLabelCategories

Jméno	Popis	Hodnota

PopiskyJobMediaProperties

Jméno	Popis	Hodnota
mediaType	Nastavte na Image pro typ LabelingJobImageProperties. Nastavte na Text pro typ LabelingJobTextProperties.	Obrázek Text (povinné)

PopiskyJobProperties

Jméno	Popis	Hodnota
dataConfiguration	Konfigurace dat použitých v úloze	LabelingDataConfiguration
jobInstructions	Pokyny k označení úlohy	labelingJobInstructions
jobType	[Povinné] Určuje typ úlohy.	"Popisování" (povinné)
labelCategories	Označte kategorie úlohy.	labelingJobLabelCategories
labelingJobMediaProperties	Vlastnosti specifické pro typ média v úloze	labelingJobMediaProperties
mlAssistConfiguration	Konfigurace funkce MLAssist v úloze	MLAssistConfiguration

PopiskyJobTextProperties

Jméno	Popis	Hodnota
annotationType	Typ poznámky úlohy popisování textu	Klasifikace NamedEntityRecognition
mediaType	[Povinné] Typ média úlohy.	Text (povinné)

LiteralJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Literál (povinné)
hodnota	[Povinné] Hodnota literálu pro vstup	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

ManagedIdentity

Jméno	Popis	Hodnota
clientId	Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole.	řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identityType	[Povinné] Určuje typ architektury identit.	Spravované (povinné)
objectId	Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole.	řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
resourceId	Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole.	řetězec

MedianStoppingPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	'MedinStopping' (povinné)

Microsoft.MachineLearningServices/workspaces/schedules

Jméno	Popis	Hodnota
Jméno	Název prostředku	řetězec Omezení: Model = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` (povinné)
rodič	V bicep můžete zadat nadřazený prostředek pro podřízený prostředek. Tuto vlastnost je potřeba přidat pouze v případě, že je podřízený prostředek deklarován mimo nadřazený prostředek. Další informace najdete v tématu Podřízený prostředek mimo nadřazený prostředek.	Symbolický název prostředku typu: pracovních prostorů
vlastnosti	[Povinné] Další atributy entity.	ScheduleProperties (povinné)

MLAssistConfiguration

Jméno	Popis	Hodnota
mlAssist	Pro typ MLAssistConfigurationDisabledna hodnotu Disabled . Pro typ MLAssistConfigurationEnabled nastavte na Povoleno.	Zakázáno Povoleno (povinné)

MLAssistConfigurationDisabled

Jméno	Popis	Hodnota
mlAssist	[Povinné] Určuje, jestli je povolená funkce MLAssist.	Zakázáno (povinné)

MLAssistConfigurationEnabled

Jméno	Popis	Hodnota
odvozováníComputeBinding	[Povinné] Výpočetní vazba AML použitá při odvozování	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
mlAssist	[Povinné] Určuje, jestli je povolená funkce MLAssist.	Povoleno (povinné)
trainingComputeBinding	[Povinné] Výpočetní vazba AML použitá při trénování	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Mlflow_model (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	[Povinné] Určuje typ úlohy.	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Mlflow_model (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

MLTableJobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	[Povinné] Určuje typ úlohy.	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLTableJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"mltable" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLTableJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"mltable" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

Mpi

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	Mpi (povinné)
processCountPerInstance	Počet procesů na uzel MPI	Int

NCrossValidations

Jméno	Popis	Hodnota
režim	Pro typ AutoNCrossValidationsnastavte hodnotu AutoNCrossValidations . Pro typ CustomNCrossValidationsna hodnotu CustomNCrossValidations .	"Automaticky" Vlastní (povinné)

NlpFixedParameters

Jméno	Popis	Hodnota
gradientAccumulationSteps	Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu	Int
learningRate	Míra výuky pro postup trénování.	Int
learningRateScheduler	Typ plánu rychlosti učení, který se má použít během trénovacího postupu.	Konstanta ConstantWithWarmup "Kosinus" CosineWithRestarts Lineární None (Žádný) Polynomické
modelName	Název modelu, který se má vytrénovat.	řetězec
numberOfEpochs	Počet epoch trénování.	Int
trainingBatchSize	Velikost dávky pro trénovací proceduru.	Int
validationBatchSize	Velikost dávky, která se má použít při vyhodnocování.	Int
warmupRatio	Poměr tepla, použitý spolu s LrSchedulerType.	Int
weightDecay	Hmotnost pro trénovací proceduru se rozpadla.	Int

NlpParameterSubspace

Jméno	Popis	Hodnota
gradientAccumulationSteps	Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu	řetězec
learningRate	Míra výuky pro postup trénování.	řetězec
learningRateScheduler	Typ plánu rychlosti učení, který se má použít během trénovacího postupu.	řetězec
modelName	Název modelu, který se má vytrénovat.	řetězec
numberOfEpochs	Počet epoch trénování.	řetězec
trainingBatchSize	Velikost dávky pro trénovací proceduru.	řetězec
validationBatchSize	Velikost dávky, která se má použít při vyhodnocování.	řetězec
warmupRatio	Poměr tepla, použitý spolu s LrSchedulerType.	řetězec
weightDecay	Hmotnost pro trénovací proceduru se rozpadla.	řetězec

NlpSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení pro úlohu úklidu	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmu vzorkování	"Bayesian" Mřížka Random (povinné)

NlpVerticalFeaturizationSettings

Jméno	Popis	Hodnota
datasetLanguage	Jazyk datové sady, užitečný pro textová data.	řetězec

NlpVerticalLimitSettings

Jméno	Popis	Hodnota
maxConcurrentTrials	Maximální počet souběžných iterací AutoML	Int
maxNodes	Maximální počet uzlů, které se mají použít pro experiment.	Int
maxTrials	Počet iterací AutoML	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec
trialTimeout	Časový limit jednotlivých zkušebních verzí HD	řetězec

Uzly

Jméno	Popis	Hodnota
nodesValueType	Pro typ AllNodes nastavte hodnotu AllNodes.	All (povinné)

NotificationSetting

Jméno	Popis	Hodnota
emailOn	Odeslání e-mailového oznámení uživateli u zadaného typu oznámení	Řetězcové pole obsahující některou z těchto možností: JobCancelled JobCompleted Úloha se nezdařila.
e-maily	Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky.	string[]

Objektivní

Jméno	Popis	Hodnota
branka	[Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů.	Maximalizovat Minimalizovat (povinné)
primaryMetric	[Povinné] Název metriky pro optimalizaci	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

PipelineJob

Jméno	Popis	Hodnota
vstupy	Vstupy pro úlohu kanálu.	PipelineJobInputs
pracovní místa	Úlohy sestavují úlohu kanálu.	PipelineJobJobs
jobType	[Povinné] Určuje typ úlohy.	Kanál (povinné)
výstupy	Výstupy pro úlohu kanálu	PipelineJobOutputs
nastavení	Nastavení kanálu, například ContinueRunOnStepFailure atd.	jakýkoliv
sourceJobId	ID prostředku ARM zdrojové úlohy.	řetězec

PipelineJobInputs

Jméno	Popis	Hodnota

PipelineJobJobs

Jméno	Popis	Hodnota

PipelineJobOutputs

Jméno	Popis	Hodnota

PyTorch

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	PyTorch (povinné)
processCountPerInstance	Počet procesů na uzel	Int

QueueSettings

Jméno	Popis	Hodnota
jobTier	Výčet k určení úrovně úlohy	"Základní" Premium "Spot" "Standardní"
priorita	Řídí prioritu úlohy ve výpočetním prostředí.	Int

RandomSamplingAlgorithm

Jméno	Popis	Hodnota
logbase	Volitelné kladné číslo nebo e ve formátu řetězce, které se má použít jako základ pro náhodné vzorkování založené na protokolu	řetězec
pravidlo	Konkrétní typ náhodného algoritmu	Random "Sobol"
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	Random (povinné)
semeno	Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel	Int

RecurrenceSchedule

Jméno	Popis	Hodnota
hodiny	[Povinné] Seznam hodin pro plán	int[] (povinné)
minuty	[Povinné] Seznam minut pro plán	int[] (povinné)
monthDays	Seznam dnů měsíce pro plán	int[]
všední dny	Seznam dnů pro plán	Řetězcové pole obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa"

RecurrenceTrigger

Jméno	Popis	Hodnota
frekvence	[Povinné] Frekvence aktivace plánu.	"Den" Hodina "Minuta" "Měsíc" "Týden" (povinné)
interval	[Povinné] Určuje interval plánu ve spojení s frekvencí.	int (povinné)
naplánovat	Plán opakování.	opakování
triggerType	[Povinné]	Opakování (povinné)

Regrese

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
primaryMetric	Primární metrika pro regresní úlohu	NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Regrese (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	RegressionTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

RegressionTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro regresní úlohu	Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor
blockedTrainingAlgorithms	Blokované modely pro regresní úlohu	Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

ResourceBaseProperties

Jméno	Popis	Hodnota

ResourceBaseProperties

Jméno	Popis	Hodnota

Značky ResourceBaseTags

Jméno	Popis	Hodnota

Značky ResourceBaseTags

Jméno	Popis	Hodnota

ResourceConfigurationProperties

Jméno	Popis	Hodnota

SamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	Nastavte na 'Bayesian' pro typ BayesianSamplingAlgorithm. Pro typ GridSamplingAlgorithmnastavte hodnotu GridSamplingAlgorithm . Pro typ RandomSamplingAlgorithmna hodnotu RandomSamplingAlgorithm .	"Bayesian" Mřížka Random (povinné)

ScheduleActionBase

Jméno	Popis	Hodnota
actionType	Nastavte na CreateJob pro typ JobScheduleAction. Nastavte na InvokeBatchEndpoint pro typ EndpointScheduleAction.	CreateJob InvokeBatchEndpoint (povinné)

ScheduleProperties

Jméno	Popis	Hodnota
akce	[Povinné] Určuje akci plánu.	ScheduleActionBase (povinné)
popis	Text popisu prostředku.	řetězec
displayName	Zobrazovaný název plánu	řetězec
isEnabled	Je plán povolený?	Bool
vlastnosti	Slovník vlastností assetu.	ResourceBaseProperties
visačky	Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.	ResourceBaseTags
spoušť	[Povinné] Určuje podrobnosti o triggeru.	triggerBase (povinné)

Sezónnost

Jméno	Popis	Hodnota
režim	U typu AutoSeasonalityna hodnotu AutoSeasonality . Pro typ CustomSeasonalityna hodnotu Custom .	"Automaticky" Vlastní (povinné)

SparkJob

Jméno	Popis	Hodnota
archiv	Archivovat soubory použité v úloze	string[]
args	Argumenty pro úlohu.	řetězec
codeId	[Povinné] ID prostředku ARM prostředku kódu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
Conf	Nakonfigurované vlastnosti Sparku	SparkJobConf
položka	[Povinné] Položka, která se má provést při spuštění úlohy.	sparkjobEntry (povinné)
environmentId	ID prostředku ARM specifikace prostředí pro úlohu.	řetězec
soubory	Soubory použité v úloze.	string[]
vstupy	Mapování vstupních datových vazeb použitých v úloze	SparkJobInputs
nádoby	Soubory JAR použité v úloze.	string[]
jobType	[Povinné] Určuje typ úlohy.	Spark (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	SparkJobOutputs
pyFiles	Soubory Pythonu používané v úloze	string[]
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	SparkResourceConfiguration

SparkJobConf

Jméno	Popis	Hodnota

SparkJobEntry

Jméno	Popis	Hodnota
sparkJobEntryType	Nastavte na SparkJobPythonEntry pro typ SparkJobPythonEntry. Nastavte na SparkJobScalaEntry pro typ SparkJobScalaEntry.	SparkJobPythonEntry SparkJobScalaEntry (povinné)

SparkJobInputs

Jméno	Popis	Hodnota

SparkJobOutputs

Jméno	Popis	Hodnota

SparkJobPythonEntry

Jméno	Popis	Hodnota
soubor	[Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
sparkJobEntryType	[Povinné] Typ vstupního bodu úlohy	SparkJobPythonEntry (povinné)

SparkJobScalaEntry

Jméno	Popis	Hodnota
className	[Povinné] Název třídy Scala použitý jako vstupní bod	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
sparkJobEntryType	[Povinné] Typ vstupního bodu úlohy	SparkJobScalaEntry (povinné)

SparkResourceConfiguration

Jméno	Popis	Hodnota
instanceType	Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.	řetězec
runtimeVersion	Verze modulu runtime Spark použitého pro úlohu.	řetězec

StackEnsembleSettings

Jméno	Popis	Hodnota
stackMetaLearnerKWargs	Volitelné parametry, které se mají předat inicializátoru metaučte.	jakýkoliv
stackMetaLearnerTrainPercentage	Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2.	Int
stackMetaLearnerType	Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů.	ElasticNet ElasticNetCV LightGBMClassifier LightGBMRegressor LinearRegression LogisticRegression LogisticRegressionCV None (Žádný)

SweepJob

Jméno	Popis	Hodnota
earlyTermination	Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem.	EarlyTerminationPolicy
vstupy	Mapování vstupních datových vazeb použitých v úloze	SweepJobInputs
jobType	[Povinné] Určuje typ úlohy.	Uklidit (povinné)
hranice	Limit úlohy uklidit.	SweepJobLimits
objektivní	[Povinné] Cíl optimalizace	objective (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	SweepJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
samplingAlgorithm	[Povinné] Algoritmus vzorkování hyperparametrů	samplingAlgorithm (povinné)
searchSpace	[Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.	libovolná (povinná)
přelíčení	[Povinné] Definice zkušební komponenty.	zkušební (povinné)

SweepJobInputs

Jméno	Popis	Hodnota

SweepJobLimits

Jméno	Popis	Hodnota
jobLimitsType	[Povinné] Typ JobLimit.	Příkaz Uklidit (povinné)
maxConcurrentTrials	Maximální počet souběžných zkušebních verzí úlohy uklidit.	Int
maxTotalTrials	Uklidit job max total trials.	Int
přerušení zápasu	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.	řetězec
trialTimeout	Hodnota časového limitu zkušební verze úlohy uklidit	řetězec

SweepJobOutputs

Jméno	Popis	Hodnota

TableFixedParameters

Jméno	Popis	Hodnota
podpora	Zadejte typ zvýšení, například gbdt pro XGBoost.	řetězec
boostingType	Zadejte typ zesílení, například gbdt pro LightGBM.	řetězec
growPolicy	Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu.	řetězec
learningRate	Míra výuky pro postup trénování.	Int
maxBin	Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru .	Int
maxDepth	Zadejte maximální hloubku, která explicitně omezí hloubku stromu.	Int
maxLeaves	Zadejte maximální počet listů, které omezí listy stromu explicitně.	Int
minDataInLeaf	Minimální počet dat na list.	Int
minSplitGain	Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu.	Int
modelName	Název modelu, který se má vytrénovat.	řetězec
nEstimátory	Zadejte počet stromů (nebo zaokrouhlování) v modelu.	Int
numLeaves	Zadejte počet listů.	Int
preprocessorName	Název preprocesoru, který se má použít.	řetězec
regAlpha	Termín regularizace L1 na váze.	Int
regLambda	Termín regularizace L2 na váze.	Int
podsample	Poměr dílčího razítka instance trénování	Int
subsampleFreq	Frekvence podsample.	Int
treeMethod	Zadejte metodu stromu.	řetězec
withMean	Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar.	Bool
withStd	Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar.	Bool

TableParameterSubspace

Jméno	Popis	Hodnota
podpora	Zadejte typ zvýšení, například gbdt pro XGBoost.	řetězec
boostingType	Zadejte typ zesílení, například gbdt pro LightGBM.	řetězec
growPolicy	Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu.	řetězec
learningRate	Míra výuky pro postup trénování.	řetězec
maxBin	Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru .	řetězec
maxDepth	Zadejte maximální hloubku, která explicitně omezí hloubku stromu.	řetězec
maxLeaves	Zadejte maximální počet listů, které omezí listy stromu explicitně.	řetězec
minDataInLeaf	Minimální počet dat na list.	řetězec
minSplitGain	Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu.	řetězec
modelName	Název modelu, který se má vytrénovat.	řetězec
nEstimátory	Zadejte počet stromů (nebo zaokrouhlování) v modelu.	řetězec
numLeaves	Zadejte počet listů.	řetězec
preprocessorName	Název preprocesoru, který se má použít.	řetězec
regAlpha	Termín regularizace L1 na váze.	řetězec
regLambda	Termín regularizace L2 na váze.	řetězec
podsample	Poměr dílčího razítka instance trénování	řetězec
subsampleFreq	Frekvence podsample	řetězec
treeMethod	Zadejte metodu stromu.	řetězec
withMean	Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar.	řetězec
withStd	Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar.	řetězec

TableSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení pro úlohu úklidu	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmu vzorkování	"Bayesian" Mřížka Random (povinné)

TableVerticalFeaturizationSettings

Jméno	Popis	Hodnota
blockedTransformers	Tyto transformátory se nesmí používat při featurizaci.	Řetězcové pole obsahující některou z těchto možností: CatTargetEncoder CountVectorizer HashOneHotEncoder LabelEncoder "NaiveBayes" "OneHotEncoder" TextTargetEncoder TfIdf WoETargetEncoder WordEmbedding
columnNameAndTypes	Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.)	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Jazyk datové sady, užitečný pro textová data.	řetězec
enableDnnFeaturization	Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat.	Bool
režim	Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace.	"Automaticky" Vlastní "Vypnuto"
transformerParams	Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Jméno	Popis	Hodnota

TableVerticalFeaturizationSettingsTransformerParams

Jméno	Popis	Hodnota

TableVerticalLimitSettings

Jméno	Popis	Hodnota
enableEarlyTermination	Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre.	Bool
exitScore	Výstupní skóre pro úlohu AutoML	Int
maxConcurrentTrials	Maximální počet souběžných iterací	Int
maxCoresPerTrial	Maximální počet jader na iteraci	Int
maxNodes	Maximální počet uzlů, které se mají použít pro experiment.	Int
maxTrials	Počet iterací	Int
sweepConcurrentTrials	Počet souběžných spuštění úklidu, která chce uživatel aktivovat.	Int
sweepTrials	Počet zametacích spuštění, která chce uživatel aktivovat.	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec
trialTimeout	Časový limit iterace	řetězec

TargetLags

Jméno	Popis	Hodnota
režim	Pro typ AutoTargetLagsnastavte na hodnotu AutoTargetLags . Pro typ CustomTargetLagsna hodnotu Custom	"Automaticky" Vlastní (povinné)

TargetRollingWindowSize

Jméno	Popis	Hodnota
režim	Pro typ AutoTargetRollingWindowSizenastavte na Hodnotu Auto . Nastavte na Custom pro typ CustomTargetRollingWindowSize.	"Automaticky" Vlastní (povinné)

TensorFlow

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	TensorFlow (povinné)
parameterServerCount	Počet úloh serveru parametrů	Int
workerCount	Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí.	Int

TextClassification

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primární metrika pro Text-Classification úkol	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextClassification (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TextClassificationMultilabel

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextClassificationMultilabel (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TextNer

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextNER (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TrialComponent

Jméno	Popis	Hodnota
codeId	ID prostředku ARM prostředku kódu	řetězec
příkaz	[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
distribuce	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	DistributionConfiguration
environmentId	[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
environmentVariables	Proměnné prostředí zahrnuté v úloze	TrialComponentEnvironmentVariables
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration

TrialComponentEnvironmentVariables

Jméno	Popis	Hodnota

TriggerBase

Jméno	Popis	Hodnota
endTime	Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Projděte si https://en.wikipedia.org/wiki/ISO_8601. Formát recommented by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí na neomezenou dobu.	řetězec
startTime	Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC.	řetězec
timeZone	Určuje časové pásmo, ve kterém se plán spouští. TimeZone by měl dodržovat formát časového pásma Windows. Viz: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11	řetězec
triggerType	Nastavte na Cron pro typ CronTrigger. Pro typ RecurrenceTrigger nastavte na hodnotu RecurrenceTrigger.	Cron Opakování (povinné)

TritonModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"triton_model" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

TritonModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"triton_model" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

TruncationSelectionPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	TruncationSelection (povinné)
truncationPercentage	Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení.	Int

UriFileJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"uri_file" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

UriFileJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"uri_file" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

UriFolderJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

UriFolderJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Uri_folder (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

UserIdentity

Jméno	Popis	Hodnota
identityType	[Povinné] Určuje typ architektury identit.	UserIdentity (povinné)

Definice prostředku šablony ARM

Typ prostředku pracovních prostorů/plánů je možné nasadit s operacemi, které cílí:

skupiny prostředků – viz příkazy nasazení skupiny prostředků

Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.

Formát prostředku

Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující JSON.

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2023-02-01-preview",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {
      "{customized property}": "string"
    },
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

Objekty DistributionConfiguration

Nastavte distributionType vlastnost určit typ objektu.

Pro mpipoužijte:

{
  "distributionType": "Mpi",
  "processCountPerInstance": "int"
}

Pro PyTorchpoužijte:

{
  "distributionType": "PyTorch",
  "processCountPerInstance": "int"
}

Pro TensorFlowpoužijte:

{
  "distributionType": "TensorFlow",
  "parameterServerCount": "int",
  "workerCount": "int"
}

Objekty SamplingAlgorithm

Nastavte samplingAlgorithmType vlastnost určit typ objektu.

Pro Bayesianpoužijte:

{
  "samplingAlgorithmType": "Bayesian"
}

Pro Gridpoužijte:

{
  "samplingAlgorithmType": "Grid"
}

Pro Náhodnépoužijte:

{
  "logbase": "string",
  "rule": "string",
  "samplingAlgorithmType": "Random",
  "seed": "int"
}

Objekty JobInput

Nastavte jobInputType vlastnost určit typ objektu.

Pro custom_modelpoužijte:

{
  "jobInputType": "custom_model",
  "mode": "string",
  "uri": "string"
}

Pro literálpoužijte:

{
  "jobInputType": "literal",
  "value": "string"
}

Pro mlflow_modelpoužijte:

{
  "jobInputType": "mlflow_model",
  "mode": "string",
  "uri": "string"
}

Pro mltable použijte:

{
  "jobInputType": "mltable",
  "mode": "string",
  "uri": "string"
}

Pro triton_modelpoužijte:

{
  "jobInputType": "triton_model",
  "mode": "string",
  "uri": "string"
}

Pro uri_filepoužijte:

{
  "jobInputType": "uri_file",
  "mode": "string",
  "uri": "string"
}

Pro uri_folderpoužijte:

{
  "jobInputType": "uri_folder",
  "mode": "string",
  "uri": "string"
}

Objekty SparkJobEntry

Nastavte sparkJobEntryType vlastnost určit typ objektu.

Pro SparkJobPythonEntrypoužijte:

{
  "file": "string",
  "sparkJobEntryType": "SparkJobPythonEntry"
}

Pro SparkJobScalaEntrypoužijte:

{
  "className": "string",
  "sparkJobEntryType": "SparkJobScalaEntry"
}

Objekty JobOutput

Nastavte jobOutputType vlastnost určit typ objektu.

Pro custom_modelpoužijte:

{
  "assetName": "string",
  "assetVersion": "string",
  "jobOutputType": "custom_model",
  "mode": "string",
  "uri": "string"
}

Pro mlflow_modelpoužijte:

{
  "assetName": "string",
  "assetVersion": "string",
  "jobOutputType": "mlflow_model",
  "mode": "string",
  "uri": "string"
}

Pro mltable použijte:

{
  "assetName": "string",
  "assetVersion": "string",
  "jobOutputType": "mltable",
  "mode": "string",
  "uri": "string"
}

Pro triton_modelpoužijte:

{
  "assetName": "string",
  "assetVersion": "string",
  "jobOutputType": "triton_model",
  "mode": "string",
  "uri": "string"
}

Pro uri_filepoužijte:

{
  "assetName": "string",
  "assetVersion": "string",
  "jobOutputType": "uri_file",
  "mode": "string",
  "uri": "string"
}

Pro uri_folderpoužijte:

{
  "assetName": "string",
  "assetVersion": "string",
  "jobOutputType": "uri_folder",
  "mode": "string",
  "uri": "string"
}

EarlyTerminationPolicy – objekty

Nastavte vlastnost policyType určit typ objektu.

Pro banditpoužijte:

{
  "policyType": "Bandit",
  "slackAmount": "int",
  "slackFactor": "int"
}

Pro MedianS stop, použijte:

{
  "policyType": "MedianStopping"
}

Pro TruncationSelectionpoužijte:

{
  "policyType": "TruncationSelection",
  "truncationPercentage": "int"
}

MLAssistConfiguration – objekty

Nastavte mlAssist vlastnost určit typ objektu.

Pro Zakázánopoužijte:

{
  "mlAssist": "Disabled"
}

Pro Povolenopoužijte:

{
  "inferencingComputeBinding": "string",
  "mlAssist": "Enabled",
  "trainingComputeBinding": "string"
}

ForecastHorizon – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  "mode": "Auto"
}

Pro Vlastnípoužijte:

{
  "mode": "Custom",
  "value": "int"
}

Objekty LabelingJobMediaProperties

Nastavte mediaType vlastnost určit typ objektu.

Pro imagepoužijte:

{
  "annotationType": "string",
  "mediaType": "Image"
}

Pro Textovépoužijte:

{
  "annotationType": "string",
  "mediaType": "Text"
}

TargetRollingWindowSize – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  "mode": "Auto"
}

Pro Vlastnípoužijte:

{
  "mode": "Custom",
  "value": "int"
}

Objekty IdentityConfiguration

Nastavte vlastnost identityType určit typ objektu.

Pro AMLToken použijte:

{
  "identityType": "AMLToken"
}

Pro spravovanépoužijte:

{
  "clientId": "string",
  "identityType": "Managed",
  "objectId": "string",
  "resourceId": "string"
}

Pro userIdentitypoužijte:

{
  "identityType": "UserIdentity"
}

Objekty AutoMLVertical

Nastavte vlastnost taskType určit typ objektu.

Pro Klasifikacepoužijte:

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Classification",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pro prognózy použijte:

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Forecasting",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pro ImageClassificationpoužijte:

{
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointFrequency": "int",
    "checkpointModel": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "momentum": "int",
    "nesterov": "bool",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "trainingBatchSize": "int",
    "trainingCropSize": "int",
    "validationBatchSize": "int",
    "validationCropSize": "int",
    "validationResizeSize": "int",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int",
    "weightedLoss": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "momentum": "string",
      "nesterov": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "trainingBatchSize": "string",
      "trainingCropSize": "string",
      "validationBatchSize": "string",
      "validationCropSize": "string",
      "validationResizeSize": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string",
      "weightedLoss": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

Pro ImageClassificationMultilabelpoužijte:

{
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointFrequency": "int",
    "checkpointModel": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "momentum": "int",
    "nesterov": "bool",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "trainingBatchSize": "int",
    "trainingCropSize": "int",
    "validationBatchSize": "int",
    "validationCropSize": "int",
    "validationResizeSize": "int",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int",
    "weightedLoss": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "momentum": "string",
      "nesterov": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "trainingBatchSize": "string",
      "trainingCropSize": "string",
      "validationBatchSize": "string",
      "validationCropSize": "string",
      "validationResizeSize": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string",
      "weightedLoss": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

Pro ImageInstanceSegmentationpoužijte:

{
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointFrequency": "int",
    "checkpointModel": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "tileGridSize": "string",
      "tileOverlapRatio": "string",
      "tilePredictionsNmsThreshold": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "validationIouThreshold": "string",
      "validationMetricType": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageInstanceSegmentation",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

Pro ImageObjectDetectionpoužijte:

{
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointFrequency": "int",
    "checkpointModel": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "checkpointRunId": "string",
    "distributed": "bool",
    "earlyStopping": "bool",
    "earlyStoppingDelay": "int",
    "earlyStoppingPatience": "int",
    "enableOnnxNormalization": "bool",
    "evaluationFrequency": "int",
    "gradientAccumulationStep": "int",
    "imageSize": "int",
    "layersToFreeze": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "maxSize": "int",
    "minSize": "int",
    "modelName": "string",
    "modelSize": "string",
    "momentum": "int",
    "multiScale": "bool",
    "nesterov": "bool",
    "nmsIouThreshold": "int",
    "numberOfEpochs": "int",
    "numberOfWorkers": "int",
    "optimizer": "string",
    "randomSeed": "int",
    "stepLRGamma": "int",
    "stepLRStepSize": "int",
    "tileGridSize": "string",
    "tileOverlapRatio": "int",
    "tilePredictionsNmsThreshold": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "validationIouThreshold": "int",
    "validationMetricType": "string",
    "warmupCosineLRCycles": "int",
    "warmupCosineLRWarmupEpochs": "int",
    "weightDecay": "int"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "stepLRGamma": "string",
      "stepLRStepSize": "string",
      "tileGridSize": "string",
      "tileOverlapRatio": "string",
      "tilePredictionsNmsThreshold": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "validationIouThreshold": "string",
      "validationMetricType": "string",
      "warmupCosineLRCycles": "string",
      "warmupCosineLRWarmupEpochs": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageObjectDetection",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int"
}

Pro regresnípoužijte:

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Regression",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pro TextClassification použijte:

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Pro TextClassificationMultilabelpoužijte:

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Pro TextNERpoužijte:

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextNER",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Uzly – objekty

Nastavte vlastnost nodesValueType určit typ objektu.

Pro Všechnypoužijte:

{
  "nodesValueType": "All"
}

Objekty TriggerBase

Nastavte vlastnost triggerType určit typ objektu.

Pro Cronpoužijte:

{
  "expression": "string",
  "triggerType": "Cron"
}

Pro opakovánípoužijte:

{
  "frequency": "string",
  "interval": "int",
  "schedule": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "monthDays": [ "int" ],
    "weekDays": [ "string" ]
  },
  "triggerType": "Recurrence"
}

ScheduleActionBase – objekty

Nastavte actionType vlastnost určit typ objektu.

Pro CreateJobpoužijte:

{
  "actionType": "CreateJob",
  "jobDefinition": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ]
    },
    "properties": {
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Pro InvokeBatchEndpointpoužijte:

{
  "actionType": "InvokeBatchEndpoint",
  "endpointInvocationDefinition": {}
}

TargetLags – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  "mode": "Auto"
}

Pro Vlastnípoužijte:

{
  "mode": "Custom",
  "values": [ "int" ]
}

NCrossValidations – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  "mode": "Auto"
}

Pro Vlastnípoužijte:

{
  "mode": "Custom",
  "value": "int"
}

Objekty sezónnosti

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  "mode": "Auto"
}

Pro Vlastnípoužijte:

{
  "mode": "Custom",
  "value": "int"
}

Objekty JobBaseProperties

Nastavte vlastnost jobType určit typ objektu.

Pro AutoML použijte:

{
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "jobType": "AutoML",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

Vpříkazu použijte:

{
  "autologgerSettings": {
    "mlflowAutologger": "string"
  },
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobType": "Command",
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  }
}

Pro popiskypoužijte:

{
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefresh": "string"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "jobType": "Labeling",
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": ...
          }
        }
      },
      "displayName": "string",
      "multiSelect": "string"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }
}

Prokanálu použijte:

{
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobs": {
    "{customized property}": {}
  },
  "jobType": "Pipeline",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "settings": {},
  "sourceJobId": "string"
}

Pro Sparkpoužijte:

{
  "archives": [ "string" ],
  "args": "string",
  "codeId": "string",
  "conf": {
    "{customized property}": "string"
  },
  "entry": {
    "sparkJobEntryType": "string"
    // For remaining properties, see SparkJobEntry objects
  },
  "environmentId": "string",
  "files": [ "string" ],
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jars": [ "string" ],
  "jobType": "Spark",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }
}

Pro Ukliditpoužijte:

{
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobType": "Sweep",
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "samplingAlgorithm": {
    "samplingAlgorithmType": "string"
    // For remaining properties, see SamplingAlgorithm objects
  },
  "searchSpace": {},
  "trial": {
    "codeId": "string",
    "command": "string",
    "distribution": {
      "distributionType": "string"
      // For remaining properties, see DistributionConfiguration objects
    },
    "environmentId": "string",
    "environmentVariables": {
      "{customized property}": "string"
    },
    "resources": {
      "dockerArgs": "string",
      "instanceCount": "int",
      "instanceType": "string",
      "locations": [ "string" ],
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }
}

Hodnoty vlastností

AllNodes

Jméno	Popis	Hodnota
nodesValueType	[Povinné] Typ hodnoty Uzly	All (povinné)

AmlToken

Jméno	Popis	Hodnota
identityType	[Povinné] Určuje typ architektury identit.	AMLToken (povinné)

AutoForecastHorizon

Jméno	Popis	Hodnota
režim	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.	Auto (povinné)

AutologgerSettings

Jméno	Popis	Hodnota
mlflowAutologger	[Povinné] Určuje, jestli je povolený autologger mlflow.	Zakázáno Povoleno (povinné)

AutoMLJob

Jméno	Popis	Hodnota
environmentId	ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy.	řetězec
environmentVariables	Proměnné prostředí zahrnuté v úloze	AutoMLJobEnvironmentVariables
jobType	[Povinné] Určuje typ úlohy.	AutoML (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	AutoMLJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration
taskDetails	[Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image.	AutoMLVertical (povinné)

AutoMLJobEnvironmentVariables

Jméno	Popis	Hodnota

AutoMLJobOutputs

Jméno	Popis	Hodnota

AutoMLVertical

Jméno	Popis	Hodnota
logVerbosity	Protokolování podrobností pro úlohu	Kritické Ladění Chyba Informace NotSet "Upozornění"
targetColumnName	Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.	řetězec
taskType	Nastavte na Classification (Klasifikace) pro typ Classification( Klasifikace ). U typu prognózy nastavte na Forecasting . Nastavte na ImageClassification pro typ ImageClassification. Nastavte na ImageClassificationMultilabel pro typ ImageClassificationMultilabel. Nastavte na ImageInstanceSegmentation pro typ ImageInstanceSegmentation. Nastavte na ImageObjectDetection pro typ ImageObjectDetection. Pro typ regresenastavte hodnotu Regrese . Nastavte na TextClassification pro typ TextClassification. Nastavte na TextClassificationMultilabel pro typ TextClassificationMultilabel. Nastavte na TextNER pro typ TextNer.	Klasifikace Prognózování ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regrese 'TextClassification' TextClassificationMultilabel TextNER (povinné)
trainingData	[Povinné] Trénování vstupu dat	MLTableJobInput (povinné)

AutoNCrossValidations

Jméno	Popis	Hodnota
režim	[Povinné] Režim pro určení N-Křížové ověřování	Auto (povinné)

AutoSeasonality

Jméno	Popis	Hodnota
režim	[Povinné] Režim sezónnosti.	Auto (povinné)

AutoTargetLags

Jméno	Popis	Hodnota
režim	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní	Auto (povinné)

AutoTargetRollingWindowSize

Jméno	Popis	Hodnota
režim	[Povinné] TargetRollingWindowSiz – režim detekce	Auto (povinné)

BanditPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	Bandit (povinné)
SlackAmount	Absolutní vzdálenost povolená od nejlepšího spuštění.	Int
SlackFactor	Poměr povolené vzdálenosti od nejlepšího spuštění	Int

BayesianSamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	Bayesian (povinné)

Klasifikace

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
positiveLabel	Kladný popisek pro výpočet binárních metrik	řetězec
primaryMetric	Primární metrika úkolu	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Klasifikace (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	ClassificationTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

ClassificationTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro úlohu klasifikace	Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier
blockedTrainingAlgorithms	Blokované modely pro úlohu klasifikace	Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

ColumnTransformer

Jméno	Popis	Hodnota
pole	Pole, na která se má použít logika transformátoru	string[]
parametry	Různé vlastnosti, které se mají předat transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON.	jakýkoliv

CommandJob

Jméno	Popis	Hodnota
autologgerSettings	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	AutologgerSettings
codeId	ID prostředku ARM prostředku kódu	řetězec
příkaz	[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
distribuce	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	DistributionConfiguration
environmentId	[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
environmentVariables	Proměnné prostředí zahrnuté v úloze	CommandJobEnvironmentVariables
vstupy	Mapování vstupních datových vazeb použitých v úloze	CommandJobInputs
jobType	[Povinné] Určuje typ úlohy.	Příkaz (povinné)
hranice	Limit úlohy příkazu.	CommandJobLimits
výstupy	Mapování výstupních datových vazeb použitých v úloze	CommandJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration

CommandJobEnvironmentVariables

Jméno	Popis	Hodnota

CommandJobInputs

Jméno	Popis	Hodnota

CommandJobLimits

Jméno	Popis	Hodnota
jobLimitsType	[Povinné] Typ JobLimit.	Příkaz Uklidit (povinné)
přerušení zápasu	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.	řetězec

CommandJobOutputs

Jméno	Popis	Hodnota

CronTrigger

Jméno	Popis	Hodnota
výraz	[Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
triggerType	[Povinné]	Cron (povinné)

CustomForecastHorizon

Jméno	Popis	Hodnota
režim	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.	Vlastní (povinné)
hodnota	[Povinné] Hodnota horizontu prognózy.	int (povinné)

CustomModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Custom_model (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

CustomModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Custom_model (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

CustomNCrossValidations

Jméno	Popis	Hodnota
režim	[Povinné] Režim pro určení N-Křížové ověřování	Vlastní (povinné)
hodnota	[Povinné] Hodnota N-Křížové ověřování	int (povinné)

CustomSeasonality

Jméno	Popis	Hodnota
režim	[Povinné] Režim sezónnosti.	Vlastní (povinné)
hodnota	[Povinné] Hodnota sezónnosti	int (povinné)

CustomTargetLags

Jméno	Popis	Hodnota
režim	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní	Vlastní (povinné)
hodnoty	[Povinné] Nastavte hodnoty prodlev cíle.	int[] (povinné)

CustomTargetRollingWindowSize

Jméno	Popis	Hodnota
režim	[Povinné] TargetRollingWindowSiz – režim detekce	Vlastní (povinné)
hodnota	[Povinné] TargetRollingWindowSize value.	int (povinné)

DistributionConfiguration

Jméno	Popis	Hodnota
distributionType	Pro typ Mpi nastavte na Mpi . Nastavte na PyTorch pro typ PyTorch. Nastavte na TensorFlow pro typ TensorFlow.	Mpi "PyTorch" TensorFlow (povinné)

EarlyTerminationPolicy

Jméno	Popis	Hodnota
delayEvaluation	Početintervalch	Int
evaluationInterval	Interval (počet spuštění) mezi vyhodnoceními zásad	Int
policyType	Pro typ BanditPolicynastavte na hodnotu BanditPolicy . Pro typ MedianStoppingPolicynastavte hodnotu MedianStoppingPolicy . Pro typ TruncationSelectionPolicynastavte hodnotu TruncationSelectionPolicy .	Bandit "MediánS stop" TruncationSelection (povinné)

EndpointScheduleAction

Jméno	Popis	Hodnota
actionType	[Povinné] Určuje typ akce plánu.	InvokeBatchEndpoint (povinné)
endpointInvocationDefinition	[Povinné] Definuje podrobnosti definice plánovače akce. <viz href="TBD" />	libovolná (povinná)

ForecastHorizon

Jméno	Popis	Hodnota
režim	Pro typ AutoForecastHorizon nastavte na hodnotu AutoForecastHorizon. Pro typ CustomForecastHorizonna hodnotu Custom .	"Automaticky" Vlastní (povinné)

Prognostika

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
forecastingSettings	Prognózování vstupů specifických pro úlohu	ForecastingSettings
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
primaryMetric	Primární metrika pro prognózování úkolu	NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Prognózování (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	ForecastingTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

ForecastingSettings

Jméno	Popis	Hodnota
countryOrRegionForHolidays	Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB".	řetězec
cvStepSize	Početobdobíchch Pro Pokud například `CVStepSize` = 3 pro denní data, čas počátku každého přeložení bude tři dny od sebe.	Int
featureLags	Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null	"Automaticky" None (Žádný)
forecastHorizon	Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad.	ForecastHorizon
frekvence	Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad.	řetězec
sezónnost	Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena.	sezónnost
shortSeriesHandlingConfig	Parametr definující, jak by AutoML měl zpracovávat krátké časové řady.	"Automaticky" Drop None (Žádný) 'Pad'
targetAggregateFunction	Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".	Max "Střední" "Min" None (Žádný) Sum
targetLags	Počet minulých období, která se mají od cílového sloupce zpožďovat.	TargetLags
targetRollingWindowSize	Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce.	TargetRollingWindowSize
timeColumnName	Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence.	řetězec
timeSeriesIdColumnNames	Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy.	string[]
useStl	Nakonfigurujte rozklad STL cílového sloupce časové řady.	None (Žádný) 'Sezóna' 'SeasonTrend'

ForecastingTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro prognózování úkolu.	Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SeasonalAverage' 'SeasonalNaive' 'SGD' TCNForecaster XGBoostRegressor
blockedTrainingAlgorithms	Blokované modely pro úlohu prognózování	Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SeasonalAverage' 'SeasonalNaive' 'SGD' TCNForecaster XGBoostRegressor
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

GridSamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	"Mřížka" (povinné)

IdentityConfiguration

Jméno	Popis	Hodnota
identityType	Nastavte na AMLToken pro typ AmlToken. Pro typ ManagedIdentitynastavte na ManagedIdentity . Pro typ UserIdentitynastavte hodnotu UserIdentity .	AMLToken Spravovaná UserIdentity (povinné)

ImageClassification

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	imageModelSettingsClassification
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsClassification[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageClassification (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageClassificationMultilabel

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	imageModelSettingsClassification
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	Přesnost AUCWeighted AveragePrecisionScoreWeighted "IOU" NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsClassification[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageClassificationMultilabel (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageInstanceSegmentation

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	ImageModelSettingsObjectDetection
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	'MeanAveragePrecision'
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageInstanceSegmentation (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageLimitSettings

Jméno	Popis	Hodnota
maxConcurrentTrials	Maximální počet souběžných iterací AutoML	Int
maxTrials	Maximální počet iterací AutoML	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec

ImageModelDistributionSettingsClassification

Jméno	Popis	Hodnota
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	řetězec
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
distribuovaný	Zda se má použít trénování distribuátoru.	řetězec
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	řetězec
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	řetězec
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	řetězec
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	řetězec
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	řetězec
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	řetězec
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	řetězec
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	řetězec
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	řetězec
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	řetězec
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	řetězec
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	řetězec
optimizátor	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.	řetězec
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	řetězec
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	řetězec
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	řetězec
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	řetězec
trainingCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.	řetězec
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	řetězec
validationCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.	řetězec
validationResizeSize	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.	řetězec
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	řetězec
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	řetězec
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	řetězec
weightedLoss	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.	řetězec

ImageModelDistributionSettingsObjectDetection

Jméno	Popis	Hodnota
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	řetězec
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
boxDetectionsPerImage	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
boxScoreThreshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].	řetězec
distribuovaný	Zda se má použít trénování distribuátoru.	řetězec
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	řetězec
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	řetězec
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	řetězec
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	řetězec
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	řetězec
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	řetězec
imageSize	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	řetězec
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	řetězec
maxSize	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
minSize	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
modelSize	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	řetězec
multiScale	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	řetězec
nmsIouThreshold	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1].	řetězec
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	řetězec
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	řetězec
optimizátor	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.	řetězec
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	řetězec
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	řetězec
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	řetězec
tileGridSize	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tileOverlapRatio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tilePredictionsNmsThreshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení	řetězec
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	řetězec
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	řetězec
validationIouThreshold	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].	řetězec
validationMetricType	Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc.	řetězec
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	řetězec
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	řetězec
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	řetězec

ImageModelSettingsClassification

Jméno	Popis	Hodnota
advancedSettings	Nastavení pro pokročilé scénáře	řetězec
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	Bool
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
checkpointFrequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Int
checkpointModel	Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.	MLFlowModelJobInput
checkpointRunId	ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	řetězec
distribuovaný	Jestli se má používat distribuované trénování.	Bool
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	Bool
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	Int
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	Int
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	Bool
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	Int
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	Int
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Int
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	None (Žádný) Krok WarmupCosine
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	Int
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	Bool
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	Int
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	Int
optimizátor	Typ optimalizátoru	Adam Adamw None (Žádný) 'Sgd'
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	Int
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	Int
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	Int
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	Int
trainingCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.	Int
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	Int
validationCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.	Int
validationResizeSize	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.	Int
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	Int
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	Int
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	Int
weightedLoss	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.	Int

ImageModelSettingsObjectDetection

Jméno	Popis	Hodnota
advancedSettings	Nastavení pro pokročilé scénáře	řetězec
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	Bool
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
boxDetectionsPerImage	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
boxScoreThreshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].	Int
checkpointFrequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Int
checkpointModel	Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.	MLFlowModelJobInput
checkpointRunId	ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	řetězec
distribuovaný	Jestli se má používat distribuované trénování.	Bool
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	Bool
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	Int
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	Int
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	Bool
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	Int
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	Int
imageSize	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	Int
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Int
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	None (Žádný) Krok WarmupCosine
maxSize	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
minSize	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
modelSize	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	ExtraLarge "Velké" "Střední" None (Žádný) "Malý"
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	Int
multiScale	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	Bool
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	Bool
nmsIouThreshold	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí to být plovák v rozsahu [0, 1].	Int
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	Int
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	Int
optimizátor	Typ optimalizátoru	Adam Adamw None (Žádný) 'Sgd'
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	Int
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	Int
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	Int
tileGridSize	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tileOverlapRatio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
tilePredictionsNmsThreshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	Int
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	Int
validationIouThreshold	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].	Int
validationMetricType	Metoda výpočtů metrik, která se má použít pro ověřovací metriky.	"Coco" CocoVoc None (Žádný) "Voc"
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	Int
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	Int
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	Int

ImageObjectDetection

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	ImageModelSettingsObjectDetection
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	'MeanAveragePrecision'
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageObjectDetection (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmů vzorkování hyperparametrů	"Bayesian" Mřížka Random (povinné)

JobBaseProperties

Jméno	Popis	Hodnota
componentId	ID prostředku ARM prostředku komponenty	řetězec
computeId	ID prostředku ARM výpočetního prostředku	řetězec
popis	Text popisu prostředku.	řetězec
displayName	Zobrazovaný název úlohy.	řetězec
experimentName	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.	řetězec
identita	Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.	IdentityConfiguration
isArchived	Archivuje se asset?	Bool
jobType	Nastavte na AutoML pro typ AutoMLJob. Pro typ CommandJobnastavte na CommandJob . Pro typ LabelingJobPropertiesnastavte na Popisování. Pro typ PipelineJobnastavte hodnotu PipelineJob . Nastavte na Spark pro typ SparkJob. Nastavte na "Uklidit" pro typ SweepJob.	AutoML Příkaz "Popisování" Kanál Spark Uklidit (povinné)
notificationSetting	Nastavení oznámení pro úlohu	NotificationSetting
vlastnosti	Slovník vlastností assetu.	ResourceBaseProperties
služby	Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.	JobBaseServices
visačky	Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.	ResourceBaseTags

JobBaseServices

Jméno	Popis	Hodnota

JobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	Nastavte na custom_model pro typ CustomModelJobInput. Pro typ LiteralJobInputnastavte hodnotu literálu . Pro typ MLFlowModelJobInputnastavte hodnotu mlflow_model . Pro typ MLTableJobInputnastavte hodnotu mltable . Nastavte na triton_model pro typ TritonModelJobInput. Nastavte na uri_file pro typ UriFileJobInput. Pro typ UriFolderJobInputnastavte hodnotu uri_folder .	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)

JobOutput

Jméno	Popis	Hodnota
popis	Popis výstupu	řetězec
jobOutputType	Nastavte na custom_model pro typ CustomModelJobOutput. Nastavte na mlflow_model pro typ MLFlowModelJobOutput. Pro typ MLTableJobOutputnastavte hodnotu mltable . Nastavte na triton_model pro typ TritonModelJobOutput. Nastavte na uri_file pro typ UriFileJobOutput. Pro typ UriFolderJobOutputna hodnotu 'uri_folder'.	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)

JobResourceConfiguration

Jméno	Popis	Hodnota
dockerArgs	Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML.	řetězec
instanceCount	Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem.	Int
instanceType	Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.	řetězec
Místa	Umístění, kde může úloha běžet.	string[]
vlastnosti	Taška s dalšími vlastnostmi.	ResourceConfigurationProperties
shmSize	Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty).	řetězec Omezení: Model = `\d+[bBkKmMgG]`

JobScheduleAction

Jméno	Popis	Hodnota
actionType	[Povinné] Určuje typ akce plánu.	CreateJob (povinné)
jobDefinition	[Povinné] Definuje podrobnosti definice plánovače akce.	JobBaseProperties (povinné)

JobService

Jméno	Popis	Hodnota
zakončení	Adresa URL koncového bodu	řetězec
jobServiceType	Typ koncového bodu.	řetězec
uzly	Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu.	Uzly
přístav	Port pro koncový bod nastavený uživatelem	Int
vlastnosti	Další vlastnosti, které se mají nastavit na koncovém bodu.	JobServiceProperties

JobServiceProperties

Jméno	Popis	Hodnota

LabelCategory

Jméno	Popis	Hodnota
vyučování	Slovník tříd popisků v této kategorii.	LabelCategoryClasses
displayName	Zobrazovaný název kategorie popisku	řetězec
multiSelect	Určuje, zda je povoleno vybrat více tříd v této kategorii.	Zakázáno Povoleno

LabelCategoryClasses

Jméno	Popis	Hodnota

LabelClass

Jméno	Popis	Hodnota
displayName	Zobrazovaný název třídy popisku	řetězec
Podtříd	Slovník podtříd popisků třídy.	LabelClassSubclasses

LabelClassSubclasses

Jméno	Popis	Hodnota

LabelingDataConfiguration

Jméno	Popis	Hodnota
dataId	ID prostředku datového prostředku, který má být označen.	řetězec
incrementalDataRefresh	Určuje, jestli se má přírůstková aktualizace dat povolit.	Zakázáno Povoleno

PopiskyJobImageProperties

Jméno	Popis	Hodnota
annotationType	Typ poznámky úlohy popisování obrázků	"BoundingBox" Klasifikace InstanceSegmentation
mediaType	[Povinné] Typ média úlohy.	Image (povinné)

LabelingJobInstructions

Jméno	Popis	Hodnota
identifikátor uri	Odkaz na stránku s podrobnými pokyny pro popisky popisků	řetězec

PopiskyJobLabelCategories

Jméno	Popis	Hodnota

PopiskyJobMediaProperties

Jméno	Popis	Hodnota
mediaType	Nastavte na Image pro typ LabelingJobImageProperties. Nastavte na Text pro typ LabelingJobTextProperties.	Obrázek Text (povinné)

PopiskyJobProperties

Jméno	Popis	Hodnota
dataConfiguration	Konfigurace dat použitých v úloze	LabelingDataConfiguration
jobInstructions	Pokyny k označení úlohy	labelingJobInstructions
jobType	[Povinné] Určuje typ úlohy.	"Popisování" (povinné)
labelCategories	Označte kategorie úlohy.	labelingJobLabelCategories
labelingJobMediaProperties	Vlastnosti specifické pro typ média v úloze	labelingJobMediaProperties
mlAssistConfiguration	Konfigurace funkce MLAssist v úloze	MLAssistConfiguration

PopiskyJobTextProperties

Jméno	Popis	Hodnota
annotationType	Typ poznámky úlohy popisování textu	Klasifikace NamedEntityRecognition
mediaType	[Povinné] Typ média úlohy.	Text (povinné)

LiteralJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Literál (povinné)
hodnota	[Povinné] Hodnota literálu pro vstup	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

ManagedIdentity

Jméno	Popis	Hodnota
clientId	Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole.	řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identityType	[Povinné] Určuje typ architektury identit.	Spravované (povinné)
objectId	Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole.	řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
resourceId	Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole.	řetězec

MedianStoppingPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	'MedinStopping' (povinné)

Microsoft.MachineLearningServices/workspaces/schedules

Jméno	Popis	Hodnota
apiVersion	Verze rozhraní API	2023-02-01-preview
Jméno	Název prostředku	řetězec Omezení: Model = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` (povinné)
vlastnosti	[Povinné] Další atributy entity.	ScheduleProperties (povinné)
typ	Typ prostředku	Microsoft.MachineLearningServices/workspaces/schedules

MLAssistConfiguration

Jméno	Popis	Hodnota
mlAssist	Pro typ MLAssistConfigurationDisabledna hodnotu Disabled . Pro typ MLAssistConfigurationEnabled nastavte na Povoleno.	Zakázáno Povoleno (povinné)

MLAssistConfigurationDisabled

Jméno	Popis	Hodnota
mlAssist	[Povinné] Určuje, jestli je povolená funkce MLAssist.	Zakázáno (povinné)

MLAssistConfigurationEnabled

Jméno	Popis	Hodnota
odvozováníComputeBinding	[Povinné] Výpočetní vazba AML použitá při odvozování	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
mlAssist	[Povinné] Určuje, jestli je povolená funkce MLAssist.	Povoleno (povinné)
trainingComputeBinding	[Povinné] Výpočetní vazba AML použitá při trénování	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Mlflow_model (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	[Povinné] Určuje typ úlohy.	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Mlflow_model (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

MLTableJobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	[Povinné] Určuje typ úlohy.	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLTableJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"mltable" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLTableJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"mltable" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

Mpi

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	Mpi (povinné)
processCountPerInstance	Počet procesů na uzel MPI	Int

NCrossValidations

Jméno	Popis	Hodnota
režim	Pro typ AutoNCrossValidationsnastavte hodnotu AutoNCrossValidations . Pro typ CustomNCrossValidationsna hodnotu CustomNCrossValidations .	"Automaticky" Vlastní (povinné)

NlpFixedParameters

Jméno	Popis	Hodnota
gradientAccumulationSteps	Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu	Int
learningRate	Míra výuky pro postup trénování.	Int
learningRateScheduler	Typ plánu rychlosti učení, který se má použít během trénovacího postupu.	Konstanta ConstantWithWarmup "Kosinus" CosineWithRestarts Lineární None (Žádný) Polynomické
modelName	Název modelu, který se má vytrénovat.	řetězec
numberOfEpochs	Počet epoch trénování.	Int
trainingBatchSize	Velikost dávky pro trénovací proceduru.	Int
validationBatchSize	Velikost dávky, která se má použít při vyhodnocování.	Int
warmupRatio	Poměr tepla, použitý spolu s LrSchedulerType.	Int
weightDecay	Hmotnost pro trénovací proceduru se rozpadla.	Int

NlpParameterSubspace

Jméno	Popis	Hodnota
gradientAccumulationSteps	Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu	řetězec
learningRate	Míra výuky pro postup trénování.	řetězec
learningRateScheduler	Typ plánu rychlosti učení, který se má použít během trénovacího postupu.	řetězec
modelName	Název modelu, který se má vytrénovat.	řetězec
numberOfEpochs	Počet epoch trénování.	řetězec
trainingBatchSize	Velikost dávky pro trénovací proceduru.	řetězec
validationBatchSize	Velikost dávky, která se má použít při vyhodnocování.	řetězec
warmupRatio	Poměr tepla, použitý spolu s LrSchedulerType.	řetězec
weightDecay	Hmotnost pro trénovací proceduru se rozpadla.	řetězec

NlpSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení pro úlohu úklidu	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmu vzorkování	"Bayesian" Mřížka Random (povinné)

NlpVerticalFeaturizationSettings

Jméno	Popis	Hodnota
datasetLanguage	Jazyk datové sady, užitečný pro textová data.	řetězec

NlpVerticalLimitSettings

Jméno	Popis	Hodnota
maxConcurrentTrials	Maximální počet souběžných iterací AutoML	Int
maxNodes	Maximální počet uzlů, které se mají použít pro experiment.	Int
maxTrials	Počet iterací AutoML	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec
trialTimeout	Časový limit jednotlivých zkušebních verzí HD	řetězec

Uzly

Jméno	Popis	Hodnota
nodesValueType	Pro typ AllNodes nastavte hodnotu AllNodes.	All (povinné)

NotificationSetting

Jméno	Popis	Hodnota
emailOn	Odeslání e-mailového oznámení uživateli u zadaného typu oznámení	Řetězcové pole obsahující některou z těchto možností: JobCancelled JobCompleted Úloha se nezdařila.
e-maily	Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky.	string[]

Objektivní

Jméno	Popis	Hodnota
branka	[Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů.	Maximalizovat Minimalizovat (povinné)
primaryMetric	[Povinné] Název metriky pro optimalizaci	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

PipelineJob

Jméno	Popis	Hodnota
vstupy	Vstupy pro úlohu kanálu.	PipelineJobInputs
pracovní místa	Úlohy sestavují úlohu kanálu.	PipelineJobJobs
jobType	[Povinné] Určuje typ úlohy.	Kanál (povinné)
výstupy	Výstupy pro úlohu kanálu	PipelineJobOutputs
nastavení	Nastavení kanálu, například ContinueRunOnStepFailure atd.	jakýkoliv
sourceJobId	ID prostředku ARM zdrojové úlohy.	řetězec

PipelineJobInputs

Jméno	Popis	Hodnota

PipelineJobJobs

Jméno	Popis	Hodnota

PipelineJobOutputs

Jméno	Popis	Hodnota

PyTorch

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	PyTorch (povinné)
processCountPerInstance	Počet procesů na uzel	Int

QueueSettings

Jméno	Popis	Hodnota
jobTier	Výčet k určení úrovně úlohy	"Základní" Premium "Spot" "Standardní"
priorita	Řídí prioritu úlohy ve výpočetním prostředí.	Int

RandomSamplingAlgorithm

Jméno	Popis	Hodnota
logbase	Volitelné kladné číslo nebo e ve formátu řetězce, které se má použít jako základ pro náhodné vzorkování založené na protokolu	řetězec
pravidlo	Konkrétní typ náhodného algoritmu	Random "Sobol"
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	Random (povinné)
semeno	Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel	Int

RecurrenceSchedule

Jméno	Popis	Hodnota
hodiny	[Povinné] Seznam hodin pro plán	int[] (povinné)
minuty	[Povinné] Seznam minut pro plán	int[] (povinné)
monthDays	Seznam dnů měsíce pro plán	int[]
všední dny	Seznam dnů pro plán	Řetězcové pole obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa"

RecurrenceTrigger

Jméno	Popis	Hodnota
frekvence	[Povinné] Frekvence aktivace plánu.	"Den" Hodina "Minuta" "Měsíc" "Týden" (povinné)
interval	[Povinné] Určuje interval plánu ve spojení s frekvencí.	int (povinné)
naplánovat	Plán opakování.	opakování
triggerType	[Povinné]	Opakování (povinné)

Regrese

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
primaryMetric	Primární metrika pro regresní úlohu	NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Regrese (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	RegressionTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

RegressionTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro regresní úlohu	Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor
blockedTrainingAlgorithms	Blokované modely pro regresní úlohu	Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

ResourceBaseProperties

Jméno	Popis	Hodnota

ResourceBaseProperties

Jméno	Popis	Hodnota

Značky ResourceBaseTags

Jméno	Popis	Hodnota

Značky ResourceBaseTags

Jméno	Popis	Hodnota

ResourceConfigurationProperties

Jméno	Popis	Hodnota

SamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	Nastavte na 'Bayesian' pro typ BayesianSamplingAlgorithm. Pro typ GridSamplingAlgorithmnastavte hodnotu GridSamplingAlgorithm . Pro typ RandomSamplingAlgorithmna hodnotu RandomSamplingAlgorithm .	"Bayesian" Mřížka Random (povinné)

ScheduleActionBase

Jméno	Popis	Hodnota
actionType	Nastavte na CreateJob pro typ JobScheduleAction. Nastavte na InvokeBatchEndpoint pro typ EndpointScheduleAction.	CreateJob InvokeBatchEndpoint (povinné)

ScheduleProperties

Jméno	Popis	Hodnota
akce	[Povinné] Určuje akci plánu.	ScheduleActionBase (povinné)
popis	Text popisu prostředku.	řetězec
displayName	Zobrazovaný název plánu	řetězec
isEnabled	Je plán povolený?	Bool
vlastnosti	Slovník vlastností assetu.	ResourceBaseProperties
visačky	Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.	ResourceBaseTags
spoušť	[Povinné] Určuje podrobnosti o triggeru.	triggerBase (povinné)

Sezónnost

Jméno	Popis	Hodnota
režim	U typu AutoSeasonalityna hodnotu AutoSeasonality . Pro typ CustomSeasonalityna hodnotu Custom .	"Automaticky" Vlastní (povinné)

SparkJob

Jméno	Popis	Hodnota
archiv	Archivovat soubory použité v úloze	string[]
args	Argumenty pro úlohu.	řetězec
codeId	[Povinné] ID prostředku ARM prostředku kódu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
Conf	Nakonfigurované vlastnosti Sparku	SparkJobConf
položka	[Povinné] Položka, která se má provést při spuštění úlohy.	sparkjobEntry (povinné)
environmentId	ID prostředku ARM specifikace prostředí pro úlohu.	řetězec
soubory	Soubory použité v úloze.	string[]
vstupy	Mapování vstupních datových vazeb použitých v úloze	SparkJobInputs
nádoby	Soubory JAR použité v úloze.	string[]
jobType	[Povinné] Určuje typ úlohy.	Spark (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	SparkJobOutputs
pyFiles	Soubory Pythonu používané v úloze	string[]
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	SparkResourceConfiguration

SparkJobConf

Jméno	Popis	Hodnota

SparkJobEntry

Jméno	Popis	Hodnota
sparkJobEntryType	Nastavte na SparkJobPythonEntry pro typ SparkJobPythonEntry. Nastavte na SparkJobScalaEntry pro typ SparkJobScalaEntry.	SparkJobPythonEntry SparkJobScalaEntry (povinné)

SparkJobInputs

Jméno	Popis	Hodnota

SparkJobOutputs

Jméno	Popis	Hodnota

SparkJobPythonEntry

Jméno	Popis	Hodnota
soubor	[Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
sparkJobEntryType	[Povinné] Typ vstupního bodu úlohy	SparkJobPythonEntry (povinné)

SparkJobScalaEntry

Jméno	Popis	Hodnota
className	[Povinné] Název třídy Scala použitý jako vstupní bod	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
sparkJobEntryType	[Povinné] Typ vstupního bodu úlohy	SparkJobScalaEntry (povinné)

SparkResourceConfiguration

Jméno	Popis	Hodnota
instanceType	Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.	řetězec
runtimeVersion	Verze modulu runtime Spark použitého pro úlohu.	řetězec

StackEnsembleSettings

Jméno	Popis	Hodnota
stackMetaLearnerKWargs	Volitelné parametry, které se mají předat inicializátoru metaučte.	jakýkoliv
stackMetaLearnerTrainPercentage	Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2.	Int
stackMetaLearnerType	Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů.	ElasticNet ElasticNetCV LightGBMClassifier LightGBMRegressor LinearRegression LogisticRegression LogisticRegressionCV None (Žádný)

SweepJob

Jméno	Popis	Hodnota
earlyTermination	Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem.	EarlyTerminationPolicy
vstupy	Mapování vstupních datových vazeb použitých v úloze	SweepJobInputs
jobType	[Povinné] Určuje typ úlohy.	Uklidit (povinné)
hranice	Limit úlohy uklidit.	SweepJobLimits
objektivní	[Povinné] Cíl optimalizace	objective (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	SweepJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
samplingAlgorithm	[Povinné] Algoritmus vzorkování hyperparametrů	samplingAlgorithm (povinné)
searchSpace	[Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.	libovolná (povinná)
přelíčení	[Povinné] Definice zkušební komponenty.	zkušební (povinné)

SweepJobInputs

Jméno	Popis	Hodnota

SweepJobLimits

Jméno	Popis	Hodnota
jobLimitsType	[Povinné] Typ JobLimit.	Příkaz Uklidit (povinné)
maxConcurrentTrials	Maximální počet souběžných zkušebních verzí úlohy uklidit.	Int
maxTotalTrials	Uklidit job max total trials.	Int
přerušení zápasu	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.	řetězec
trialTimeout	Hodnota časového limitu zkušební verze úlohy uklidit	řetězec

SweepJobOutputs

Jméno	Popis	Hodnota

TableFixedParameters

Jméno	Popis	Hodnota
podpora	Zadejte typ zvýšení, například gbdt pro XGBoost.	řetězec
boostingType	Zadejte typ zesílení, například gbdt pro LightGBM.	řetězec
growPolicy	Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu.	řetězec
learningRate	Míra výuky pro postup trénování.	Int
maxBin	Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru .	Int
maxDepth	Zadejte maximální hloubku, která explicitně omezí hloubku stromu.	Int
maxLeaves	Zadejte maximální počet listů, které omezí listy stromu explicitně.	Int
minDataInLeaf	Minimální počet dat na list.	Int
minSplitGain	Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu.	Int
modelName	Název modelu, který se má vytrénovat.	řetězec
nEstimátory	Zadejte počet stromů (nebo zaokrouhlování) v modelu.	Int
numLeaves	Zadejte počet listů.	Int
preprocessorName	Název preprocesoru, který se má použít.	řetězec
regAlpha	Termín regularizace L1 na váze.	Int
regLambda	Termín regularizace L2 na váze.	Int
podsample	Poměr dílčího razítka instance trénování	Int
subsampleFreq	Frekvence podsample.	Int
treeMethod	Zadejte metodu stromu.	řetězec
withMean	Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar.	Bool
withStd	Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar.	Bool

TableParameterSubspace

Jméno	Popis	Hodnota
podpora	Zadejte typ zvýšení, například gbdt pro XGBoost.	řetězec
boostingType	Zadejte typ zesílení, například gbdt pro LightGBM.	řetězec
growPolicy	Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu.	řetězec
learningRate	Míra výuky pro postup trénování.	řetězec
maxBin	Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru .	řetězec
maxDepth	Zadejte maximální hloubku, která explicitně omezí hloubku stromu.	řetězec
maxLeaves	Zadejte maximální počet listů, které omezí listy stromu explicitně.	řetězec
minDataInLeaf	Minimální počet dat na list.	řetězec
minSplitGain	Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu.	řetězec
modelName	Název modelu, který se má vytrénovat.	řetězec
nEstimátory	Zadejte počet stromů (nebo zaokrouhlování) v modelu.	řetězec
numLeaves	Zadejte počet listů.	řetězec
preprocessorName	Název preprocesoru, který se má použít.	řetězec
regAlpha	Termín regularizace L1 na váze.	řetězec
regLambda	Termín regularizace L2 na váze.	řetězec
podsample	Poměr dílčího razítka instance trénování	řetězec
subsampleFreq	Frekvence podsample	řetězec
treeMethod	Zadejte metodu stromu.	řetězec
withMean	Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar.	řetězec
withStd	Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar.	řetězec

TableSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení pro úlohu úklidu	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmu vzorkování	"Bayesian" Mřížka Random (povinné)

TableVerticalFeaturizationSettings

Jméno	Popis	Hodnota
blockedTransformers	Tyto transformátory se nesmí používat při featurizaci.	Řetězcové pole obsahující některou z těchto možností: CatTargetEncoder CountVectorizer HashOneHotEncoder LabelEncoder "NaiveBayes" "OneHotEncoder" TextTargetEncoder TfIdf WoETargetEncoder WordEmbedding
columnNameAndTypes	Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.)	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Jazyk datové sady, užitečný pro textová data.	řetězec
enableDnnFeaturization	Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat.	Bool
režim	Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace.	"Automaticky" Vlastní "Vypnuto"
transformerParams	Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Jméno	Popis	Hodnota

TableVerticalFeaturizationSettingsTransformerParams

Jméno	Popis	Hodnota

TableVerticalLimitSettings

Jméno	Popis	Hodnota
enableEarlyTermination	Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre.	Bool
exitScore	Výstupní skóre pro úlohu AutoML	Int
maxConcurrentTrials	Maximální počet souběžných iterací	Int
maxCoresPerTrial	Maximální počet jader na iteraci	Int
maxNodes	Maximální počet uzlů, které se mají použít pro experiment.	Int
maxTrials	Počet iterací	Int
sweepConcurrentTrials	Počet souběžných spuštění úklidu, která chce uživatel aktivovat.	Int
sweepTrials	Počet zametacích spuštění, která chce uživatel aktivovat.	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec
trialTimeout	Časový limit iterace	řetězec

TargetLags

Jméno	Popis	Hodnota
režim	Pro typ AutoTargetLagsnastavte na hodnotu AutoTargetLags . Pro typ CustomTargetLagsna hodnotu Custom	"Automaticky" Vlastní (povinné)

TargetRollingWindowSize

Jméno	Popis	Hodnota
režim	Pro typ AutoTargetRollingWindowSizenastavte na Hodnotu Auto . Nastavte na Custom pro typ CustomTargetRollingWindowSize.	"Automaticky" Vlastní (povinné)

TensorFlow

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	TensorFlow (povinné)
parameterServerCount	Počet úloh serveru parametrů	Int
workerCount	Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí.	Int

TextClassification

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primární metrika pro Text-Classification úkol	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextClassification (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TextClassificationMultilabel

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextClassificationMultilabel (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TextNer

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextNER (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TrialComponent

Jméno	Popis	Hodnota
codeId	ID prostředku ARM prostředku kódu	řetězec
příkaz	[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
distribuce	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	DistributionConfiguration
environmentId	[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
environmentVariables	Proměnné prostředí zahrnuté v úloze	TrialComponentEnvironmentVariables
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration

TrialComponentEnvironmentVariables

Jméno	Popis	Hodnota

TriggerBase

Jméno	Popis	Hodnota
endTime	Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Projděte si https://en.wikipedia.org/wiki/ISO_8601. Formát recommented by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí na neomezenou dobu.	řetězec
startTime	Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC.	řetězec
timeZone	Určuje časové pásmo, ve kterém se plán spouští. TimeZone by měl dodržovat formát časového pásma Windows. Viz: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11	řetězec
triggerType	Nastavte na Cron pro typ CronTrigger. Pro typ RecurrenceTrigger nastavte na hodnotu RecurrenceTrigger.	Cron Opakování (povinné)

TritonModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"triton_model" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

TritonModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"triton_model" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

TruncationSelectionPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	TruncationSelection (povinné)
truncationPercentage	Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení.	Int

UriFileJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"uri_file" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

UriFileJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"uri_file" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

UriFolderJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

UriFolderJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Uri_folder (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

UserIdentity

Jméno	Popis	Hodnota
identityType	[Povinné] Určuje typ architektury identit.	UserIdentity (povinné)

Definice prostředku Terraformu (poskytovatel AzAPI)

Typ prostředku pracovních prostorů/plánů je možné nasadit s operacemi, které cílí:

skupiny prostředků

Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.

Formát prostředku

Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující Terraform.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-02-01-preview"
  name = "string"
  body = jsonencode({
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {
        {customized property} = "string"
      }
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  })
}

Objekty DistributionConfiguration

Nastavte distributionType vlastnost určit typ objektu.

Pro mpipoužijte:

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

Pro PyTorchpoužijte:

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

Pro TensorFlowpoužijte:

{
  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int
}

Objekty SamplingAlgorithm

Nastavte samplingAlgorithmType vlastnost určit typ objektu.

Pro Bayesianpoužijte:

{
  samplingAlgorithmType = "Bayesian"
}

Pro Gridpoužijte:

{
  samplingAlgorithmType = "Grid"
}

Pro Náhodnépoužijte:

{
  logbase = "string"
  rule = "string"
  samplingAlgorithmType = "Random"
  seed = int
}

Objekty JobInput

Nastavte jobInputType vlastnost určit typ objektu.

Pro custom_modelpoužijte:

{
  jobInputType = "custom_model"
  mode = "string"
  uri = "string"
}

Pro literálpoužijte:

{
  jobInputType = "literal"
  value = "string"
}

Pro mlflow_modelpoužijte:

{
  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Pro mltable použijte:

{
  jobInputType = "mltable"
  mode = "string"
  uri = "string"
}

Pro triton_modelpoužijte:

{
  jobInputType = "triton_model"
  mode = "string"
  uri = "string"
}

Pro uri_filepoužijte:

{
  jobInputType = "uri_file"
  mode = "string"
  uri = "string"
}

Pro uri_folderpoužijte:

{
  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"
}

Objekty SparkJobEntry

Nastavte sparkJobEntryType vlastnost určit typ objektu.

Pro SparkJobPythonEntrypoužijte:

{
  file = "string"
  sparkJobEntryType = "SparkJobPythonEntry"
}

Pro SparkJobScalaEntrypoužijte:

{
  className = "string"
  sparkJobEntryType = "SparkJobScalaEntry"
}

Objekty JobOutput

Nastavte jobOutputType vlastnost určit typ objektu.

Pro custom_modelpoužijte:

{
  assetName = "string"
  assetVersion = "string"
  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"
}

Pro mlflow_modelpoužijte:

{
  assetName = "string"
  assetVersion = "string"
  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Pro mltable použijte:

{
  assetName = "string"
  assetVersion = "string"
  jobOutputType = "mltable"
  mode = "string"
  uri = "string"
}

Pro triton_modelpoužijte:

{
  assetName = "string"
  assetVersion = "string"
  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"
}

Pro uri_filepoužijte:

{
  assetName = "string"
  assetVersion = "string"
  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"
}

Pro uri_folderpoužijte:

{
  assetName = "string"
  assetVersion = "string"
  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"
}

EarlyTerminationPolicy – objekty

Nastavte vlastnost policyType určit typ objektu.

Pro banditpoužijte:

{
  policyType = "Bandit"
  slackAmount = int
  slackFactor = int
}

Pro MedianS stop, použijte:

{
  policyType = "MedianStopping"
}

Pro TruncationSelectionpoužijte:

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

MLAssistConfiguration – objekty

Nastavte mlAssist vlastnost určit typ objektu.

Pro Zakázánopoužijte:

{
  mlAssist = "Disabled"
}

Pro Povolenopoužijte:

{
  inferencingComputeBinding = "string"
  mlAssist = "Enabled"
  trainingComputeBinding = "string"
}

ForecastHorizon – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode = "Auto"
}

Pro Vlastnípoužijte:

{
  mode = "Custom"
  value = int
}

Objekty LabelingJobMediaProperties

Nastavte mediaType vlastnost určit typ objektu.

Pro imagepoužijte:

{
  annotationType = "string"
  mediaType = "Image"
}

Pro Textovépoužijte:

{
  annotationType = "string"
  mediaType = "Text"
}

TargetRollingWindowSize – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode = "Auto"
}

Pro Vlastnípoužijte:

{
  mode = "Custom"
  value = int
}

Objekty IdentityConfiguration

Nastavte vlastnost identityType určit typ objektu.

Pro AMLToken použijte:

{
  identityType = "AMLToken"
}

Pro spravovanépoužijte:

{
  clientId = "string"
  identityType = "Managed"
  objectId = "string"
  resourceId = "string"
}

Pro userIdentitypoužijte:

{
  identityType = "UserIdentity"
}

Objekty AutoMLVertical

Nastavte vlastnost taskType určit typ objektu.

Pro Klasifikacepoužijte:

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Classification"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pro prognózy použijte:

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    forecastHorizon = {
      mode = "string"
      // For remaining properties, see ForecastHorizon objects
    }
    frequency = "string"
    seasonality = {
      mode = "string"
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig = "string"
    targetAggregateFunction = "string"
    targetLags = {
      mode = "string"
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize = {
      mode = "string"
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName = "string"
    timeSeriesIdColumnNames = [
      "string"
    ]
    useStl = "string"
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Forecasting"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pro ImageClassificationpoužijte:

{
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointFrequency = int
    checkpointModel = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    momentum = int
    nesterov = bool
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    stepLRGamma = int
    stepLRStepSize = int
    trainingBatchSize = int
    trainingCropSize = int
    validationBatchSize = int
    validationCropSize = int
    validationResizeSize = int
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
    weightedLoss = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      momentum = "string"
      nesterov = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      trainingBatchSize = "string"
      trainingCropSize = "string"
      validationBatchSize = "string"
      validationCropSize = "string"
      validationResizeSize = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
      weightedLoss = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
}

Pro ImageClassificationMultilabelpoužijte:

{
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointFrequency = int
    checkpointModel = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    momentum = int
    nesterov = bool
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    stepLRGamma = int
    stepLRStepSize = int
    trainingBatchSize = int
    trainingCropSize = int
    validationBatchSize = int
    validationCropSize = int
    validationResizeSize = int
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
    weightedLoss = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      momentum = "string"
      nesterov = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      trainingBatchSize = "string"
      trainingCropSize = "string"
      validationBatchSize = "string"
      validationCropSize = "string"
      validationResizeSize = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
      weightedLoss = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
}

Pro ImageInstanceSegmentationpoužijte:

{
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointFrequency = int
    checkpointModel = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    stepLRGamma = int
    stepLRStepSize = int
    tileGridSize = "string"
    tileOverlapRatio = int
    tilePredictionsNmsThreshold = int
    trainingBatchSize = int
    validationBatchSize = int
    validationIouThreshold = int
    validationMetricType = "string"
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      tileGridSize = "string"
      tileOverlapRatio = "string"
      tilePredictionsNmsThreshold = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      validationIouThreshold = "string"
      validationMetricType = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageInstanceSegmentation"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
}

Pro ImageObjectDetectionpoužijte:

{
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointFrequency = int
    checkpointModel = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    checkpointRunId = "string"
    distributed = bool
    earlyStopping = bool
    earlyStoppingDelay = int
    earlyStoppingPatience = int
    enableOnnxNormalization = bool
    evaluationFrequency = int
    gradientAccumulationStep = int
    imageSize = int
    layersToFreeze = int
    learningRate = int
    learningRateScheduler = "string"
    maxSize = int
    minSize = int
    modelName = "string"
    modelSize = "string"
    momentum = int
    multiScale = bool
    nesterov = bool
    nmsIouThreshold = int
    numberOfEpochs = int
    numberOfWorkers = int
    optimizer = "string"
    randomSeed = int
    stepLRGamma = int
    stepLRStepSize = int
    tileGridSize = "string"
    tileOverlapRatio = int
    tilePredictionsNmsThreshold = int
    trainingBatchSize = int
    validationBatchSize = int
    validationIouThreshold = int
    validationMetricType = "string"
    warmupCosineLRCycles = int
    warmupCosineLRWarmupEpochs = int
    weightDecay = int
  }
  primaryMetric = "string"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      stepLRGamma = "string"
      stepLRStepSize = "string"
      tileGridSize = "string"
      tileOverlapRatio = "string"
      tilePredictionsNmsThreshold = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      validationIouThreshold = "string"
      validationMetricType = "string"
      warmupCosineLRCycles = "string"
      warmupCosineLRWarmupEpochs = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageObjectDetection"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
}

Pro regresnípoužijte:

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Regression"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pro TextClassification použijte:

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Pro TextClassificationMultilabelpoužijte:

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Pro TextNERpoužijte:

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextNER"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Uzly – objekty

Nastavte vlastnost nodesValueType určit typ objektu.

Pro Všechnypoužijte:

{
  nodesValueType = "All"
}

Objekty TriggerBase

Nastavte vlastnost triggerType určit typ objektu.

Pro Cronpoužijte:

{
  expression = "string"
  triggerType = "Cron"
}

Pro opakovánípoužijte:

{
  frequency = "string"
  interval = int
  schedule = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    monthDays = [
      int
    ]
    weekDays = [
      "string"
    ]
  }
  triggerType = "Recurrence"
}

ScheduleActionBase – objekty

Nastavte actionType vlastnost určit typ objektu.

Pro CreateJobpoužijte:

{
  actionType = "CreateJob"
  jobDefinition = {
    componentId = "string"
    computeId = "string"
    description = "string"
    displayName = "string"
    experimentName = "string"
    identity = {
      identityType = "string"
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived = bool
    notificationSetting = {
      emailOn = [
        "string"
      ]
      emails = [
        "string"
      ]
    }
    properties = {
      {customized property} = "string"
    }
    services = {
      {customized property} = {
        endpoint = "string"
        jobServiceType = "string"
        nodes = {
          nodesValueType = "string"
          // For remaining properties, see Nodes objects
        }
        port = int
        properties = {
          {customized property} = "string"
        }
      }
    }
    tags = {
      {customized property} = "string"
    }
    jobType = "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Pro InvokeBatchEndpointpoužijte:

{
  actionType = "InvokeBatchEndpoint"
  endpointInvocationDefinition = ?
}

TargetLags – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode = "Auto"
}

Pro Vlastnípoužijte:

{
  mode = "Custom"
  values = [
    int
  ]
}

NCrossValidations – objekty

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode = "Auto"
}

Pro Vlastnípoužijte:

{
  mode = "Custom"
  value = int
}

Objekty sezónnosti

Nastavte režim vlastnost určit typ objektu.

Pro Automaticképoužijte:

{
  mode = "Auto"
}

Pro Vlastnípoužijte:

{
  mode = "Custom"
  value = int
}

Objekty JobBaseProperties

Nastavte vlastnost jobType určit typ objektu.

Pro AutoML použijte:

{
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  jobType = "AutoML"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

Vpříkazu použijte:

{
  autologgerSettings = {
    mlflowAutologger = "string"
  }
  codeId = "string"
  command = "string"
  distribution = {
    distributionType = "string"
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobType = "Command"
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
}

Pro popiskypoužijte:

{
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefresh = "string"
  }
  jobInstructions = {
    uri = "string"
  }
  jobType = "Labeling"
  labelCategories = {
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = ...
          }
        }
      }
      displayName = "string"
      multiSelect = "string"
    }
  }
  labelingJobMediaProperties = {
    mediaType = "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration = {
    mlAssist = "string"
    // For remaining properties, see MLAssistConfiguration objects
  }
}

Prokanálu použijte:

{
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobs = {
    {customized property} = ?
  }
  jobType = "Pipeline"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  settings = ?
  sourceJobId = "string"
}

Pro Sparkpoužijte:

{
  archives = [
    "string"
  ]
  args = "string"
  codeId = "string"
  conf = {
    {customized property} = "string"
  }
  entry = {
    sparkJobEntryType = "string"
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId = "string"
  files = [
    "string"
  ]
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jars = [
    "string"
  ]
  jobType = "Spark"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles = [
    "string"
  ]
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }
}

Pro Ukliditpoužijte:

{
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobType = "Sweep"
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  samplingAlgorithm = {
    samplingAlgorithmType = "string"
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace = ?
  trial = {
    codeId = "string"
    command = "string"
    distribution = {
      distributionType = "string"
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId = "string"
    environmentVariables = {
      {customized property} = "string"
    }
    resources = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      locations = [
        "string"
      ]
      properties = {
        {customized property} = ?
      }
      shmSize = "string"
    }
  }
}

Hodnoty vlastností

AllNodes

Jméno	Popis	Hodnota
nodesValueType	[Povinné] Typ hodnoty Uzly	All (povinné)

AmlToken

Jméno	Popis	Hodnota
identityType	[Povinné] Určuje typ architektury identit.	AMLToken (povinné)

AutoForecastHorizon

Jméno	Popis	Hodnota
režim	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.	Auto (povinné)

AutologgerSettings

Jméno	Popis	Hodnota
mlflowAutologger	[Povinné] Určuje, jestli je povolený autologger mlflow.	Zakázáno Povoleno (povinné)

AutoMLJob

Jméno	Popis	Hodnota
environmentId	ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy.	řetězec
environmentVariables	Proměnné prostředí zahrnuté v úloze	AutoMLJobEnvironmentVariables
jobType	[Povinné] Určuje typ úlohy.	AutoML (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	AutoMLJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration
taskDetails	[Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image.	AutoMLVertical (povinné)

AutoMLJobEnvironmentVariables

Jméno	Popis	Hodnota

AutoMLJobOutputs

Jméno	Popis	Hodnota

AutoMLVertical

Jméno	Popis	Hodnota
logVerbosity	Protokolování podrobností pro úlohu	Kritické Ladění Chyba Informace NotSet "Upozornění"
targetColumnName	Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.	řetězec
taskType	Nastavte na Classification (Klasifikace) pro typ Classification( Klasifikace ). U typu prognózy nastavte na Forecasting . Nastavte na ImageClassification pro typ ImageClassification. Nastavte na ImageClassificationMultilabel pro typ ImageClassificationMultilabel. Nastavte na ImageInstanceSegmentation pro typ ImageInstanceSegmentation. Nastavte na ImageObjectDetection pro typ ImageObjectDetection. Pro typ regresenastavte hodnotu Regrese . Nastavte na TextClassification pro typ TextClassification. Nastavte na TextClassificationMultilabel pro typ TextClassificationMultilabel. Nastavte na TextNER pro typ TextNer.	Klasifikace Prognózování ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regrese 'TextClassification' TextClassificationMultilabel TextNER (povinné)
trainingData	[Povinné] Trénování vstupu dat	MLTableJobInput (povinné)

AutoNCrossValidations

Jméno	Popis	Hodnota
režim	[Povinné] Režim pro určení N-Křížové ověřování	Auto (povinné)

AutoSeasonality

Jméno	Popis	Hodnota
režim	[Povinné] Režim sezónnosti.	Auto (povinné)

AutoTargetLags

Jméno	Popis	Hodnota
režim	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní	Auto (povinné)

AutoTargetRollingWindowSize

Jméno	Popis	Hodnota
režim	[Povinné] TargetRollingWindowSiz – režim detekce	Auto (povinné)

BanditPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	Bandit (povinné)
SlackAmount	Absolutní vzdálenost povolená od nejlepšího spuštění.	Int
SlackFactor	Poměr povolené vzdálenosti od nejlepšího spuštění	Int

BayesianSamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	Bayesian (povinné)

Klasifikace

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
positiveLabel	Kladný popisek pro výpočet binárních metrik	řetězec
primaryMetric	Primární metrika úkolu	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Klasifikace (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	ClassificationTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

ClassificationTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro úlohu klasifikace	Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier
blockedTrainingAlgorithms	Blokované modely pro úlohu klasifikace	Řetězcové pole obsahující některou z těchto možností: BernoulliNaiveBayes DecisionTree ExtremeRandomTrees GradientBoosting "KNN" LightGBM LinearSVM LogisticRegression MultinomialNaiveBayes RandomForest 'SGD' SVM XGBoostClassifier
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

ColumnTransformer

Jméno	Popis	Hodnota
pole	Pole, na která se má použít logika transformátoru	string[]
parametry	Různé vlastnosti, které se mají předat transformátoru. Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON.	jakýkoliv

CommandJob

Jméno	Popis	Hodnota
autologgerSettings	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	AutologgerSettings
codeId	ID prostředku ARM prostředku kódu	řetězec
příkaz	[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
distribuce	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	DistributionConfiguration
environmentId	[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
environmentVariables	Proměnné prostředí zahrnuté v úloze	CommandJobEnvironmentVariables
vstupy	Mapování vstupních datových vazeb použitých v úloze	CommandJobInputs
jobType	[Povinné] Určuje typ úlohy.	Příkaz (povinné)
hranice	Limit úlohy příkazu.	CommandJobLimits
výstupy	Mapování výstupních datových vazeb použitých v úloze	CommandJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration

CommandJobEnvironmentVariables

Jméno	Popis	Hodnota

CommandJobInputs

Jméno	Popis	Hodnota

CommandJobLimits

Jméno	Popis	Hodnota
jobLimitsType	[Povinné] Typ JobLimit.	Příkaz Uklidit (povinné)
přerušení zápasu	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.	řetězec

CommandJobOutputs

Jméno	Popis	Hodnota

CronTrigger

Jméno	Popis	Hodnota
výraz	[Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
triggerType	[Povinné]	Cron (povinné)

CustomForecastHorizon

Jméno	Popis	Hodnota
režim	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.	Vlastní (povinné)
hodnota	[Povinné] Hodnota horizontu prognózy.	int (povinné)

CustomModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Custom_model (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

CustomModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Custom_model (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

CustomNCrossValidations

Jméno	Popis	Hodnota
režim	[Povinné] Režim pro určení N-Křížové ověřování	Vlastní (povinné)
hodnota	[Povinné] Hodnota N-Křížové ověřování	int (povinné)

CustomSeasonality

Jméno	Popis	Hodnota
režim	[Povinné] Režim sezónnosti.	Vlastní (povinné)
hodnota	[Povinné] Hodnota sezónnosti	int (povinné)

CustomTargetLags

Jméno	Popis	Hodnota
režim	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní	Vlastní (povinné)
hodnoty	[Povinné] Nastavte hodnoty prodlev cíle.	int[] (povinné)

CustomTargetRollingWindowSize

Jméno	Popis	Hodnota
režim	[Povinné] TargetRollingWindowSiz – režim detekce	Vlastní (povinné)
hodnota	[Povinné] TargetRollingWindowSize value.	int (povinné)

DistributionConfiguration

Jméno	Popis	Hodnota
distributionType	Pro typ Mpi nastavte na Mpi . Nastavte na PyTorch pro typ PyTorch. Nastavte na TensorFlow pro typ TensorFlow.	Mpi "PyTorch" TensorFlow (povinné)

EarlyTerminationPolicy

Jméno	Popis	Hodnota
delayEvaluation	Početintervalch	Int
evaluationInterval	Interval (počet spuštění) mezi vyhodnoceními zásad	Int
policyType	Pro typ BanditPolicynastavte na hodnotu BanditPolicy . Pro typ MedianStoppingPolicynastavte hodnotu MedianStoppingPolicy . Pro typ TruncationSelectionPolicynastavte hodnotu TruncationSelectionPolicy .	Bandit "MediánS stop" TruncationSelection (povinné)

EndpointScheduleAction

Jméno	Popis	Hodnota
actionType	[Povinné] Určuje typ akce plánu.	InvokeBatchEndpoint (povinné)
endpointInvocationDefinition	[Povinné] Definuje podrobnosti definice plánovače akce. <viz href="TBD" />	libovolná (povinná)

ForecastHorizon

Jméno	Popis	Hodnota
režim	Pro typ AutoForecastHorizon nastavte na hodnotu AutoForecastHorizon. Pro typ CustomForecastHorizonna hodnotu Custom .	"Automaticky" Vlastní (povinné)

Prognostika

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
forecastingSettings	Prognózování vstupů specifických pro úlohu	ForecastingSettings
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
primaryMetric	Primární metrika pro prognózování úkolu	NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Prognózování (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	ForecastingTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

ForecastingSettings

Jméno	Popis	Hodnota
countryOrRegionForHolidays	Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB".	řetězec
cvStepSize	Početobdobíchch Pro Pokud například `CVStepSize` = 3 pro denní data, čas počátku každého přeložení bude tři dny od sebe.	Int
featureLags	Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null	"Automaticky" None (Žádný)
forecastHorizon	Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad.	ForecastHorizon
frekvence	Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad.	řetězec
sezónnost	Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena.	sezónnost
shortSeriesHandlingConfig	Parametr definující, jak by AutoML měl zpracovávat krátké časové řady.	"Automaticky" Drop None (Žádný) 'Pad'
targetAggregateFunction	Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".	Max "Střední" "Min" None (Žádný) Sum
targetLags	Počet minulých období, která se mají od cílového sloupce zpožďovat.	TargetLags
targetRollingWindowSize	Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce.	TargetRollingWindowSize
timeColumnName	Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence.	řetězec
timeSeriesIdColumnNames	Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy.	string[]
useStl	Nakonfigurujte rozklad STL cílového sloupce časové řady.	None (Žádný) 'Sezóna' 'SeasonTrend'

ForecastingTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro prognózování úkolu.	Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SeasonalAverage' 'SeasonalNaive' 'SGD' TCNForecaster XGBoostRegressor
blockedTrainingAlgorithms	Blokované modely pro úlohu prognózování	Řetězcové pole obsahující některou z těchto možností: Arimax AutoArima "Průměr" DecisionTree ElasticNet ExponentialSmoothing ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM "Naive" "Prorok" RandomForest 'SeasonalAverage' 'SeasonalNaive' 'SGD' TCNForecaster XGBoostRegressor
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

GridSamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	"Mřížka" (povinné)

IdentityConfiguration

Jméno	Popis	Hodnota
identityType	Nastavte na AMLToken pro typ AmlToken. Pro typ ManagedIdentitynastavte na ManagedIdentity . Pro typ UserIdentitynastavte hodnotu UserIdentity .	AMLToken Spravovaná UserIdentity (povinné)

ImageClassification

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	imageModelSettingsClassification
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsClassification[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageClassification (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageClassificationMultilabel

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	imageModelSettingsClassification
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	Přesnost AUCWeighted AveragePrecisionScoreWeighted "IOU" NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsClassification[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageClassificationMultilabel (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageInstanceSegmentation

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	ImageModelSettingsObjectDetection
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	'MeanAveragePrecision'
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageInstanceSegmentation (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageLimitSettings

Jméno	Popis	Hodnota
maxConcurrentTrials	Maximální počet souběžných iterací AutoML	Int
maxTrials	Maximální počet iterací AutoML	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec

ImageModelDistributionSettingsClassification

Jméno	Popis	Hodnota
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	řetězec
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
distribuovaný	Zda se má použít trénování distribuátoru.	řetězec
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	řetězec
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	řetězec
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	řetězec
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	řetězec
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	řetězec
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	řetězec
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	řetězec
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	řetězec
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	řetězec
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	řetězec
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	řetězec
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	řetězec
optimizátor	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.	řetězec
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	řetězec
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	řetězec
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	řetězec
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	řetězec
trainingCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.	řetězec
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	řetězec
validationCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.	řetězec
validationResizeSize	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.	řetězec
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	řetězec
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	řetězec
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	řetězec
weightedLoss	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.	řetězec

ImageModelDistributionSettingsObjectDetection

Jméno	Popis	Hodnota
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	řetězec
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	řetězec
boxDetectionsPerImage	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
boxScoreThreshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].	řetězec
distribuovaný	Zda se má použít trénování distribuátoru.	řetězec
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	řetězec
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	řetězec
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	řetězec
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	řetězec
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	řetězec
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	řetězec
imageSize	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	řetězec
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	řetězec
maxSize	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
minSize	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
modelSize	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	řetězec
multiScale	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	řetězec
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	řetězec
nmsIouThreshold	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1].	řetězec
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	řetězec
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	řetězec
optimizátor	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.	řetězec
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	řetězec
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	řetězec
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	řetězec
tileGridSize	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tileOverlapRatio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tilePredictionsNmsThreshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení	řetězec
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	řetězec
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	řetězec
validationIouThreshold	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].	řetězec
validationMetricType	Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc.	řetězec
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	řetězec
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	řetězec
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	řetězec

ImageModelSettingsClassification

Jméno	Popis	Hodnota
advancedSettings	Nastavení pro pokročilé scénáře	řetězec
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	Bool
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
checkpointFrequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Int
checkpointModel	Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.	MLFlowModelJobInput
checkpointRunId	ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	řetězec
distribuovaný	Jestli se má používat distribuované trénování.	Bool
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	Bool
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	Int
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	Int
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	Bool
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	Int
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	Int
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Int
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	None (Žádný) Krok WarmupCosine
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	Int
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	Bool
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	Int
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	Int
optimizátor	Typ optimalizátoru	Adam Adamw None (Žádný) 'Sgd'
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	Int
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	Int
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	Int
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	Int
trainingCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.	Int
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	Int
validationCropSize	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.	Int
validationResizeSize	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.	Int
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	Int
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	Int
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	Int
weightedLoss	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.	Int

ImageModelSettingsObjectDetection

Jméno	Popis	Hodnota
advancedSettings	Nastavení pro pokročilé scénáře	řetězec
amsGradient	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.	Bool
rozšíření	Nastavení pro použití rozšíření	řetězec
beta1	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
beta2	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].	Int
boxDetectionsPerImage	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
boxScoreThreshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].	Int
checkpointFrequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Int
checkpointModel	Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.	MLFlowModelJobInput
checkpointRunId	ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	řetězec
distribuovaný	Jestli se má používat distribuované trénování.	Bool
počáteční zastavení	Povolte logiku předčasného zastavení během trénování.	Bool
earlyStoppingDelay	Minimální počet epoch nebo vyhodnocení ověření, které se má čekat před primárním zlepšením metriky je sledován pro předčasné zastavení. Musí to být kladné celé číslo.	Int
earlyStoppingPatience	Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metriky před spuštění je zastaveno. Musí to být kladné celé číslo.	Int
enableOnnxNormalization	Povolte normalizaci při exportu modelu ONNX.	Bool
evaluationFrequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	Int
gradientAccumulationStep	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotností modelu při nashromáždění přechodů těchto kroků a následné použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí to být kladné celé číslo.	Int
imageSize	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	Int
vrstvyToFreeze	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy viz: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Int
learningRateScheduler	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".	None (Žádný) Krok WarmupCosine
maxSize	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
minSize	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
modelName	Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: /azure/machine-learning/how-to-auto-train-image-models.	řetězec
modelSize	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	ExtraLarge "Velké" "Střední" None (Žádný) "Malý"
hybnost	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].	Int
multiScale	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.	Bool
nesterov	Povolte nesterov, pokud je optimalizátor sgd.	Bool
nmsIouThreshold	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí to být plovák v rozsahu [0, 1].	Int
numberOfEpochs	Počet epoch trénování. Musí to být kladné celé číslo.	Int
numberOfWorkers	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.	Int
optimizátor	Typ optimalizátoru	Adam Adamw None (Žádný) 'Sgd'
randomSeed	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.	Int
stepLRGamma	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].	Int
stepLRStepSize	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.	Int
tileGridSize	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná pro povolení logiky detekce malých objektů Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	řetězec
tileOverlapRatio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
tilePredictionsNmsThreshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.	Int
trainingBatchSize	Trénovací velikost dávky. Musí to být kladné celé číslo.	Int
validationBatchSize	Velikost dávky ověření. Musí to být kladné celé číslo.	Int
validationIouThreshold	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].	Int
validationMetricType	Metoda výpočtů metrik, která se má použít pro ověřovací metriky.	"Coco" CocoVoc None (Žádný) "Voc"
warmupCosineLRCycles	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].	Int
warmupCosineLRWarmupEpochs	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.	Int
weightDecay	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].	Int

ImageObjectDetection

Jméno	Popis	Hodnota
limitSettings	[Povinné] Omezte nastavení pro úlohu AutoML.	imageLimitSettings (povinné)
modelSettings	Nastavení použitá pro trénování modelu.	ImageModelSettingsObjectDetection
primaryMetric	Primární metrika pro optimalizaci pro tuto úlohu	'MeanAveragePrecision'
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů	ImageSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	ImageObjectDetection (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int

ImageSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmů vzorkování hyperparametrů	"Bayesian" Mřížka Random (povinné)

JobBaseProperties

Jméno	Popis	Hodnota
componentId	ID prostředku ARM prostředku komponenty	řetězec
computeId	ID prostředku ARM výpočetního prostředku	řetězec
popis	Text popisu prostředku.	řetězec
displayName	Zobrazovaný název úlohy.	řetězec
experimentName	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.	řetězec
identita	Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.	IdentityConfiguration
isArchived	Archivuje se asset?	Bool
jobType	Nastavte na AutoML pro typ AutoMLJob. Pro typ CommandJobnastavte na CommandJob . Pro typ LabelingJobPropertiesnastavte na Popisování. Pro typ PipelineJobnastavte hodnotu PipelineJob . Nastavte na Spark pro typ SparkJob. Nastavte na "Uklidit" pro typ SweepJob.	AutoML Příkaz "Popisování" Kanál Spark Uklidit (povinné)
notificationSetting	Nastavení oznámení pro úlohu	NotificationSetting
vlastnosti	Slovník vlastností assetu.	ResourceBaseProperties
služby	Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.	JobBaseServices
visačky	Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.	ResourceBaseTags

JobBaseServices

Jméno	Popis	Hodnota

JobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	Nastavte na custom_model pro typ CustomModelJobInput. Pro typ LiteralJobInputnastavte hodnotu literálu . Pro typ MLFlowModelJobInputnastavte hodnotu mlflow_model . Pro typ MLTableJobInputnastavte hodnotu mltable . Nastavte na triton_model pro typ TritonModelJobInput. Nastavte na uri_file pro typ UriFileJobInput. Pro typ UriFolderJobInputnastavte hodnotu uri_folder .	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)

JobOutput

Jméno	Popis	Hodnota
popis	Popis výstupu	řetězec
jobOutputType	Nastavte na custom_model pro typ CustomModelJobOutput. Nastavte na mlflow_model pro typ MLFlowModelJobOutput. Pro typ MLTableJobOutputnastavte hodnotu mltable . Nastavte na triton_model pro typ TritonModelJobOutput. Nastavte na uri_file pro typ UriFileJobOutput. Pro typ UriFolderJobOutputna hodnotu 'uri_folder'.	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)

JobResourceConfiguration

Jméno	Popis	Hodnota
dockerArgs	Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML.	řetězec
instanceCount	Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem.	Int
instanceType	Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.	řetězec
Místa	Umístění, kde může úloha běžet.	string[]
vlastnosti	Taška s dalšími vlastnostmi.	ResourceConfigurationProperties
shmSize	Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty).	řetězec Omezení: Model = `\d+[bBkKmMgG]`

JobScheduleAction

Jméno	Popis	Hodnota
actionType	[Povinné] Určuje typ akce plánu.	CreateJob (povinné)
jobDefinition	[Povinné] Definuje podrobnosti definice plánovače akce.	JobBaseProperties (povinné)

JobService

Jméno	Popis	Hodnota
zakončení	Adresa URL koncového bodu	řetězec
jobServiceType	Typ koncového bodu.	řetězec
uzly	Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu.	Uzly
přístav	Port pro koncový bod nastavený uživatelem	Int
vlastnosti	Další vlastnosti, které se mají nastavit na koncovém bodu.	JobServiceProperties

JobServiceProperties

Jméno	Popis	Hodnota

LabelCategory

Jméno	Popis	Hodnota
vyučování	Slovník tříd popisků v této kategorii.	LabelCategoryClasses
displayName	Zobrazovaný název kategorie popisku	řetězec
multiSelect	Určuje, zda je povoleno vybrat více tříd v této kategorii.	Zakázáno Povoleno

LabelCategoryClasses

Jméno	Popis	Hodnota

LabelClass

Jméno	Popis	Hodnota
displayName	Zobrazovaný název třídy popisku	řetězec
Podtříd	Slovník podtříd popisků třídy.	LabelClassSubclasses

LabelClassSubclasses

Jméno	Popis	Hodnota

LabelingDataConfiguration

Jméno	Popis	Hodnota
dataId	ID prostředku datového prostředku, který má být označen.	řetězec
incrementalDataRefresh	Určuje, jestli se má přírůstková aktualizace dat povolit.	Zakázáno Povoleno

PopiskyJobImageProperties

Jméno	Popis	Hodnota
annotationType	Typ poznámky úlohy popisování obrázků	"BoundingBox" Klasifikace InstanceSegmentation
mediaType	[Povinné] Typ média úlohy.	Image (povinné)

LabelingJobInstructions

Jméno	Popis	Hodnota
identifikátor uri	Odkaz na stránku s podrobnými pokyny pro popisky popisků	řetězec

PopiskyJobLabelCategories

Jméno	Popis	Hodnota

PopiskyJobMediaProperties

Jméno	Popis	Hodnota
mediaType	Nastavte na Image pro typ LabelingJobImageProperties. Nastavte na Text pro typ LabelingJobTextProperties.	Obrázek Text (povinné)

PopiskyJobProperties

Jméno	Popis	Hodnota
dataConfiguration	Konfigurace dat použitých v úloze	LabelingDataConfiguration
jobInstructions	Pokyny k označení úlohy	labelingJobInstructions
jobType	[Povinné] Určuje typ úlohy.	"Popisování" (povinné)
labelCategories	Označte kategorie úlohy.	labelingJobLabelCategories
labelingJobMediaProperties	Vlastnosti specifické pro typ média v úloze	labelingJobMediaProperties
mlAssistConfiguration	Konfigurace funkce MLAssist v úloze	MLAssistConfiguration

PopiskyJobTextProperties

Jméno	Popis	Hodnota
annotationType	Typ poznámky úlohy popisování textu	Klasifikace NamedEntityRecognition
mediaType	[Povinné] Typ média úlohy.	Text (povinné)

LiteralJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Literál (povinné)
hodnota	[Povinné] Hodnota literálu pro vstup	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

ManagedIdentity

Jméno	Popis	Hodnota
clientId	Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole.	řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
identityType	[Povinné] Určuje typ architektury identit.	Spravované (povinné)
objectId	Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole.	řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Model = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
resourceId	Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole.	řetězec

MedianStoppingPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	'MedinStopping' (povinné)

Microsoft.MachineLearningServices/workspaces/schedules

Jméno	Popis	Hodnota
Jméno	Název prostředku	řetězec Omezení: Model = `^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$` (povinné)
parent_id	ID prostředku, který je nadřazený pro tento prostředek.	ID prostředku typu: pracovních prostorů
vlastnosti	[Povinné] Další atributy entity.	ScheduleProperties (povinné)
typ	Typ prostředku	Microsoft.MachineLearningServices/workspaces/schedules@2023-02-01-preview

MLAssistConfiguration

Jméno	Popis	Hodnota
mlAssist	Pro typ MLAssistConfigurationDisabledna hodnotu Disabled . Pro typ MLAssistConfigurationEnabled nastavte na Povoleno.	Zakázáno Povoleno (povinné)

MLAssistConfigurationDisabled

Jméno	Popis	Hodnota
mlAssist	[Povinné] Určuje, jestli je povolená funkce MLAssist.	Zakázáno (povinné)

MLAssistConfigurationEnabled

Jméno	Popis	Hodnota
odvozováníComputeBinding	[Povinné] Výpočetní vazba AML použitá při odvozování	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
mlAssist	[Povinné] Určuje, jestli je povolená funkce MLAssist.	Povoleno (povinné)
trainingComputeBinding	[Povinné] Výpočetní vazba AML použitá při trénování	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Mlflow_model (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	[Povinné] Určuje typ úlohy.	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLFlowModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Mlflow_model (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

MLTableJobInput

Jméno	Popis	Hodnota
popis	Popis vstupu	řetězec
jobInputType	[Povinné] Určuje typ úlohy.	"custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLTableJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"mltable" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

MLTableJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"mltable" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

Mpi

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	Mpi (povinné)
processCountPerInstance	Počet procesů na uzel MPI	Int

NCrossValidations

Jméno	Popis	Hodnota
režim	Pro typ AutoNCrossValidationsnastavte hodnotu AutoNCrossValidations . Pro typ CustomNCrossValidationsna hodnotu CustomNCrossValidations .	"Automaticky" Vlastní (povinné)

NlpFixedParameters

Jméno	Popis	Hodnota
gradientAccumulationSteps	Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu	Int
learningRate	Míra výuky pro postup trénování.	Int
learningRateScheduler	Typ plánu rychlosti učení, který se má použít během trénovacího postupu.	Konstanta ConstantWithWarmup "Kosinus" CosineWithRestarts Lineární None (Žádný) Polynomické
modelName	Název modelu, který se má vytrénovat.	řetězec
numberOfEpochs	Počet epoch trénování.	Int
trainingBatchSize	Velikost dávky pro trénovací proceduru.	Int
validationBatchSize	Velikost dávky, která se má použít při vyhodnocování.	Int
warmupRatio	Poměr tepla, použitý spolu s LrSchedulerType.	Int
weightDecay	Hmotnost pro trénovací proceduru se rozpadla.	Int

NlpParameterSubspace

Jméno	Popis	Hodnota
gradientAccumulationSteps	Počet kroků pro kumulování přechodů před spuštěním zpětného průchodu	řetězec
learningRate	Míra výuky pro postup trénování.	řetězec
learningRateScheduler	Typ plánu rychlosti učení, který se má použít během trénovacího postupu.	řetězec
modelName	Název modelu, který se má vytrénovat.	řetězec
numberOfEpochs	Počet epoch trénování.	řetězec
trainingBatchSize	Velikost dávky pro trénovací proceduru.	řetězec
validationBatchSize	Velikost dávky, která se má použít při vyhodnocování.	řetězec
warmupRatio	Poměr tepla, použitý spolu s LrSchedulerType.	řetězec
weightDecay	Hmotnost pro trénovací proceduru se rozpadla.	řetězec

NlpSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení pro úlohu úklidu	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmu vzorkování	"Bayesian" Mřížka Random (povinné)

NlpVerticalFeaturizationSettings

Jméno	Popis	Hodnota
datasetLanguage	Jazyk datové sady, užitečný pro textová data.	řetězec

NlpVerticalLimitSettings

Jméno	Popis	Hodnota
maxConcurrentTrials	Maximální počet souběžných iterací AutoML	Int
maxNodes	Maximální počet uzlů, které se mají použít pro experiment.	Int
maxTrials	Počet iterací AutoML	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec
trialTimeout	Časový limit jednotlivých zkušebních verzí HD	řetězec

Uzly

Jméno	Popis	Hodnota
nodesValueType	Pro typ AllNodes nastavte hodnotu AllNodes.	All (povinné)

NotificationSetting

Jméno	Popis	Hodnota
emailOn	Odeslání e-mailového oznámení uživateli u zadaného typu oznámení	Řetězcové pole obsahující některou z těchto možností: JobCancelled JobCompleted Úloha se nezdařila.
e-maily	Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky.	string[]

Objektivní

Jméno	Popis	Hodnota
branka	[Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů.	Maximalizovat Minimalizovat (povinné)
primaryMetric	[Povinné] Název metriky pro optimalizaci	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

PipelineJob

Jméno	Popis	Hodnota
vstupy	Vstupy pro úlohu kanálu.	PipelineJobInputs
pracovní místa	Úlohy sestavují úlohu kanálu.	PipelineJobJobs
jobType	[Povinné] Určuje typ úlohy.	Kanál (povinné)
výstupy	Výstupy pro úlohu kanálu	PipelineJobOutputs
nastavení	Nastavení kanálu, například ContinueRunOnStepFailure atd.	jakýkoliv
sourceJobId	ID prostředku ARM zdrojové úlohy.	řetězec

PipelineJobInputs

Jméno	Popis	Hodnota

PipelineJobJobs

Jméno	Popis	Hodnota

PipelineJobOutputs

Jméno	Popis	Hodnota

PyTorch

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	PyTorch (povinné)
processCountPerInstance	Počet procesů na uzel	Int

QueueSettings

Jméno	Popis	Hodnota
jobTier	Výčet k určení úrovně úlohy	"Základní" Premium "Spot" "Standardní"
priorita	Řídí prioritu úlohy ve výpočetním prostředí.	Int

RandomSamplingAlgorithm

Jméno	Popis	Hodnota
logbase	Volitelné kladné číslo nebo e ve formátu řetězce, které se má použít jako základ pro náhodné vzorkování založené na protokolu	řetězec
pravidlo	Konkrétní typ náhodného algoritmu	Random "Sobol"
samplingAlgorithmType	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace	Random (povinné)
semeno	Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel	Int

RecurrenceSchedule

Jméno	Popis	Hodnota
hodiny	[Povinné] Seznam hodin pro plán	int[] (povinné)
minuty	[Povinné] Seznam minut pro plán	int[] (povinné)
monthDays	Seznam dnů měsíce pro plán	int[]
všední dny	Seznam dnů pro plán	Řetězcové pole obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa"

RecurrenceTrigger

Jméno	Popis	Hodnota
frekvence	[Povinné] Frekvence aktivace plánu.	"Den" Hodina "Minuta" "Měsíc" "Týden" (povinné)
interval	[Povinné] Určuje interval plánu ve spojení s frekvencí.	int (povinné)
naplánovat	Plán opakování.	opakování
triggerType	[Povinné]	Opakování (povinné)

Regrese

Jméno	Popis	Hodnota
cvSplitColumnNames	Sloupce, které se mají použít pro data CVSplit.	string[]
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	TableVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	TableFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Počet záhybů křížového ověření, které se mají použít u trénovací datové sady pokud není k dispozici ověřovací datová sada.	NCrossValidations
primaryMetric	Primární metrika pro regresní úlohu	NormalizedMeanAbsoluteError NormalizedRootMeanSquaredError R2Score SpearmanCorrelation
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	TableParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	TableSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	Regrese (povinné)
testData	Otestujte vstup dat.	MLTableJobInput
testDataSize	Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
trainingSettings	Vstupy pro trénovací fázi pro úlohu AutoML.	RegressionTrainingSettings
validationData	Ověřovací vstupy dat.	MLTableJobInput
validationDataSize	Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0,0 , 1,0) Používá se, pokud není k dispozici ověřovací datová sada.	Int
weightColumnName	Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.	řetězec

RegressionTrainingSettings

Jméno	Popis	Hodnota
allowedTrainingAlgorithms	Povolené modely pro regresní úlohu	Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor
blockedTrainingAlgorithms	Blokované modely pro regresní úlohu	Řetězcové pole obsahující některou z těchto možností: DecisionTree ElasticNet ExtremeRandomTrees GradientBoosting "KNN" LassoLars LightGBM RandomForest 'SGD' XGBoostRegressor
enableDnnTraining	Povolte doporučení modelů DNN.	Bool
enableModelExplainability	Příznakem zapněte vysvětlitelnost nejlepšího modelu.	Bool
enableOnnxCompatibleModels	Příznak pro povolení kompatibilních modelů onnx.	Bool
enableStackEnsemble	Povolte spuštění souboru zásobníku.	Bool
enableVoteEnsemble	Povolte spuštění hlasovacího souboru.	Bool
ensembleModelDownloadTimeout	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.	řetězec
stackEnsembleSettings	Stack ensemble nastavení pro štosový soubor běh.	StackEnsembleSettings
trainingMode	Režim TrainingMode – Nastavení na hodnotu Auto je stejné jako nastavení na nedistribuovaný režim, ale v budoucnu může vést ke smíšenému nebo heuristickému výběru režimu. Výchozí hodnota je auto. Pokud je distribuovaná, použije se pouze distribuovaná featurizace a zvolí se distribuované algoritmy. Pokud je "NonDistributed", vyberou se pouze nedistribuované algoritmy.	"Automaticky" Distribuovaný NonDistributed

ResourceBaseProperties

Jméno	Popis	Hodnota

ResourceBaseProperties

Jméno	Popis	Hodnota

Značky ResourceBaseTags

Jméno	Popis	Hodnota

Značky ResourceBaseTags

Jméno	Popis	Hodnota

ResourceConfigurationProperties

Jméno	Popis	Hodnota

SamplingAlgorithm

Jméno	Popis	Hodnota
samplingAlgorithmType	Nastavte na 'Bayesian' pro typ BayesianSamplingAlgorithm. Pro typ GridSamplingAlgorithmnastavte hodnotu GridSamplingAlgorithm . Pro typ RandomSamplingAlgorithmna hodnotu RandomSamplingAlgorithm .	"Bayesian" Mřížka Random (povinné)

ScheduleActionBase

Jméno	Popis	Hodnota
actionType	Nastavte na CreateJob pro typ JobScheduleAction. Nastavte na InvokeBatchEndpoint pro typ EndpointScheduleAction.	CreateJob InvokeBatchEndpoint (povinné)

ScheduleProperties

Jméno	Popis	Hodnota
akce	[Povinné] Určuje akci plánu.	ScheduleActionBase (povinné)
popis	Text popisu prostředku.	řetězec
displayName	Zobrazovaný název plánu	řetězec
isEnabled	Je plán povolený?	Bool
vlastnosti	Slovník vlastností assetu.	ResourceBaseProperties
visačky	Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.	ResourceBaseTags
spoušť	[Povinné] Určuje podrobnosti o triggeru.	triggerBase (povinné)

Sezónnost

Jméno	Popis	Hodnota
režim	U typu AutoSeasonalityna hodnotu AutoSeasonality . Pro typ CustomSeasonalityna hodnotu Custom .	"Automaticky" Vlastní (povinné)

SparkJob

Jméno	Popis	Hodnota
archiv	Archivovat soubory použité v úloze	string[]
args	Argumenty pro úlohu.	řetězec
codeId	[Povinné] ID prostředku ARM prostředku kódu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
Conf	Nakonfigurované vlastnosti Sparku	SparkJobConf
položka	[Povinné] Položka, která se má provést při spuštění úlohy.	sparkjobEntry (povinné)
environmentId	ID prostředku ARM specifikace prostředí pro úlohu.	řetězec
soubory	Soubory použité v úloze.	string[]
vstupy	Mapování vstupních datových vazeb použitých v úloze	SparkJobInputs
nádoby	Soubory JAR použité v úloze.	string[]
jobType	[Povinné] Určuje typ úlohy.	Spark (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	SparkJobOutputs
pyFiles	Soubory Pythonu používané v úloze	string[]
queueSettings	Nastavení fronty pro úlohu	QueueSettings
prostředky	Konfigurace výpočetního prostředku pro úlohu	SparkResourceConfiguration

SparkJobConf

Jméno	Popis	Hodnota

SparkJobEntry

Jméno	Popis	Hodnota
sparkJobEntryType	Nastavte na SparkJobPythonEntry pro typ SparkJobPythonEntry. Nastavte na SparkJobScalaEntry pro typ SparkJobScalaEntry.	SparkJobPythonEntry SparkJobScalaEntry (povinné)

SparkJobInputs

Jméno	Popis	Hodnota

SparkJobOutputs

Jméno	Popis	Hodnota

SparkJobPythonEntry

Jméno	Popis	Hodnota
soubor	[Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
sparkJobEntryType	[Povinné] Typ vstupního bodu úlohy	SparkJobPythonEntry (povinné)

SparkJobScalaEntry

Jméno	Popis	Hodnota
className	[Povinné] Název třídy Scala použitý jako vstupní bod	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
sparkJobEntryType	[Povinné] Typ vstupního bodu úlohy	SparkJobScalaEntry (povinné)

SparkResourceConfiguration

Jméno	Popis	Hodnota
instanceType	Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.	řetězec
runtimeVersion	Verze modulu runtime Spark použitého pro úlohu.	řetězec

StackEnsembleSettings

Jméno	Popis	Hodnota
stackMetaLearnerKWargs	Volitelné parametry, které se mají předat inicializátoru metaučte.	jakýkoliv
stackMetaLearnerTrainPercentage	Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2.	Int
stackMetaLearnerType	Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů.	ElasticNet ElasticNetCV LightGBMClassifier LightGBMRegressor LinearRegression LogisticRegression LogisticRegressionCV None (Žádný)

SweepJob

Jméno	Popis	Hodnota
earlyTermination	Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem.	EarlyTerminationPolicy
vstupy	Mapování vstupních datových vazeb použitých v úloze	SweepJobInputs
jobType	[Povinné] Určuje typ úlohy.	Uklidit (povinné)
hranice	Limit úlohy uklidit.	SweepJobLimits
objektivní	[Povinné] Cíl optimalizace	objective (povinné)
výstupy	Mapování výstupních datových vazeb použitých v úloze	SweepJobOutputs
queueSettings	Nastavení fronty pro úlohu	QueueSettings
samplingAlgorithm	[Povinné] Algoritmus vzorkování hyperparametrů	samplingAlgorithm (povinné)
searchSpace	[Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.	libovolná (povinná)
přelíčení	[Povinné] Definice zkušební komponenty.	zkušební (povinné)

SweepJobInputs

Jméno	Popis	Hodnota

SweepJobLimits

Jméno	Popis	Hodnota
jobLimitsType	[Povinné] Typ JobLimit.	Příkaz Uklidit (povinné)
maxConcurrentTrials	Maximální počet souběžných zkušebních verzí úlohy uklidit.	Int
maxTotalTrials	Uklidit job max total trials.	Int
přerušení zápasu	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.	řetězec
trialTimeout	Hodnota časového limitu zkušební verze úlohy uklidit	řetězec

SweepJobOutputs

Jméno	Popis	Hodnota

TableFixedParameters

Jméno	Popis	Hodnota
podpora	Zadejte typ zvýšení, například gbdt pro XGBoost.	řetězec
boostingType	Zadejte typ zesílení, například gbdt pro LightGBM.	řetězec
growPolicy	Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu.	řetězec
learningRate	Míra výuky pro postup trénování.	Int
maxBin	Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru .	Int
maxDepth	Zadejte maximální hloubku, která explicitně omezí hloubku stromu.	Int
maxLeaves	Zadejte maximální počet listů, které omezí listy stromu explicitně.	Int
minDataInLeaf	Minimální počet dat na list.	Int
minSplitGain	Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu.	Int
modelName	Název modelu, který se má vytrénovat.	řetězec
nEstimátory	Zadejte počet stromů (nebo zaokrouhlování) v modelu.	Int
numLeaves	Zadejte počet listů.	Int
preprocessorName	Název preprocesoru, který se má použít.	řetězec
regAlpha	Termín regularizace L1 na váze.	Int
regLambda	Termín regularizace L2 na váze.	Int
podsample	Poměr dílčího razítka instance trénování	Int
subsampleFreq	Frekvence podsample.	Int
treeMethod	Zadejte metodu stromu.	řetězec
withMean	Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar.	Bool
withStd	Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar.	Bool

TableParameterSubspace

Jméno	Popis	Hodnota
podpora	Zadejte typ zvýšení, například gbdt pro XGBoost.	řetězec
boostingType	Zadejte typ zesílení, například gbdt pro LightGBM.	řetězec
growPolicy	Zadejte zásadu zvětšování, která řídí způsob přidání nových uzlů do stromu.	řetězec
learningRate	Míra výuky pro postup trénování.	řetězec
maxBin	Zadejte maximální počet samostatných intervalů pro souvislé funkce kontejneru .	řetězec
maxDepth	Zadejte maximální hloubku, která explicitně omezí hloubku stromu.	řetězec
maxLeaves	Zadejte maximální počet listů, které omezí listy stromu explicitně.	řetězec
minDataInLeaf	Minimální počet dat na list.	řetězec
minSplitGain	Minimální snížení ztráty potřebné k vytvoření dalšího oddílu na listovém uzlu stromu.	řetězec
modelName	Název modelu, který se má vytrénovat.	řetězec
nEstimátory	Zadejte počet stromů (nebo zaokrouhlování) v modelu.	řetězec
numLeaves	Zadejte počet listů.	řetězec
preprocessorName	Název preprocesoru, který se má použít.	řetězec
regAlpha	Termín regularizace L1 na váze.	řetězec
regLambda	Termín regularizace L2 na váze.	řetězec
podsample	Poměr dílčího razítka instance trénování	řetězec
subsampleFreq	Frekvence podsample	řetězec
treeMethod	Zadejte metodu stromu.	řetězec
withMean	Pokud je hodnota true, zacentrujte před škálováním dat pomocí StandardScalar.	řetězec
withStd	Pokud je hodnota true, škálování dat pomocí odchylky jednotek pomocí StandardScalar.	řetězec

TableSweepSettings

Jméno	Popis	Hodnota
earlyTermination	Typ zásad předčasného ukončení pro úlohu úklidu	EarlyTerminationPolicy
samplingAlgorithm	[Povinné] Typ algoritmu vzorkování	"Bayesian" Mřížka Random (povinné)

TableVerticalFeaturizationSettings

Jméno	Popis	Hodnota
blockedTransformers	Tyto transformátory se nesmí používat při featurizaci.	Řetězcové pole obsahující některou z těchto možností: CatTargetEncoder CountVectorizer HashOneHotEncoder LabelEncoder "NaiveBayes" "OneHotEncoder" TextTargetEncoder TfIdf WoETargetEncoder WordEmbedding
columnNameAndTypes	Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.)	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Jazyk datové sady, užitečný pro textová data.	řetězec
enableDnnFeaturization	Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat.	Bool
režim	Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace.	"Automaticky" Vlastní "Vypnuto"
transformerParams	Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Jméno	Popis	Hodnota

TableVerticalFeaturizationSettingsTransformerParams

Jméno	Popis	Hodnota

TableVerticalLimitSettings

Jméno	Popis	Hodnota
enableEarlyTermination	Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre.	Bool
exitScore	Výstupní skóre pro úlohu AutoML	Int
maxConcurrentTrials	Maximální počet souběžných iterací	Int
maxCoresPerTrial	Maximální počet jader na iteraci	Int
maxNodes	Maximální počet uzlů, které se mají použít pro experiment.	Int
maxTrials	Počet iterací	Int
sweepConcurrentTrials	Počet souběžných spuštění úklidu, která chce uživatel aktivovat.	Int
sweepTrials	Počet zametacích spuštění, která chce uživatel aktivovat.	Int
přerušení zápasu	Časový limit úlohy AutoML	řetězec
trialTimeout	Časový limit iterace	řetězec

TargetLags

Jméno	Popis	Hodnota
režim	Pro typ AutoTargetLagsnastavte na hodnotu AutoTargetLags . Pro typ CustomTargetLagsna hodnotu Custom	"Automaticky" Vlastní (povinné)

TargetRollingWindowSize

Jméno	Popis	Hodnota
režim	Pro typ AutoTargetRollingWindowSizenastavte na Hodnotu Auto . Nastavte na Custom pro typ CustomTargetRollingWindowSize.	"Automaticky" Vlastní (povinné)

TensorFlow

Jméno	Popis	Hodnota
distributionType	[Povinné] Určuje typ distribuční architektury.	TensorFlow (povinné)
parameterServerCount	Počet úloh serveru parametrů	Int
workerCount	Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí.	Int

TextClassification

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primární metrika pro Text-Classification úkol	Přesnost AUCWeighted AveragePrecisionScoreWeighted NormMacroRecall PřesnostScoreWeighted
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextClassification (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TextClassificationMultilabel

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextClassificationMultilabel (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TextNer

Jméno	Popis	Hodnota
featurizationSettings	Vstupy featurizace potřebné pro úlohu AutoML	NlpVerticalFeaturizationSettings
fixedParameters	Parametry modelu/trénování, které zůstanou v průběhu trénování konstantní.	NlpFixedParameters
limitSettings	Omezení spouštění pro AutoMLJob.	NlpVerticalLimitSettings
searchSpace	Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.	NlpParameterSubspace[]
sweepSettings	Nastavení pro úklid modelů a ladění hyperparametrů	NlpSweepSettings
taskType	[Povinné] Typ úlohy pro AutoMLJob	TextNER (povinné)
validationData	Ověřovací vstupy dat.	MLTableJobInput

TrialComponent

Jméno	Popis	Hodnota
codeId	ID prostředku ARM prostředku kódu	řetězec
příkaz	[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py	řetězec Omezení: Minimální délka = 1 Model = `[a-zA-Z0-9_]` (povinné)
distribuce	Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.	DistributionConfiguration
environmentId	[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)
environmentVariables	Proměnné prostředí zahrnuté v úloze	TrialComponentEnvironmentVariables
prostředky	Konfigurace výpočetního prostředku pro úlohu	JobResourceConfiguration

TrialComponentEnvironmentVariables

Jméno	Popis	Hodnota

TriggerBase

Jméno	Popis	Hodnota
endTime	Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Projděte si https://en.wikipedia.org/wiki/ISO_8601. Formát recommented by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí na neomezenou dobu.	řetězec
startTime	Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC.	řetězec
timeZone	Určuje časové pásmo, ve kterém se plán spouští. TimeZone by měl dodržovat formát časového pásma Windows. Viz: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11	řetězec
triggerType	Nastavte na Cron pro typ CronTrigger. Pro typ RecurrenceTrigger nastavte na hodnotu RecurrenceTrigger.	Cron Opakování (povinné)

TritonModelJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"triton_model" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

TritonModelJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"triton_model" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

TruncationSelectionPolicy

Jméno	Popis	Hodnota
policyType	[Povinné] Název konfigurace zásad	TruncationSelection (povinné)
truncationPercentage	Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení.	Int

UriFileJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	"uri_file" (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

UriFileJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	"uri_file" (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

UriFolderJobInput

Jméno	Popis	Hodnota
jobInputType	[Povinné] Určuje typ úlohy.	Uri_folder (povinné)
režim	Režim doručení vstupního majetku	"Přímý" "Stáhnout" EvalDownload 'EvalMount' ReadOnlyMount ReadWriteMount
identifikátor uri	[Povinné] Identifikátor URI vstupního assetu	řetězec Omezení: Model = `[a-zA-Z0-9_]` (povinné)

UriFolderJobOutput

Jméno	Popis	Hodnota
assetName	Název výstupního prostředku	řetězec
assetVersion	Verze výstupního assetu	řetězec
jobOutputType	[Povinné] Určuje typ úlohy.	Uri_folder (povinné)
režim	Režim doručování výstupních prostředků	"Přímý" ReadWriteMount Nahrát
identifikátor uri	Identifikátor URI výstupního prostředku	řetězec

UserIdentity

Jméno	Popis	Hodnota
identityType	[Povinné] Určuje typ architektury identit.	UserIdentity (povinné)

Sdílet prostřednictvím

Pracovní prostory Microsoft.MachineLearningServices/plány 2023-02-01-preview

Definice prostředku Bicep

Formát prostředku

Objekty DistributionConfiguration

Objekty SamplingAlgorithm

Objekty JobInput

Objekty SparkJobEntry

Objekty JobOutput

EarlyTerminationPolicy – objekty

MLAssistConfiguration – objekty

ForecastHorizon – objekty

Objekty LabelingJobMediaProperties

TargetRollingWindowSize – objekty

Objekty IdentityConfiguration

Objekty AutoMLVertical

Uzly – objekty

Objekty TriggerBase

ScheduleActionBase – objekty

TargetLags – objekty

NCrossValidations – objekty

Objekty sezónnosti

Objekty JobBaseProperties

Hodnoty vlastností

AllNodes

AmlToken

AutoForecastHorizon

AutologgerSettings

AutoMLJob

AutoMLJobEnvironmentVariables

AutoMLJobOutputs

AutoMLVertical

AutoNCrossValidations

AutoSeasonality

AutoTargetLags

AutoTargetRollingWindowSize

BanditPolicy

BayesianSamplingAlgorithm

Klasifikace

ClassificationTrainingSettings

ColumnTransformer

CommandJob

CommandJobEnvironmentVariables

CommandJobInputs

CommandJobLimits

CommandJobOutputs

CronTrigger

CustomForecastHorizon

CustomModelJobInput

CustomModelJobOutput

CustomNCrossValidations

CustomSeasonality

CustomTargetLags

CustomTargetRollingWindowSize

DistributionConfiguration

EarlyTerminationPolicy

EndpointScheduleAction

ForecastHorizon

Prognostika

ForecastingSettings

ForecastingTrainingSettings

GridSamplingAlgorithm

IdentityConfiguration

ImageClassification

ImageClassificationMultilabel

ImageInstanceSegmentation

ImageLimitSettings

ImageModelDistributionSettingsClassification

ImageModelDistributionSettingsObjectDetection

ImageModelSettingsClassification

ImageModelSettingsObjectDetection

ImageObjectDetection

ImageSweepSettings

JobBaseProperties

JobBaseServices

JobInput

JobOutput

JobResourceConfiguration

JobScheduleAction

JobService