Pracovní prostory Microsoft.MachineLearningServices/plány 2023-06-01-preview
- 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@2023-06-01-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
}
}
}
TargetLags – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
mode: 'Auto'
}
Pro Vlastnípoužijte:
{
mode: 'Custom'
values: [
int
]
}
Objekty SparkJobEntry
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntrypoužijte:
{
file: 'string'
sparkJobEntryType: 'SparkJobPythonEntry'
}
Pro SparkJobScalaEntrypoužijte:
{
className: 'string'
sparkJobEntryType: 'SparkJobScalaEntry'
}
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'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: '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 CreateMonitorpoužijte:
{
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSetting: {
alertNotificationType: 'string'
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
mode: 'string'
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
}
Pro ImportData použijte:
{
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {
{customized property}: 'string'
}
}
}
Pro InvokeBatchEndpointpoužijte:
{
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any(Azure.Bicep.Types.Concrete.AnyType)
}
MonitorComputeIdentityBase – objekty
Nastavte computeIdentityType vlastnost určit typ objektu.
Pro AmlToken použijte:
{
computeIdentityType: 'AmlToken'
}
Pro managedIdentitypoužijte:
{
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
}
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
dataType: 'Categorical'
metric: 'string'
}
Pro Číselnýpoužijte:
{
dataType: 'Numerical'
metric: 'string'
}
Objekty MonitorComputeConfigurationBase
Nastavte computeType vlastnost určit typ objektu.
Pro serverlessSparkpoužijte:
{
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
computeType: 'ServerlessSpark'
instanceType: 'string'
runtimeVersion: 'string'
}
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
dataType: 'Categorical'
metric: 'string'
}
Pro Číselnýpoužijte:
{
dataType: 'Numerical'
metric: 'string'
}
Objekty DataImportSource
Nastavte vlastnost sourceType určit typ objektu.
Prodatabáze
{
query: 'string'
sourceType: 'database'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
}
Pro file_systempoužijte:
{
path: 'string'
sourceType: 'file_system'
}
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
dataType: 'Categorical'
metric: 'string'
}
Pro Číselnýpoužijte:
{
dataType: 'Numerical'
metric: 'string'
}
ModelPerformanceMetricThresholdBase – objekty
Nastavte modelType vlastnost určit typ objektu.
Pro Klasifikacepoužijte:
{
metric: 'string'
modelType: 'Classification'
}
Pro regresnípoužijte:
{
metric: 'string'
modelType: 'Regression'
}
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'
featuresUnknownAtForecastTime: [
'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'
logTrainingMetrics: 'string'
logValidationLoss: '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'
logTrainingMetrics: 'string'
logValidationLoss: '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'
}
}
TargetRollingWindowSize – 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 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'
}
MLAssistConfiguration – objekty
Nastavte mlAssist vlastnost určit typ objektu.
Pro Zakázánopoužijte:
{
mlAssist: 'Disabled'
}
Pro Povolenopoužijte:
{
inferencingComputeBinding: 'string'
mlAssist: 'Enabled'
trainingComputeBinding: 'string'
}
Objekty Webhooku
Nastavte webhookType vlastnost určit typ objektu.
Pro AzureDevOpspoužijte:
{
webhookType: 'AzureDevOps'
}
Objekty JobOutput
Nastavte jobOutputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'custom_model'
mode: 'string'
uri: 'string'
}
Pro mlflow_modelpoužijte:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'mlflow_model'
mode: 'string'
uri: 'string'
}
Pro mltable použijte:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'mltable'
mode: 'string'
uri: 'string'
}
Pro triton_modelpoužijte:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'triton_model'
mode: 'string'
uri: 'string'
}
Pro uri_filepoužijte:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'uri_file'
mode: 'string'
uri: 'string'
}
Pro uri_folderpoužijte:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'uri_folder'
mode: 'string'
uri: 'string'
}
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 DistributionConfiguration
Nastavte distributionType vlastnost určit typ objektu.
Pro mpipoužijte:
{
distributionType: 'Mpi'
processCountPerInstance: int
}
Pro PyTorchpoužijte:
{
distributionType: 'PyTorch'
processCountPerInstance: int
}
Pro Raypoužijte:
{
address: 'string'
dashboardPort: int
distributionType: 'Ray'
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
}
Pro TensorFlowpoužijte:
{
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
}
Uzly – objekty
Nastavte vlastnost nodesValueType určit typ objektu.
Pro Všechnypoužijte:
{
nodesValueType: 'All'
}
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'
}
NCrossValidations – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
mode: 'Auto'
}
Pro Vlastnípoužijte:
{
mode: 'Custom'
value: int
}
MonitoringFeatureFilterBase – objekty
Nastavte filterType vlastnost určit typ objektu.
Pro AllFeatures použijte:
{
filterType: 'AllFeatures'
}
Pro FeatureSubsetpoužijte:
{
features: [
'string'
]
filterType: 'FeatureSubset'
}
Pro TopNByAttributionpoužijte:
{
filterType: 'TopNByAttribution'
top: int
}
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Pro imagepoužijte:
{
annotationType: 'string'
mediaType: 'Image'
}
Pro Textovépoužijte:
{
annotationType: 'string'
mediaType: 'Text'
}
MonitoringInputDataBase – objekty
Nastavte inputDataType vlastnost určit typ objektu.
Pro Pevnépoužijte:
{
inputDataType: 'Fixed'
}
Pro Staticpoužijte:
{
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
}
Pro koncovépoužijte:
{
inputDataType: 'Trailing'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
}
MonitoringAlertNotificationSettingsBase – objekty
Nastavte alertNotificationType vlastnost určit typ objektu.
Pro AzureMonitorpoužijte:
{
alertNotificationType: 'AzureMonitor'
}
Pro e-mailovépoužijte:
{
alertNotificationType: 'Email'
emailNotificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
}
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
}
MonitoringSignalBase – objekty
Nastavte signalType vlastnost určit typ objektu.
Pro Vlastnípoužijte:
{
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
signalType: 'Custom'
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
}
Pro DataDrift použijte:
{
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
signalType: 'DataDrift'
}
Pro DataQualitypoužijte:
{
featureDataTypeOverride: {
{customized property}: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
signalType: 'DataQuality'
}
Pro FeatureAttributionDriftpoužijte:
{
metricThreshold: {
metric: 'string'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
signalType: 'FeatureAttributionDrift'
}
Pro GenerationSafetyQualitypoužijte:
{
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
signalType: 'GenerationSafetyQuality'
workspaceConnectionId: 'string'
}
Pro GenerationTokenStatisticspoužijte:
{
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
samplingRate: int
signalType: 'GenerationTokenStatistics'
}
Pro ModelPerformancepoužijte:
{
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
signalType: 'ModelPerformance'
}
Pro PredictionDriftpoužijte:
{
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType: 'string'
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
signalType: 'PredictionDrift'
}
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'
}
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'
]
maxInstanceCount: int
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
{
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'
]
maxInstanceCount: int
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
{
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'
]
maxInstanceCount: int
properties: {
{customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
}
shmSize: 'string'
}
}
}
ForecastHorizon – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
mode: 'Auto'
}
Pro Vlastnípoužijte:
{
mode: 'Custom'
value: int
}
Hodnoty vlastností
AllFeatures
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | AllFeatures (povinné) |
AllNodes
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | [Povinné] Typ hodnoty Uzly | All (povinné) |
AmlToken
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
AmlTokenComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
AutoDeleteSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| podmínka | Kdy zkontrolovat, jestli vypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
| hodnota | Hodnota podmínky vypršení platnosti | řetězec |
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 | |
| jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| 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) |
AzMonMonitoringAlertNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | [Povinné] Určuje typ signálu, který se má monitorovat. | AzureMonitor (povinné) |
AzureDevOpsWebhook
| Jméno | Popis | Hodnota |
|---|---|---|
| webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (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) |
KategoricalDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
KategoricalDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
CategoricalPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (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. | |
| 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 |
ClassificationModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | Přesnost Přesnost Odvolání (povinné) |
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
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. | |
| 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. | |
| 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, Ray nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | řetězec Omezení: Minimální délka = 1 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 | |
| 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 |
|---|
CreateMonitorAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
| monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
CronTrigger
| Jméno | Popis | Hodnota |
|---|---|---|
| výraz | [Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab. |
řetězec Omezení: Minimální délka = 1 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) |
CustomMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
CustomModelJobOutput
CustomMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| inputAssets | Monitorování prostředků, které se mají vzít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | customMonitoringSignalInputAssets |
| vstupy | Další parametry komponent, které se mají vzít jako vstup. Klíč je název vstupního portu vstupního portu komponenty, hodnota je hodnota parametru. | customMonitoringSignalInputs |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
| workspaceConnection | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection (povinné) |
CustomMonitoringSignalInputAssets
| Jméno | Popis | Hodnota |
|---|
CustomMonitoringSignalInputs
| Jméno | Popis | Hodnota |
|---|
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) |
DatabaseSource
| Jméno | Popis | Hodnota |
|---|---|---|
| dotaz | Příkaz sql Query pro zdroj databáze importu dat | řetězec |
| sourceType | [Povinné] Určuje typ dat. | "database" (povinné) |
| storedProcedure | Sql StoredProcedure pro zdroj databáze importu dat | řetězec |
| storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
| Jméno | Popis | Hodnota |
|---|
DataDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | Pro typ CategoricalDataDriftMetricThresholdna hodnotu CategoricalDataDriftMetricThreshold . Pro typ NumericDataDriftMetricThresholdna hodnotu NumericDataDriftMetricThreshold . | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
DataDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| dataSegment | Datový segment použitý k určení rozsahu podmnožinu základního souboru dat. | MonitoringDataSegment |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| rysy | Filtr funkcí, který identifikuje, která funkce k výpočtu posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataDrift (povinné) |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|
DataImport
| Jméno | Popis | Hodnota |
|---|---|---|
| assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
| autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
| Datatype | [Povinné] Určuje typ dat. | "mltable" "uri_file" Uri_folder (povinné) |
| identifikátor dataURI | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| popis | Text popisu prostředku. | řetězec |
| intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | intellectualProperty |
| isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, ve kterých je fáze definována, použije se k naplnění fáze IsAnonymous. | Bool |
| isArchived | Archivuje se asset? U typů, ve kterých je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| zdroj | Zdrojová data prostředku, ze které chcete importovat | DataImportSource |
| etapa | Fáze životního cyklu dat přiřazeného k tomuto datovému assetu | řetězec |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | |
DataImportSource
| Jméno | Popis | Hodnota |
|---|---|---|
| připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
| sourceType | Pro typ DatabaseSourcenastavte hodnotu databaseSource . Pro typ FileSystemSourcenastavte hodnotu file_system . | "databáze" File_system (povinné) |
DataQualityMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | U typu CategoricalDataQualityMetricThresholdna hodnotu CategoricalDataQualityMetricThreshold . U typu NumericDataQualityMetricThresholdna hodnotu NumericDataQualityMetricThreshold . | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
DataQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| rysy | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataQuality (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|
DistributionConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | Pro typ Mpi nastavte na Mpi . Nastavte na PyTorch pro typ PyTorch. Nastavte na "Ray" pro typ Ray. Nastavte na TensorFlow pro typ TensorFlow. | Mpi "PyTorch" "Ray" 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) |
EmailMonitoringAlertNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | [Povinné] Určuje typ signálu, který se má monitorovat. | E-mail (povinné) |
| emailNotificationSetting | Konfigurace pro oznámení | NotificationSetting |
EndpointScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
| endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. <viz href="TBD" /> |
libovolná (povinná) |
FeatureAttributionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
FeatureAttributionMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika přisuzování funkce k výpočtu. | NormaldDis cumulativeGain (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
FeatureSubset
| Jméno | Popis | Hodnota |
|---|---|---|
| rysy | [Povinné] Seznam funkcí, které chcete zahrnout. | string[] (povinné) |
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | FeatureSubset (povinné) |
FileSystemSource
| Jméno | Popis | Hodnota |
|---|---|---|
| cesta | Cesta ke zdroji FileSystem importu dat | řetězec |
| sourceType | [Povinné] Určuje typ dat. | File_system (povinné) |
FixedInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
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 budetři dny od sebe. |
Int |
| featureLags | Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null | "Automaticky" None (Žádný) |
| featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování. Pokud features_unknown_at_forecast_time není nastavená, předpokládá se, že všechny sloupce funkcí v datové sadě jsou známé v době odvození. |
string[] |
| forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad. | |
| 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. | |
| 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 |
GenerationSafetyQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" Přijatelné relevanceScorePerInstance "PřijatelnéSimilarityScorePerInstance" AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví cílová data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence cílových dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
| workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použité k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationTokenStatisticsMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenStatisticsSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenStatisticsMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví cílová data pro výpočetní metriky. | MonitoringInputDataBase |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence cílových dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
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
ImageModelSettingsObjectDetection
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) |
ImportDataAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
| dataImportDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | dataImport (povinné) |
IntellectualProperty
| Jméno | Popis | Hodnota |
|---|---|---|
| protectionLevel | Úroveň ochrany duševního vlastnictví. | "Vše" None (Žádný) |
| vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (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 |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| 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. | |
JobBaseSecretsConfiguration
| Jméno | Popis | Hodnota |
|---|
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[] |
| maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt používat. Pro použití s elastickým trénováním aktuálně podporovaným distribučním typem PyTorch. |
Int |
| vlastnosti | Taška s dalšími vlastnostmi. | |
| 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
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
ManagedComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
| identita | Identita spravované služby (identita přiřazená systémem nebo identita přiřazená uživatelem) | |
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 |
ManagedServiceIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | None (Žádný) SystemAssigned SystemAssigned, UserAssigned UserAssigned (povinné) |
| userAssignedIdentities | Sada identit přiřazených uživatelem přidružená k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formuláři: /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | userAssignedIdentities |
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: Minimální délka = 1 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: Minimální délka = 1 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: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MLFlowModelJobOutput
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: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MLTableJobOutput
ModelPerformanceMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | Nastavte na Classification pro typ ClassificationModelPerformanceMetricThreshold. Pro typ RegressionModelPerformanceMetricThresholdna hodnotu RegressionModelPerformanceMetricThreshold . | Klasifikace Regrese (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
ModelPerformanceSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| dataSegment | Datový segment. | MonitoringDataSegment |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
MonitorComputeConfigurationBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeType | Nastavte na ServerlessSpark pro typ MonitorServerlessSparkCompute. | ServerlessSpark (povinné) |
MonitorComputeIdentityBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | Nastavte na AmlToken pro typ AmlTokenComputeIdentity. Nastavte na ManagedIdentity pro typ ManagedComputeIdentity. | AmlToken ManagedIdentity (povinné) |
MonitorováníDefinition
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationSetting | Nastavení oznámení monitoru. | MonitoringAlertNotificationSettingsBase |
| computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku pro spuštění úlohy monitorování. | MonitorComputeConfigurationBase (povinné) |
| monitoringTarget | ID prostředku ARM modelu nebo nasazení cíleného tímto monitorováním. | monitoringTarget |
| signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorDefinitionSignals
| Jméno | Popis | Hodnota |
|---|
MonitoringAlertNotificationSettingsBase
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | Nastavte na AzureMonitor pro typ AzMonMonitoringAlertNotificationSettings. Nastavit na 'Email' pro typ EmailMonitoringAlertNotificationSettings. | AzureMonitor E-mail (povinné) |
MonitoringDataSegment
| Jméno | Popis | Hodnota |
|---|---|---|
| rys | Funkce pro segmentování dat. | řetězec |
| hodnoty | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
MonitoringFeatureFilterBase
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | Nastavte na AllFeatures pro typ AllFeatures. Pro typ FeatureSubsetnastavte na FeatureSubset . Nastavte na TopNByAttribution pro typ TopNFeaturesByAttribution. | AllFeatures FeatureSubset TopNByAttribution (povinné) |
MonitoringInputDataBase
| Jméno | Popis | Hodnota |
|---|---|---|
| sloupce | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
| dataContext | Kontextová metadata zdroje dat. | řetězec |
| inputDataType | U typu FixedInputDatana hodnotu FixedInputData . Pro typ StaticInputDatanastavte hodnotu StaticInputData . Pro typ TrailingInputDatanastavte hodnotu TrailingInputData. | "Opraveno" Statická Koncové (povinné) |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MonitoringInputDataBaseColumns
| Jméno | Popis | Hodnota |
|---|
MonitoringSignalBase
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Aktuální režim oznámení pro tento signál. | Zakázáno Povoleno |
| vlastnosti | Slovník vlastností Vlastnosti lze přidat, ale ne odebrat nebo změnit. | MonitoringSignalBaseProperties |
| signalType | Pro typ CustomMonitoringSignalna hodnotu CustomMonitoringSignal . Nastavte na Hodnotu DataDrift pro typ DataDriftMonitoringSignal. Pro typ DataQualityMonitoringSignalnastavte hodnotu DataQualityMonitoringSignal . Nastavte na FeatureAttributionDrift pro typ FeatureAttributionDriftMonitoringSignal. Nastavte na GenerationSafetyQuality pro typ GenerationSafetyQualityMonitoringSignal. Nastavte na GenerationTokenStatistics pro typ GenerationTokenStatisticsSignal. Nastavte na ModelPerformance pro typ ModelPerformanceSignal. Nastavte na PredictionDrift pro typ PredictionDriftMonitoringSignal. | Vlastní DataDrift 'DataQuality' FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
| Jméno | Popis | Hodnota |
|---|
MonitoringTarget
| Jméno | Popis | Hodnota |
|---|---|---|
| deploymentId | ID prostředku ARM pro nasazení cílené tímto monitorováním. | řetězec |
| modelId | ID prostředku ARM modelu, který je cílem tohoto monitorování. | řetězec |
| taskType | [Povinné] Typ úlohy strojového učení modelu. | Klasifikace 'QuestionAnswering' Regrese (povinné) |
MonitoringThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| hodnota | Prahová hodnota. Pokud je hodnota null, je výchozí nastavení závislé na typu metriky. | Int |
MonitoringWorkspaceConnection
| Jméno | Popis | Hodnota |
|---|---|---|
| environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| tajemství | Vlastnosti připojení služby pracovního prostoru k uložení jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|
MonitoringWorkspaceConnectionSecrets
| Jméno | Popis | Hodnota |
|---|
MonitorováníServerlessSparkCompute
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[] |
| webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Jméno | Popis | Hodnota |
|---|
NumericDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselných dat k výpočtu. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
NumericDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika kvality číselných dat, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
NumericPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselné předpovědi, která se má vypočítat. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
Objektivní
| Jméno | Popis | Hodnota |
|---|---|---|
| branka | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
| primaryMetric | [Povinné] Název metriky pro optimalizaci | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
PipelineJob
| Jméno | Popis | Hodnota |
|---|---|---|
| vstupy | Vstupy pro úlohu kanálu. | |
| 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 |
|---|
PredictionDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | Pro typ CategoricalPredictionDriftMetricThresholdnastavte hodnotu CategoricalPredictionDriftMetricThreshold . Nastavte na 'Numeric' pro typ NumericPredictionDriftMetricThreshold. | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
PredictionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
| modelType | [Povinné] Typ monitorovaného modelu. | Klasifikace Regrese (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
PyTorch
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
| processCountPerInstance | Počet procesů na uzel | Int |
QueueSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| jobTier | Řídí úroveň výpočetní úlohy. | "Základní" Null 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 |
Paprsek
| Jméno | Popis | Hodnota |
|---|---|---|
| adresa | Adresa hlavního uzlu Ray. | řetězec |
| dashboardPort | Port pro vazbu serveru řídicího panelu. | Int |
| distributionType | [Povinné] Určuje typ distribuční architektury. | Ray (povinné) |
| headNodeAdditionalArgs | Další argumenty předané paprsku v hlavním uzlu. | řetězec |
| includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | Bool |
| přístav | Port procesu paprsku hlavy. | Int |
| workerNodeAdditionalArgs | Další argumenty předané ray startu v pracovním uzlu. | řetězec |
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
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. | |
| 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 |
RegressionModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
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. | |
| 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 |
|---|
ResourceBaseProperties
| Jméno | Popis | Hodnota |
|---|
Značky ResourceBaseTags
| 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 CreateMonitor pro typ CreateMonitorAction. Nastavte na ImportData pro typ ImportDataAction. Nastavte na InvokeBatchEndpoint pro typ EndpointScheduleAction. | CreateJob CreateMonitor ImportData 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. | |
| 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) |
SecretConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Identifikátor URI tajného klíče. Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
| workspaceSecretName | Název tajného klíče v trezoru klíčů pracovního prostoru | řetězec |
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: Minimální délka = 1 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 | |
| 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) |
StaticInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Statická (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowEnd | [Povinné] Koncové datum okna dat. | string (povinné) |
| windowStart | [Povinné] Počáteční datum okna dat. | string (povinné) |
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 | |
| queueSettings | Nastavení fronty pro úlohu | |
| 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 |
TopNFeaturesByAttribution
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | TopNByAttribution (povinné) |
| vrchol | Počet hlavních funkcí, které se mají zahrnout. | Int |
TrailingInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Koncové (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem běhu monitorování. | string (povinné) |
| windowSize | [Povinné] Velikost koncového okna dat. | string (povinné) |
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. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | řetězec Omezení: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
TritonModelJobOutput
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
UriFileJobOutput
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
UriFolderJobOutput
UserAssignedIdentities
| Jméno | Popis | Hodnota |
|---|
UserAssignedIdentity
| Jméno | Popis | Hodnota |
|---|
UserIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
Webhook
| Jméno | Popis | Hodnota |
|---|---|---|
| eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
| webhookType | Nastavte na AzureDevOps pro typ AzureDevOpsWebhook. | AzureDevOps (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": "2023-06-01-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
}
}
}
TargetLags – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
"mode": "Auto"
}
Pro Vlastnípoužijte:
{
"mode": "Custom",
"values": [ "int" ]
}
Objekty SparkJobEntry
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntrypoužijte:
{
"file": "string",
"sparkJobEntryType": "SparkJobPythonEntry"
}
Pro SparkJobScalaEntrypoužijte:
{
"className": "string",
"sparkJobEntryType": "SparkJobScalaEntry"
}
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" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "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 CreateMonitorpoužijte:
{
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSetting": {
"alertNotificationType": "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"mode": "string",
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
}
Pro ImportData použijte:
{
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {
"{customized property}": "string"
}
}
}
Pro InvokeBatchEndpointpoužijte:
{
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
}
MonitorComputeIdentityBase – objekty
Nastavte computeIdentityType vlastnost určit typ objektu.
Pro AmlToken použijte:
{
"computeIdentityType": "AmlToken"
}
Pro managedIdentitypoužijte:
{
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {
}
}
}
}
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
"dataType": "Categorical",
"metric": "string"
}
Pro Číselnýpoužijte:
{
"dataType": "Numerical",
"metric": "string"
}
Objekty MonitorComputeConfigurationBase
Nastavte computeType vlastnost určit typ objektu.
Pro serverlessSparkpoužijte:
{
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"computeType": "ServerlessSpark",
"instanceType": "string",
"runtimeVersion": "string"
}
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
"dataType": "Categorical",
"metric": "string"
}
Pro Číselnýpoužijte:
{
"dataType": "Numerical",
"metric": "string"
}
Objekty DataImportSource
Nastavte vlastnost sourceType určit typ objektu.
Prodatabáze
{
"query": "string",
"sourceType": "database",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
}
Pro file_systempoužijte:
{
"path": "string",
"sourceType": "file_system"
}
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
"dataType": "Categorical",
"metric": "string"
}
Pro Číselnýpoužijte:
{
"dataType": "Numerical",
"metric": "string"
}
ModelPerformanceMetricThresholdBase – objekty
Nastavte modelType vlastnost určit typ objektu.
Pro Klasifikacepoužijte:
{
"metric": "string",
"modelType": "Classification"
}
Pro regresnípoužijte:
{
"metric": "string",
"modelType": "Regression"
}
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",
"featuresUnknownAtForecastTime": [ "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",
"logTrainingMetrics": "string",
"logValidationLoss": "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",
"logTrainingMetrics": "string",
"logValidationLoss": "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"
}
}
TargetRollingWindowSize – 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 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"
}
MLAssistConfiguration – objekty
Nastavte mlAssist vlastnost určit typ objektu.
Pro Zakázánopoužijte:
{
"mlAssist": "Disabled"
}
Pro Povolenopoužijte:
{
"inferencingComputeBinding": "string",
"mlAssist": "Enabled",
"trainingComputeBinding": "string"
}
Objekty Webhooku
Nastavte webhookType vlastnost určit typ objektu.
Pro AzureDevOpspoužijte:
{
"webhookType": "AzureDevOps"
}
Objekty JobOutput
Nastavte jobOutputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "custom_model",
"mode": "string",
"uri": "string"
}
Pro mlflow_modelpoužijte:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "mlflow_model",
"mode": "string",
"uri": "string"
}
Pro mltable použijte:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "mltable",
"mode": "string",
"uri": "string"
}
Pro triton_modelpoužijte:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "triton_model",
"mode": "string",
"uri": "string"
}
Pro uri_filepoužijte:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "uri_file",
"mode": "string",
"uri": "string"
}
Pro uri_folderpoužijte:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "uri_folder",
"mode": "string",
"uri": "string"
}
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 DistributionConfiguration
Nastavte distributionType vlastnost určit typ objektu.
Pro mpipoužijte:
{
"distributionType": "Mpi",
"processCountPerInstance": "int"
}
Pro PyTorchpoužijte:
{
"distributionType": "PyTorch",
"processCountPerInstance": "int"
}
Pro Raypoužijte:
{
"address": "string",
"dashboardPort": "int",
"distributionType": "Ray",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
}
Pro TensorFlowpoužijte:
{
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
}
Uzly – objekty
Nastavte vlastnost nodesValueType určit typ objektu.
Pro Všechnypoužijte:
{
"nodesValueType": "All"
}
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"
}
NCrossValidations – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
"mode": "Auto"
}
Pro Vlastnípoužijte:
{
"mode": "Custom",
"value": "int"
}
MonitoringFeatureFilterBase – objekty
Nastavte filterType vlastnost určit typ objektu.
Pro AllFeatures použijte:
{
"filterType": "AllFeatures"
}
Pro FeatureSubsetpoužijte:
{
"features": [ "string" ],
"filterType": "FeatureSubset"
}
Pro TopNByAttributionpoužijte:
{
"filterType": "TopNByAttribution",
"top": "int"
}
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Pro imagepoužijte:
{
"annotationType": "string",
"mediaType": "Image"
}
Pro Textovépoužijte:
{
"annotationType": "string",
"mediaType": "Text"
}
MonitoringInputDataBase – objekty
Nastavte inputDataType vlastnost určit typ objektu.
Pro Pevnépoužijte:
{
"inputDataType": "Fixed"
}
Pro Staticpoužijte:
{
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
}
Pro koncovépoužijte:
{
"inputDataType": "Trailing",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
}
MonitoringAlertNotificationSettingsBase – objekty
Nastavte alertNotificationType vlastnost určit typ objektu.
Pro AzureMonitorpoužijte:
{
"alertNotificationType": "AzureMonitor"
}
Pro e-mailovépoužijte:
{
"alertNotificationType": "Email",
"emailNotificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
}
}
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"
}
MonitoringSignalBase – objekty
Nastavte signalType vlastnost určit typ objektu.
Pro Vlastnípoužijte:
{
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"signalType": "Custom",
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
}
Pro DataDrift použijte:
{
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [ {
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
} ],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"signalType": "DataDrift"
}
Pro DataQualitypoužijte:
{
"featureDataTypeOverride": {
"{customized property}": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [ {
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
} ],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"signalType": "DataQuality"
}
Pro FeatureAttributionDriftpoužijte:
{
"metricThreshold": {
"metric": "string",
"threshold": {
"value": "int"
}
},
"productionData": [ {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
} ],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"signalType": "FeatureAttributionDrift"
}
Pro GenerationSafetyQualitypoužijte:
{
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [ {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
} ],
"samplingRate": "int",
"signalType": "GenerationSafetyQuality",
"workspaceConnectionId": "string"
}
Pro GenerationTokenStatisticspoužijte:
{
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"samplingRate": "int",
"signalType": "GenerationTokenStatistics"
}
Pro ModelPerformancepoužijte:
{
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [ {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
} ],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"signalType": "ModelPerformance"
}
Pro PredictionDriftpoužijte:
{
"metricThresholds": [ {
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
} ],
"modelType": "string",
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"signalType": "PredictionDrift"
}
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"
}
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" ],
"maxInstanceCount": "int",
"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
{
"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" ],
"maxInstanceCount": "int",
"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
{
"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" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
}
ForecastHorizon – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
"mode": "Auto"
}
Pro Vlastnípoužijte:
{
"mode": "Custom",
"value": "int"
}
Hodnoty vlastností
AllFeatures
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | AllFeatures (povinné) |
AllNodes
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | [Povinné] Typ hodnoty Uzly | All (povinné) |
AmlToken
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
AmlTokenComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
AutoDeleteSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| podmínka | Kdy zkontrolovat, jestli vypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
| hodnota | Hodnota podmínky vypršení platnosti | řetězec |
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 | |
| jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| 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) |
AzMonMonitoringAlertNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | [Povinné] Určuje typ signálu, který se má monitorovat. | AzureMonitor (povinné) |
AzureDevOpsWebhook
| Jméno | Popis | Hodnota |
|---|---|---|
| webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (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) |
KategoricalDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
KategoricalDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
CategoricalPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (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. | |
| 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 |
ClassificationModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | Přesnost Přesnost Odvolání (povinné) |
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
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. | |
| 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. | |
| 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, Ray nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | řetězec Omezení: Minimální délka = 1 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 | |
| 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 |
|---|
CreateMonitorAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
| monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
CronTrigger
| Jméno | Popis | Hodnota |
|---|---|---|
| výraz | [Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab. |
řetězec Omezení: Minimální délka = 1 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) |
CustomMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
CustomModelJobOutput
CustomMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| inputAssets | Monitorování prostředků, které se mají vzít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | customMonitoringSignalInputAssets |
| vstupy | Další parametry komponent, které se mají vzít jako vstup. Klíč je název vstupního portu vstupního portu komponenty, hodnota je hodnota parametru. | customMonitoringSignalInputs |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
| workspaceConnection | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection (povinné) |
CustomMonitoringSignalInputAssets
| Jméno | Popis | Hodnota |
|---|
CustomMonitoringSignalInputs
| Jméno | Popis | Hodnota |
|---|
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) |
DatabaseSource
| Jméno | Popis | Hodnota |
|---|---|---|
| dotaz | Příkaz sql Query pro zdroj databáze importu dat | řetězec |
| sourceType | [Povinné] Určuje typ dat. | "database" (povinné) |
| storedProcedure | Sql StoredProcedure pro zdroj databáze importu dat | řetězec |
| storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
| Jméno | Popis | Hodnota |
|---|
DataDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | Pro typ CategoricalDataDriftMetricThresholdna hodnotu CategoricalDataDriftMetricThreshold . Pro typ NumericDataDriftMetricThresholdna hodnotu NumericDataDriftMetricThreshold . | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
DataDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| dataSegment | Datový segment použitý k určení rozsahu podmnožinu základního souboru dat. | MonitoringDataSegment |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| rysy | Filtr funkcí, který identifikuje, která funkce k výpočtu posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataDrift (povinné) |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|
DataImport
| Jméno | Popis | Hodnota |
|---|---|---|
| assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
| autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
| Datatype | [Povinné] Určuje typ dat. | "mltable" "uri_file" Uri_folder (povinné) |
| identifikátor dataURI | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| popis | Text popisu prostředku. | řetězec |
| intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | intellectualProperty |
| isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, ve kterých je fáze definována, použije se k naplnění fáze IsAnonymous. | Bool |
| isArchived | Archivuje se asset? U typů, ve kterých je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| zdroj | Zdrojová data prostředku, ze které chcete importovat | DataImportSource |
| etapa | Fáze životního cyklu dat přiřazeného k tomuto datovému assetu | řetězec |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | |
DataImportSource
| Jméno | Popis | Hodnota |
|---|---|---|
| připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
| sourceType | Pro typ DatabaseSourcenastavte hodnotu databaseSource . Pro typ FileSystemSourcenastavte hodnotu file_system . | "databáze" File_system (povinné) |
DataQualityMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | U typu CategoricalDataQualityMetricThresholdna hodnotu CategoricalDataQualityMetricThreshold . U typu NumericDataQualityMetricThresholdna hodnotu NumericDataQualityMetricThreshold . | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
DataQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| rysy | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataQuality (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|
DistributionConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | Pro typ Mpi nastavte na Mpi . Nastavte na PyTorch pro typ PyTorch. Nastavte na "Ray" pro typ Ray. Nastavte na TensorFlow pro typ TensorFlow. | Mpi "PyTorch" "Ray" 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) |
EmailMonitoringAlertNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | [Povinné] Určuje typ signálu, který se má monitorovat. | E-mail (povinné) |
| emailNotificationSetting | Konfigurace pro oznámení | NotificationSetting |
EndpointScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
| endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. <viz href="TBD" /> |
libovolná (povinná) |
FeatureAttributionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
FeatureAttributionMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika přisuzování funkce k výpočtu. | NormaldDis cumulativeGain (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
FeatureSubset
| Jméno | Popis | Hodnota |
|---|---|---|
| rysy | [Povinné] Seznam funkcí, které chcete zahrnout. | string[] (povinné) |
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | FeatureSubset (povinné) |
FileSystemSource
| Jméno | Popis | Hodnota |
|---|---|---|
| cesta | Cesta ke zdroji FileSystem importu dat | řetězec |
| sourceType | [Povinné] Určuje typ dat. | File_system (povinné) |
FixedInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
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 budetři dny od sebe. |
Int |
| featureLags | Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null | "Automaticky" None (Žádný) |
| featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování. Pokud features_unknown_at_forecast_time není nastavená, předpokládá se, že všechny sloupce funkcí v datové sadě jsou známé v době odvození. |
string[] |
| forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad. | |
| 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. | |
| 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 |
GenerationSafetyQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" Přijatelné relevanceScorePerInstance "PřijatelnéSimilarityScorePerInstance" AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví cílová data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence cílových dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
| workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použité k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationTokenStatisticsMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenStatisticsSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenStatisticsMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví cílová data pro výpočetní metriky. | MonitoringInputDataBase |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence cílových dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
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
ImageModelSettingsObjectDetection
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) |
ImportDataAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
| dataImportDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | dataImport (povinné) |
IntellectualProperty
| Jméno | Popis | Hodnota |
|---|---|---|
| protectionLevel | Úroveň ochrany duševního vlastnictví. | "Vše" None (Žádný) |
| vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (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 |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| 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. | |
JobBaseSecretsConfiguration
| Jméno | Popis | Hodnota |
|---|
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[] |
| maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt používat. Pro použití s elastickým trénováním aktuálně podporovaným distribučním typem PyTorch. |
Int |
| vlastnosti | Taška s dalšími vlastnostmi. | |
| 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
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
ManagedComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
| identita | Identita spravované služby (identita přiřazená systémem nebo identita přiřazená uživatelem) | |
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 |
ManagedServiceIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | None (Žádný) SystemAssigned SystemAssigned, UserAssigned UserAssigned (povinné) |
| userAssignedIdentities | Sada identit přiřazených uživatelem přidružená k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formuláři: /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | userAssignedIdentities |
MedianStoppingPolicy
| Jméno | Popis | Hodnota |
|---|---|---|
| policyType | [Povinné] Název konfigurace zásad | 'MedinStopping' (povinné) |
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: Minimální délka = 1 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: Minimální délka = 1 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: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MLFlowModelJobOutput
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: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MLTableJobOutput
ModelPerformanceMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | Nastavte na Classification pro typ ClassificationModelPerformanceMetricThreshold. Pro typ RegressionModelPerformanceMetricThresholdna hodnotu RegressionModelPerformanceMetricThreshold . | Klasifikace Regrese (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
ModelPerformanceSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| dataSegment | Datový segment. | MonitoringDataSegment |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
MonitorComputeConfigurationBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeType | Nastavte na ServerlessSpark pro typ MonitorServerlessSparkCompute. | ServerlessSpark (povinné) |
MonitorComputeIdentityBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | Nastavte na AmlToken pro typ AmlTokenComputeIdentity. Nastavte na ManagedIdentity pro typ ManagedComputeIdentity. | AmlToken ManagedIdentity (povinné) |
MonitorováníDefinition
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationSetting | Nastavení oznámení monitoru. | MonitoringAlertNotificationSettingsBase |
| computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku pro spuštění úlohy monitorování. | MonitorComputeConfigurationBase (povinné) |
| monitoringTarget | ID prostředku ARM modelu nebo nasazení cíleného tímto monitorováním. | monitoringTarget |
| signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorDefinitionSignals
| Jméno | Popis | Hodnota |
|---|
MonitoringAlertNotificationSettingsBase
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | Nastavte na AzureMonitor pro typ AzMonMonitoringAlertNotificationSettings. Nastavit na 'Email' pro typ EmailMonitoringAlertNotificationSettings. | AzureMonitor E-mail (povinné) |
MonitoringDataSegment
| Jméno | Popis | Hodnota |
|---|---|---|
| rys | Funkce pro segmentování dat. | řetězec |
| hodnoty | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
MonitoringFeatureFilterBase
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | Nastavte na AllFeatures pro typ AllFeatures. Pro typ FeatureSubsetnastavte na FeatureSubset . Nastavte na TopNByAttribution pro typ TopNFeaturesByAttribution. | AllFeatures FeatureSubset TopNByAttribution (povinné) |
MonitoringInputDataBase
| Jméno | Popis | Hodnota |
|---|---|---|
| sloupce | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
| dataContext | Kontextová metadata zdroje dat. | řetězec |
| inputDataType | U typu FixedInputDatana hodnotu FixedInputData . Pro typ StaticInputDatanastavte hodnotu StaticInputData . Pro typ TrailingInputDatanastavte hodnotu TrailingInputData. | "Opraveno" Statická Koncové (povinné) |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MonitoringInputDataBaseColumns
| Jméno | Popis | Hodnota |
|---|
MonitoringSignalBase
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Aktuální režim oznámení pro tento signál. | Zakázáno Povoleno |
| vlastnosti | Slovník vlastností Vlastnosti lze přidat, ale ne odebrat nebo změnit. | MonitoringSignalBaseProperties |
| signalType | Pro typ CustomMonitoringSignalna hodnotu CustomMonitoringSignal . Nastavte na Hodnotu DataDrift pro typ DataDriftMonitoringSignal. Pro typ DataQualityMonitoringSignalnastavte hodnotu DataQualityMonitoringSignal . Nastavte na FeatureAttributionDrift pro typ FeatureAttributionDriftMonitoringSignal. Nastavte na GenerationSafetyQuality pro typ GenerationSafetyQualityMonitoringSignal. Nastavte na GenerationTokenStatistics pro typ GenerationTokenStatisticsSignal. Nastavte na ModelPerformance pro typ ModelPerformanceSignal. Nastavte na PredictionDrift pro typ PredictionDriftMonitoringSignal. | Vlastní DataDrift 'DataQuality' FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
| Jméno | Popis | Hodnota |
|---|
MonitoringTarget
| Jméno | Popis | Hodnota |
|---|---|---|
| deploymentId | ID prostředku ARM pro nasazení cílené tímto monitorováním. | řetězec |
| modelId | ID prostředku ARM modelu, který je cílem tohoto monitorování. | řetězec |
| taskType | [Povinné] Typ úlohy strojového učení modelu. | Klasifikace 'QuestionAnswering' Regrese (povinné) |
MonitoringThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| hodnota | Prahová hodnota. Pokud je hodnota null, je výchozí nastavení závislé na typu metriky. | Int |
MonitoringWorkspaceConnection
| Jméno | Popis | Hodnota |
|---|---|---|
| environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| tajemství | Vlastnosti připojení služby pracovního prostoru k uložení jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|
MonitoringWorkspaceConnectionSecrets
| Jméno | Popis | Hodnota |
|---|
MonitorováníServerlessSparkCompute
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[] |
| webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Jméno | Popis | Hodnota |
|---|
NumericDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselných dat k výpočtu. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
NumericDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika kvality číselných dat, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
NumericPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselné předpovědi, která se má vypočítat. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
Objektivní
| Jméno | Popis | Hodnota |
|---|---|---|
| branka | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
| primaryMetric | [Povinné] Název metriky pro optimalizaci | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
PipelineJob
| Jméno | Popis | Hodnota |
|---|---|---|
| vstupy | Vstupy pro úlohu kanálu. | |
| 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 |
|---|
PredictionDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | Pro typ CategoricalPredictionDriftMetricThresholdnastavte hodnotu CategoricalPredictionDriftMetricThreshold . Nastavte na 'Numeric' pro typ NumericPredictionDriftMetricThreshold. | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
PredictionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
| modelType | [Povinné] Typ monitorovaného modelu. | Klasifikace Regrese (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
PyTorch
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
| processCountPerInstance | Počet procesů na uzel | Int |
QueueSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| jobTier | Řídí úroveň výpočetní úlohy. | "Základní" Null 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 |
Paprsek
| Jméno | Popis | Hodnota |
|---|---|---|
| adresa | Adresa hlavního uzlu Ray. | řetězec |
| dashboardPort | Port pro vazbu serveru řídicího panelu. | Int |
| distributionType | [Povinné] Určuje typ distribuční architektury. | Ray (povinné) |
| headNodeAdditionalArgs | Další argumenty předané paprsku v hlavním uzlu. | řetězec |
| includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | Bool |
| přístav | Port procesu paprsku hlavy. | Int |
| workerNodeAdditionalArgs | Další argumenty předané ray startu v pracovním uzlu. | řetězec |
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
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. | |
| 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 |
RegressionModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
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. | |
| 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 |
|---|
ResourceBaseProperties
| Jméno | Popis | Hodnota |
|---|
Značky ResourceBaseTags
| 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 CreateMonitor pro typ CreateMonitorAction. Nastavte na ImportData pro typ ImportDataAction. Nastavte na InvokeBatchEndpoint pro typ EndpointScheduleAction. | CreateJob CreateMonitor ImportData 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. | |
| 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) |
SecretConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Identifikátor URI tajného klíče. Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
| workspaceSecretName | Název tajného klíče v trezoru klíčů pracovního prostoru | řetězec |
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: Minimální délka = 1 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 | |
| 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) |
StaticInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Statická (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowEnd | [Povinné] Koncové datum okna dat. | string (povinné) |
| windowStart | [Povinné] Počáteční datum okna dat. | string (povinné) |
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 | |
| queueSettings | Nastavení fronty pro úlohu | |
| 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 |
TopNFeaturesByAttribution
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | TopNByAttribution (povinné) |
| vrchol | Počet hlavních funkcí, které se mají zahrnout. | Int |
TrailingInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Koncové (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem běhu monitorování. | string (povinné) |
| windowSize | [Povinné] Velikost koncového okna dat. | string (povinné) |
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. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | řetězec Omezení: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
TritonModelJobOutput
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
UriFileJobOutput
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
UriFolderJobOutput
UserAssignedIdentities
| Jméno | Popis | Hodnota |
|---|
UserAssignedIdentity
| Jméno | Popis | Hodnota |
|---|
UserIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
Webhook
| Jméno | Popis | Hodnota |
|---|---|---|
| eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
| webhookType | Nastavte na AzureDevOps pro typ AzureDevOpsWebhook. | AzureDevOps (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@2023-06-01-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
}
}
})
}
TargetLags – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
mode = "Auto"
}
Pro Vlastnípoužijte:
{
mode = "Custom"
values = [
int
]
}
Objekty SparkJobEntry
Nastavte sparkJobEntryType vlastnost určit typ objektu.
Pro SparkJobPythonEntrypoužijte:
{
file = "string"
sparkJobEntryType = "SparkJobPythonEntry"
}
Pro SparkJobScalaEntrypoužijte:
{
className = "string"
sparkJobEntryType = "SparkJobScalaEntry"
}
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"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "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 CreateMonitorpoužijte:
{
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSetting = {
alertNotificationType = "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
mode = "string"
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
}
Pro ImportData použijte:
{
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {
{customized property} = "string"
}
}
}
Pro InvokeBatchEndpointpoužijte:
{
actionType = "InvokeBatchEndpoint"
endpointInvocationDefinition = ?
}
MonitorComputeIdentityBase – objekty
Nastavte computeIdentityType vlastnost určit typ objektu.
Pro AmlToken použijte:
{
computeIdentityType = "AmlToken"
}
Pro managedIdentitypoužijte:
{
computeIdentityType = "ManagedIdentity"
identity = {
type = "string"
userAssignedIdentities = {
{customized property} = {
}
}
}
}
Objekty DataQualityMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
dataType = "Categorical"
metric = "string"
}
Pro Číselnýpoužijte:
{
dataType = "Numerical"
metric = "string"
}
Objekty MonitorComputeConfigurationBase
Nastavte computeType vlastnost určit typ objektu.
Pro serverlessSparkpoužijte:
{
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
computeType = "ServerlessSpark"
instanceType = "string"
runtimeVersion = "string"
}
PredictionDriftMetricThresholdBase – objekty
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
dataType = "Categorical"
metric = "string"
}
Pro Číselnýpoužijte:
{
dataType = "Numerical"
metric = "string"
}
Objekty DataImportSource
Nastavte vlastnost sourceType určit typ objektu.
Prodatabáze
{
query = "string"
sourceType = "database"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
}
Pro file_systempoužijte:
{
path = "string"
sourceType = "file_system"
}
Objekty DataDriftMetricThresholdBase
Nastavte vlastnost dataType určit typ objektu.
Pro kategorickýpoužijte:
{
dataType = "Categorical"
metric = "string"
}
Pro Číselnýpoužijte:
{
dataType = "Numerical"
metric = "string"
}
ModelPerformanceMetricThresholdBase – objekty
Nastavte modelType vlastnost určit typ objektu.
Pro Klasifikacepoužijte:
{
metric = "string"
modelType = "Classification"
}
Pro regresnípoužijte:
{
metric = "string"
modelType = "Regression"
}
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"
featuresUnknownAtForecastTime = [
"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"
logTrainingMetrics = "string"
logValidationLoss = "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"
logTrainingMetrics = "string"
logValidationLoss = "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"
}
}
TargetRollingWindowSize – 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 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"
}
MLAssistConfiguration – objekty
Nastavte mlAssist vlastnost určit typ objektu.
Pro Zakázánopoužijte:
{
mlAssist = "Disabled"
}
Pro Povolenopoužijte:
{
inferencingComputeBinding = "string"
mlAssist = "Enabled"
trainingComputeBinding = "string"
}
Objekty Webhooku
Nastavte webhookType vlastnost určit typ objektu.
Pro AzureDevOpspoužijte:
{
webhookType = "AzureDevOps"
}
Objekty JobOutput
Nastavte jobOutputType vlastnost určit typ objektu.
Pro custom_modelpoužijte:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "custom_model"
mode = "string"
uri = "string"
}
Pro mlflow_modelpoužijte:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "mlflow_model"
mode = "string"
uri = "string"
}
Pro mltable použijte:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "mltable"
mode = "string"
uri = "string"
}
Pro triton_modelpoužijte:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "triton_model"
mode = "string"
uri = "string"
}
Pro uri_filepoužijte:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "uri_file"
mode = "string"
uri = "string"
}
Pro uri_folderpoužijte:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "uri_folder"
mode = "string"
uri = "string"
}
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 DistributionConfiguration
Nastavte distributionType vlastnost určit typ objektu.
Pro mpipoužijte:
{
distributionType = "Mpi"
processCountPerInstance = int
}
Pro PyTorchpoužijte:
{
distributionType = "PyTorch"
processCountPerInstance = int
}
Pro Raypoužijte:
{
address = "string"
dashboardPort = int
distributionType = "Ray"
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
}
Pro TensorFlowpoužijte:
{
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
}
Uzly – objekty
Nastavte vlastnost nodesValueType určit typ objektu.
Pro Všechnypoužijte:
{
nodesValueType = "All"
}
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"
}
NCrossValidations – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
mode = "Auto"
}
Pro Vlastnípoužijte:
{
mode = "Custom"
value = int
}
MonitoringFeatureFilterBase – objekty
Nastavte filterType vlastnost určit typ objektu.
Pro AllFeatures použijte:
{
filterType = "AllFeatures"
}
Pro FeatureSubsetpoužijte:
{
features = [
"string"
]
filterType = "FeatureSubset"
}
Pro TopNByAttributionpoužijte:
{
filterType = "TopNByAttribution"
top = int
}
Objekty LabelingJobMediaProperties
Nastavte mediaType vlastnost určit typ objektu.
Pro imagepoužijte:
{
annotationType = "string"
mediaType = "Image"
}
Pro Textovépoužijte:
{
annotationType = "string"
mediaType = "Text"
}
MonitoringInputDataBase – objekty
Nastavte inputDataType vlastnost určit typ objektu.
Pro Pevnépoužijte:
{
inputDataType = "Fixed"
}
Pro Staticpoužijte:
{
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
}
Pro koncovépoužijte:
{
inputDataType = "Trailing"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
}
MonitoringAlertNotificationSettingsBase – objekty
Nastavte alertNotificationType vlastnost určit typ objektu.
Pro AzureMonitorpoužijte:
{
alertNotificationType = "AzureMonitor"
}
Pro e-mailovépoužijte:
{
alertNotificationType = "Email"
emailNotificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
}
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
}
MonitoringSignalBase – objekty
Nastavte signalType vlastnost určit typ objektu.
Pro Vlastnípoužijte:
{
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
signalType = "Custom"
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
}
Pro DataDrift použijte:
{
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
signalType = "DataDrift"
}
Pro DataQualitypoužijte:
{
featureDataTypeOverride = {
{customized property} = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
signalType = "DataQuality"
}
Pro FeatureAttributionDriftpoužijte:
{
metricThreshold = {
metric = "string"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
signalType = "FeatureAttributionDrift"
}
Pro GenerationSafetyQualitypoužijte:
{
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
signalType = "GenerationSafetyQuality"
workspaceConnectionId = "string"
}
Pro GenerationTokenStatisticspoužijte:
{
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
samplingRate = int
signalType = "GenerationTokenStatistics"
}
Pro ModelPerformancepoužijte:
{
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
signalType = "ModelPerformance"
}
Pro PredictionDriftpoužijte:
{
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType = "string"
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
signalType = "PredictionDrift"
}
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"
}
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"
]
maxInstanceCount = int
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
{
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"
]
maxInstanceCount = int
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
{
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"
]
maxInstanceCount = int
properties = {
{customized property} = ?
}
shmSize = "string"
}
}
}
ForecastHorizon – objekty
Nastavte režim vlastnost určit typ objektu.
Pro Automaticképoužijte:
{
mode = "Auto"
}
Pro Vlastnípoužijte:
{
mode = "Custom"
value = int
}
Hodnoty vlastností
AllFeatures
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | AllFeatures (povinné) |
AllNodes
| Jméno | Popis | Hodnota |
|---|---|---|
| nodesValueType | [Povinné] Typ hodnoty Uzly | All (povinné) |
AmlToken
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
AmlTokenComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | AmlToken (povinné) |
AutoDeleteSetting
| Jméno | Popis | Hodnota |
|---|---|---|
| podmínka | Kdy zkontrolovat, jestli vypršela platnost prostředku | 'CreatedGreaterThan' LastAccessedGreaterThan |
| hodnota | Hodnota podmínky vypršení platnosti | řetězec |
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 | |
| jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
| výstupy | Mapování výstupních datových vazeb použitých v úloze | |
| queueSettings | Nastavení fronty pro úlohu | |
| 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) |
AzMonMonitoringAlertNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | [Povinné] Určuje typ signálu, který se má monitorovat. | AzureMonitor (povinné) |
AzureDevOpsWebhook
| Jméno | Popis | Hodnota |
|---|---|---|
| webhookType | [Povinné] Určuje typ služby pro odeslání zpětného volání. | AzureDevOps (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) |
KategoricalDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu dat kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (povinné) |
KategoricalDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika kvality dat kategorií, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
CategoricalPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | Kategorický (povinné) |
| metrický | [Povinné] Metrika posunu predikce kategorií, která se má vypočítat. | JensenShannonDistance PearsonsChiSquaredTest PopulationStabilityIndex (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. | |
| 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 |
ClassificationModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Výkon klasifikačního modelu, který se má vypočítat. | Přesnost Přesnost Odvolání (povinné) |
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Klasifikace (povinné) |
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. | |
| 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. | |
| 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, Ray nebo null. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | řetězec Omezení: Minimální délka = 1 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 | |
| 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 |
|---|
CreateMonitorAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | CreateMonitor (povinné) |
| monitorDefinition | [Povinné] Definuje monitorování. | MonitorDefinition (povinné) |
CronTrigger
| Jméno | Popis | Hodnota |
|---|---|---|
| výraz | [Povinné] Určuje výraz cron plánu. Výraz by měl následovat ve formátu NCronTab. |
řetězec Omezení: Minimální délka = 1 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) |
CustomMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika definovaná uživatelem, která se má vypočítat. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
CustomModelJobOutput
CustomMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| componentId | [Povinné] ID prostředku ARM prostředku komponenty použitého k výpočtu vlastních metrik. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| inputAssets | Monitorování prostředků, které se mají vzít jako vstup Klíč je název vstupního portu komponenty, hodnota je datový asset. | customMonitoringSignalInputAssets |
| vstupy | Další parametry komponent, které se mají vzít jako vstup. Klíč je název vstupního portu vstupního portu komponenty, hodnota je hodnota parametru. | customMonitoringSignalInputs |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | CustomMetricThreshold[] (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | Vlastní (povinné) |
| workspaceConnection | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | MonitoringWorkspaceConnection (povinné) |
CustomMonitoringSignalInputAssets
| Jméno | Popis | Hodnota |
|---|
CustomMonitoringSignalInputs
| Jméno | Popis | Hodnota |
|---|
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) |
DatabaseSource
| Jméno | Popis | Hodnota |
|---|---|---|
| dotaz | Příkaz sql Query pro zdroj databáze importu dat | řetězec |
| sourceType | [Povinné] Určuje typ dat. | "database" (povinné) |
| storedProcedure | Sql StoredProcedure pro zdroj databáze importu dat | řetězec |
| storedProcedureParams | Parametry SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Název tabulky pro zdroj databáze importu dat | řetězec |
DatabaseSourceStoredProcedureParamsItem
| Jméno | Popis | Hodnota |
|---|
DataDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | Pro typ CategoricalDataDriftMetricThresholdna hodnotu CategoricalDataDriftMetricThreshold . Pro typ NumericDataDriftMetricThresholdna hodnotu NumericDataDriftMetricThreshold . | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
DataDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| dataSegment | Datový segment použitý k určení rozsahu podmnožinu základního souboru dat. | MonitoringDataSegment |
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| rysy | Filtr funkcí, který identifikuje, která funkce k výpočtu posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataDriftMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataDrift (povinné) |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|
DataImport
| Jméno | Popis | Hodnota |
|---|---|---|
| assetName | Název prostředku pro úlohu importu dat, která se má vytvořit | řetězec |
| autoDeleteSetting | Určuje nastavení životního cyklu spravovaného datového prostředku. | AutoDeleteSetting |
| Datatype | [Povinné] Určuje typ dat. | "mltable" "uri_file" Uri_folder (povinné) |
| identifikátor dataURI | [Povinné] Identifikátor URI dat. Příklad: https://go.microsoft.com/fwlink/?linkid=2202330 | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
| popis | Text popisu prostředku. | řetězec |
| intellectualProperty | Podrobnosti o duševním vlastnictví. Používá se, pokud jsou data duševním vlastnictvím. | intellectualProperty |
| isAnonymous | Pokud je verze názvu vygenerovaná systémem (anonymní registrace). U typů, ve kterých je fáze definována, použije se k naplnění fáze IsAnonymous. | Bool |
| isArchived | Archivuje se asset? U typů, ve kterých je definována fáze, se při poskytnutí fáze použije k naplnění isArchived. | Bool |
| vlastnosti | Slovník vlastností assetu. | ResourceBaseProperties |
| zdroj | Zdrojová data prostředku, ze které chcete importovat | DataImportSource |
| etapa | Fáze životního cyklu dat přiřazeného k tomuto datovému assetu | řetězec |
| visačky | Označení slovníku Značky je možné přidávat, odebírat a aktualizovat. | |
DataImportSource
| Jméno | Popis | Hodnota |
|---|---|---|
| připojení | Připojení pracovního prostoru pro úložiště zdroje importu dat | řetězec |
| sourceType | Pro typ DatabaseSourcenastavte hodnotu databaseSource . Pro typ FileSystemSourcenastavte hodnotu file_system . | "databáze" File_system (povinné) |
DataQualityMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | U typu CategoricalDataQualityMetricThresholdna hodnotu CategoricalDataQualityMetricThreshold . U typu NumericDataQualityMetricThresholdna hodnotu NumericDataQualityMetricThreshold . | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
DataQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| featureDataTypeOverride | Slovník, který mapuje názvy funkcí na příslušné datové typy. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| rysy | Funkce pro výpočet posunu. | MonitoringFeatureFilterBase |
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | DataQualityMetricThresholdBase[] (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | DataQuality (povinné) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Jméno | Popis | Hodnota |
|---|
DistributionConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | Pro typ Mpi nastavte na Mpi . Nastavte na PyTorch pro typ PyTorch. Nastavte na "Ray" pro typ Ray. Nastavte na TensorFlow pro typ TensorFlow. | Mpi "PyTorch" "Ray" 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) |
EmailMonitoringAlertNotificationSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | [Povinné] Určuje typ signálu, který se má monitorovat. | E-mail (povinné) |
| emailNotificationSetting | Konfigurace pro oznámení | NotificationSetting |
EndpointScheduleAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
| endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. <viz href="TBD" /> |
libovolná (povinná) |
FeatureAttributionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | FeatureAttributionMetricThreshold (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | FeatureAttributionDrift (povinné) |
FeatureAttributionMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika přisuzování funkce k výpočtu. | NormaldDis cumulativeGain (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
FeatureSubset
| Jméno | Popis | Hodnota |
|---|---|---|
| rysy | [Povinné] Seznam funkcí, které chcete zahrnout. | string[] (povinné) |
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | FeatureSubset (povinné) |
FileSystemSource
| Jméno | Popis | Hodnota |
|---|---|---|
| cesta | Cesta ke zdroji FileSystem importu dat | řetězec |
| sourceType | [Povinné] Určuje typ dat. | File_system (povinné) |
FixedInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | "Opraveno" (povinné) |
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 budetři dny od sebe. |
Int |
| featureLags | Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null | "Automaticky" None (Žádný) |
| featuresUnknownAtForecastTime | Sloupce funkcí, které jsou k dispozici pro trénování, ale neznámé v době prognózy nebo odvozování. Pokud features_unknown_at_forecast_time není nastavená, předpokládá se, že všechny sloupce funkcí v datové sadě jsou známé v době odvození. |
string[] |
| forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad. | |
| 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. | |
| 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 |
GenerationSafetyQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" Přijatelné relevanceScorePerInstance "PřijatelnéSimilarityScorePerInstance" AggregatedCoherencePassRate AggregatedFluencyPassRate AggregatedGroundednessPassRate AggregatedRelevancePassRate AggregatedSimilarityPassRate (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationSafetyQualityMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví cílová data pro výpočetní metriky. | MonitoringInputDataBase[] |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence cílových dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationSafetyQuality (povinné) |
| workspaceConnectionId | Získá nebo nastaví ID připojení pracovního prostoru použité k připojení ke koncovému bodu generování obsahu. | řetězec |
GenerationTokenStatisticsMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Získá nebo nastaví metriku přisuzování funkce pro výpočet. | TotalTokenCount TotalTokenCountPerGroup (povinné) |
| práh | Získá nebo nastaví prahovou hodnotu. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. |
MonitoringThreshold |
GenerationTokenStatisticsSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Získá nebo nastaví metriky pro výpočet a odpovídající prahové hodnoty. | GenerationTokenStatisticsMetricThreshold[] (povinné) |
| productionData | Získá nebo nastaví cílová data pro výpočetní metriky. | MonitoringInputDataBase |
| vzorkovací rychlost | [Povinné] Vzorkovací frekvence cílových dat by měla být větší než 0 a maximálně 1. | int (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | GenerationTokenStatistics (povinné) |
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
ImageModelSettingsObjectDetection
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) |
ImportDataAction
| Jméno | Popis | Hodnota |
|---|---|---|
| actionType | [Povinné] Určuje typ akce plánu. | ImportData (povinné) |
| dataImportDefinition | [Povinné] Definuje podrobnosti definice plánovače akce. | dataImport (povinné) |
IntellectualProperty
| Jméno | Popis | Hodnota |
|---|---|---|
| protectionLevel | Úroveň ochrany duševního vlastnictví. | "Vše" None (Žádný) |
| vydavatel | [Povinné] Vydavatel duševního vlastnictví. Musí být stejný jako název vydavatele registru. | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (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 |
| secretsConfiguration | Konfigurace pro zpřístupnění tajných kódů během běhu | JobBaseSecretsConfiguration |
| 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. | |
JobBaseSecretsConfiguration
| Jméno | Popis | Hodnota |
|---|
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[] |
| maxInstanceCount | Volitelný maximální povolený počet instancí nebo uzlů, které má cílový výpočetní objekt používat. Pro použití s elastickým trénováním aktuálně podporovaným distribučním typem PyTorch. |
Int |
| vlastnosti | Taška s dalšími vlastnostmi. | |
| 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
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
ManagedComputeIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | [Povinné] Monitorování výčtu typu výpočetní identity | ManagedIdentity (povinné) |
| identita | Identita spravované služby (identita přiřazená systémem nebo identita přiřazená uživatelem) | |
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 |
ManagedServiceIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| typ | Typ identity spravované služby (kde jsou povolené typy SystemAssigned i UserAssigned). | None (Žádný) SystemAssigned SystemAssigned, UserAssigned UserAssigned (povinné) |
| userAssignedIdentities | Sada identit přiřazených uživatelem přidružená k prostředku. Klíče slovníku userAssignedIdentities budou ID prostředků ARM ve formuláři: /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Hodnoty slovníku můžou být prázdné objekty ({}) v požadavcích. | userAssignedIdentities |
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@2023-06-01-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: Minimální délka = 1 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: Minimální délka = 1 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: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MLFlowModelJobOutput
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: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MLTableJobOutput
ModelPerformanceMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| modelType | Nastavte na Classification pro typ ClassificationModelPerformanceMetricThreshold. Pro typ RegressionModelPerformanceMetricThresholdna hodnotu RegressionModelPerformanceMetricThreshold . | Klasifikace Regrese (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
ModelPerformanceSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| dataSegment | Datový segment. | MonitoringDataSegment |
| metricThreshold | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | ModelPerformanceMetricThresholdBase (povinné) |
| productionData | [Povinné] Data vytvořená produkční službou, pro která se bude počítat posun. | MonitoringInputDataBase[] (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | ModelPerformance (povinné) |
MonitorComputeConfigurationBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeType | Nastavte na ServerlessSpark pro typ MonitorServerlessSparkCompute. | ServerlessSpark (povinné) |
MonitorComputeIdentityBase
| Jméno | Popis | Hodnota |
|---|---|---|
| computeIdentityType | Nastavte na AmlToken pro typ AmlTokenComputeIdentity. Nastavte na ManagedIdentity pro typ ManagedComputeIdentity. | AmlToken ManagedIdentity (povinné) |
MonitorováníDefinition
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationSetting | Nastavení oznámení monitoru. | MonitoringAlertNotificationSettingsBase |
| computeConfiguration | [Povinné] ID prostředku ARM výpočetního prostředku pro spuštění úlohy monitorování. | MonitorComputeConfigurationBase (povinné) |
| monitoringTarget | ID prostředku ARM modelu nebo nasazení cíleného tímto monitorováním. | monitoringTarget |
| signály | [Povinné] Signály, které se mají monitorovat. | MonitorDefinitionSignals (povinné) |
MonitorDefinitionSignals
| Jméno | Popis | Hodnota |
|---|
MonitoringAlertNotificationSettingsBase
| Jméno | Popis | Hodnota |
|---|---|---|
| alertNotificationType | Nastavte na AzureMonitor pro typ AzMonMonitoringAlertNotificationSettings. Nastavit na 'Email' pro typ EmailMonitoringAlertNotificationSettings. | AzureMonitor E-mail (povinné) |
MonitoringDataSegment
| Jméno | Popis | Hodnota |
|---|---|---|
| rys | Funkce pro segmentování dat. | řetězec |
| hodnoty | Filtruje pouze zadané hodnoty dané segmentované funkce. | string[] |
MonitoringFeatureFilterBase
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | Nastavte na AllFeatures pro typ AllFeatures. Pro typ FeatureSubsetnastavte na FeatureSubset . Nastavte na TopNByAttribution pro typ TopNFeaturesByAttribution. | AllFeatures FeatureSubset TopNByAttribution (povinné) |
MonitoringInputDataBase
| Jméno | Popis | Hodnota |
|---|---|---|
| sloupce | Mapování názvů sloupců na speciální použití | MonitoringInputDataBaseColumns |
| dataContext | Kontextová metadata zdroje dat. | řetězec |
| inputDataType | U typu FixedInputDatana hodnotu FixedInputData . Pro typ StaticInputDatanastavte hodnotu StaticInputData . Pro typ TrailingInputDatanastavte hodnotu TrailingInputData. | "Opraveno" Statická Koncové (povinné) |
| jobInputType | [Povinné] Určuje typ úlohy. | "custom_model" Literál "mlflow_model" "mltable" "triton_model" "uri_file" Uri_folder (povinné) |
| identifikátor uri | [Povinné] Identifikátor URI vstupního assetu | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
MonitoringInputDataBaseColumns
| Jméno | Popis | Hodnota |
|---|
MonitoringSignalBase
| Jméno | Popis | Hodnota |
|---|---|---|
| režim | Aktuální režim oznámení pro tento signál. | Zakázáno Povoleno |
| vlastnosti | Slovník vlastností Vlastnosti lze přidat, ale ne odebrat nebo změnit. | MonitoringSignalBaseProperties |
| signalType | Pro typ CustomMonitoringSignalna hodnotu CustomMonitoringSignal . Nastavte na Hodnotu DataDrift pro typ DataDriftMonitoringSignal. Pro typ DataQualityMonitoringSignalnastavte hodnotu DataQualityMonitoringSignal . Nastavte na FeatureAttributionDrift pro typ FeatureAttributionDriftMonitoringSignal. Nastavte na GenerationSafetyQuality pro typ GenerationSafetyQualityMonitoringSignal. Nastavte na GenerationTokenStatistics pro typ GenerationTokenStatisticsSignal. Nastavte na ModelPerformance pro typ ModelPerformanceSignal. Nastavte na PredictionDrift pro typ PredictionDriftMonitoringSignal. | Vlastní DataDrift 'DataQuality' FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (povinné) |
MonitoringSignalBaseProperties
| Jméno | Popis | Hodnota |
|---|
MonitoringTarget
| Jméno | Popis | Hodnota |
|---|---|---|
| deploymentId | ID prostředku ARM pro nasazení cílené tímto monitorováním. | řetězec |
| modelId | ID prostředku ARM modelu, který je cílem tohoto monitorování. | řetězec |
| taskType | [Povinné] Typ úlohy strojového učení modelu. | Klasifikace 'QuestionAnswering' Regrese (povinné) |
MonitoringThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| hodnota | Prahová hodnota. Pokud je hodnota null, je výchozí nastavení závislé na typu metriky. | Int |
MonitoringWorkspaceConnection
| Jméno | Popis | Hodnota |
|---|---|---|
| environmentVariables | Vlastnosti připojení služby pracovního prostoru, které se mají uložit jako proměnné prostředí v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je klíč proměnné prostředí. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| tajemství | Vlastnosti připojení služby pracovního prostoru k uložení jako tajné kódy v odeslaných úlohách. Klíč je cesta vlastnosti připojení pracovního prostoru, název je tajný klíč. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Jméno | Popis | Hodnota |
|---|
MonitoringWorkspaceConnectionSecrets
| Jméno | Popis | Hodnota |
|---|
MonitorováníServerlessSparkCompute
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[] |
| webhooky | Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Jméno | Popis | Hodnota |
|---|
NumericDataDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselných dat k výpočtu. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
NumericDataQualityMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika kvality číselných dat, která se má vypočítat. | DataTypeErrorRate NullValueRate OutOfBoundsRate (povinné) |
NumericPredictionDriftMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | [Povinné] Určuje datový typ prahové hodnoty metriky. | 'Numeric' (povinné) |
| metrický | [Povinné] Metrika posunu číselné předpovědi, která se má vypočítat. | JensenShannonDistance NormalizedWassersteinDistance PopulationStabilityIndex TwoSampleKolmogorovSmirnovTest (povinné) |
Objektivní
| Jméno | Popis | Hodnota |
|---|---|---|
| branka | [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. | Maximalizovat Minimalizovat (povinné) |
| primaryMetric | [Povinné] Název metriky pro optimalizaci | řetězec Omezení: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
PipelineJob
| Jméno | Popis | Hodnota |
|---|---|---|
| vstupy | Vstupy pro úlohu kanálu. | |
| 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 |
|---|
PredictionDriftMetricThresholdBase
| Jméno | Popis | Hodnota |
|---|---|---|
| Datatype | Pro typ CategoricalPredictionDriftMetricThresholdnastavte hodnotu CategoricalPredictionDriftMetricThreshold . Nastavte na 'Numeric' pro typ NumericPredictionDriftMetricThreshold. | Kategorický 'Numeric' (povinné) |
| práh | Prahová hodnota. Pokud je hodnota null, nastaví se výchozí hodnota v závislosti na vybrané metrice. | MonitoringThreshold |
PredictionDriftMonitoringSignal
| Jméno | Popis | Hodnota |
|---|---|---|
| metricThresholds | [Povinné] Seznam metrik pro výpočet a jejich přidružené prahové hodnoty. | PredictionDriftMetricThresholdBase[] (povinné) |
| modelType | [Povinné] Typ monitorovaného modelu. | Klasifikace Regrese (povinné) |
| productionData | [Povinné] Data, pro která se bude vypočítat posun. | MonitoringInputDataBase (povinné) |
| referenceData | [Povinné] Data pro výpočet posunu. | MonitoringInputDataBase (povinné) |
| signalType | [Povinné] Určuje typ signálu, který se má monitorovat. | PredictionDrift (povinné) |
PyTorch
| Jméno | Popis | Hodnota |
|---|---|---|
| distributionType | [Povinné] Určuje typ distribuční architektury. | PyTorch (povinné) |
| processCountPerInstance | Počet procesů na uzel | Int |
QueueSettings
| Jméno | Popis | Hodnota |
|---|---|---|
| jobTier | Řídí úroveň výpočetní úlohy. | "Základní" Null 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 |
Paprsek
| Jméno | Popis | Hodnota |
|---|---|---|
| adresa | Adresa hlavního uzlu Ray. | řetězec |
| dashboardPort | Port pro vazbu serveru řídicího panelu. | Int |
| distributionType | [Povinné] Určuje typ distribuční architektury. | Ray (povinné) |
| headNodeAdditionalArgs | Další argumenty předané paprsku v hlavním uzlu. | řetězec |
| includeDashboard | Zadejte tento argument pro spuštění grafického uživatelského rozhraní řídicího panelu Ray. | Bool |
| přístav | Port procesu paprsku hlavy. | Int |
| workerNodeAdditionalArgs | Další argumenty předané ray startu v pracovním uzlu. | řetězec |
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
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. | |
| 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 |
RegressionModelPerformanceMetricThreshold
| Jméno | Popis | Hodnota |
|---|---|---|
| metrický | [Povinné] Metrika výkonu regresního modelu, která se má vypočítat. | MeanAbsoluteError MeanSquaredError RootMeanSquaredError (povinné) |
| modelType | [Povinné] Určuje datový typ prahové hodnoty metriky. | Regrese (povinné) |
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. | |
| 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 |
|---|
ResourceBaseProperties
| Jméno | Popis | Hodnota |
|---|
Značky ResourceBaseTags
| 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 CreateMonitor pro typ CreateMonitorAction. Nastavte na ImportData pro typ ImportDataAction. Nastavte na InvokeBatchEndpoint pro typ EndpointScheduleAction. | CreateJob CreateMonitor ImportData 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. | |
| 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) |
SecretConfiguration
| Jméno | Popis | Hodnota |
|---|---|---|
| identifikátor uri | Identifikátor URI tajného klíče. Ukázkový identifikátor URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
řetězec |
| workspaceSecretName | Název tajného klíče v trezoru klíčů pracovního prostoru | řetězec |
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: Minimální délka = 1 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 | |
| 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) |
StaticInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Statická (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowEnd | [Povinné] Koncové datum okna dat. | string (povinné) |
| windowStart | [Povinné] Počáteční datum okna dat. | string (povinné) |
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 | |
| queueSettings | Nastavení fronty pro úlohu | |
| 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 |
TopNFeaturesByAttribution
| Jméno | Popis | Hodnota |
|---|---|---|
| filterType | [Povinné] Určuje filtr funkcí, který se má využít při výběru funkcí k výpočtu metrik. | TopNByAttribution (povinné) |
| vrchol | Počet hlavních funkcí, které se mají zahrnout. | Int |
TrailingInputData
| Jméno | Popis | Hodnota |
|---|---|---|
| inputDataType | [Povinné] Určuje typ signálu, který se má monitorovat. | Koncové (povinné) |
| preprocessingComponentId | ID prostředku ARM prostředku komponenty použitého k předběžnému zpracování dat. | řetězec |
| windowOffset | [Povinné] Časový posun mezi koncem datového okna a aktuálním časem běhu monitorování. | string (povinné) |
| windowSize | [Povinné] Velikost koncového okna dat. | string (povinné) |
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. | |
| environmentId | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | řetězec Omezení: Minimální délka = 1 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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
TritonModelJobOutput
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
UriFileJobOutput
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: Minimální délka = 1 Model = [a-zA-Z0-9_] (povinné) |
UriFolderJobOutput
UserAssignedIdentities
| Jméno | Popis | Hodnota |
|---|
UserAssignedIdentity
| Jméno | Popis | Hodnota |
|---|
UserIdentity
| Jméno | Popis | Hodnota |
|---|---|---|
| identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
Webhook
| Jméno | Popis | Hodnota |
|---|---|---|
| eventType | Odeslání zpětného volání u zadané události oznámení | řetězec |
| webhookType | Nastavte na AzureDevOps pro typ AzureDevOpsWebhook. | AzureDevOps (povinné) |