Microsoft.MachineLearningServices-Arbeitsbereiche/Zeitpläne 2023-04-01-preview
Bicep-Ressourcendefinition
Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:
- Ressourcengruppen – Siehe Ressourcengruppenbereitstellungsbefehle
Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.
Ressourcenformat
Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie ihrer Vorlage die folgende Bicep hinzu.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-04-01-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
}
}
}
SamplingAlgorithm-Objekte
Legen Sie die samplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Bayesian:
{
samplingAlgorithmType: 'Bayesian'
}
Verwenden Sie für Grid:
{
samplingAlgorithmType: 'Grid'
}
Verwenden Sie für random:
{
logbase: 'string'
rule: 'string'
samplingAlgorithmType: 'Random'
seed: int
}
Webhook-Objekte
Legen Sie die webhookType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AzureDevOps-:
{
webhookType: 'AzureDevOps'
}
MLAssistConfiguration-Objekte
Legen Sie die mlAssist-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Deaktivierte:
{
mlAssist: 'Disabled'
}
Verwenden Sie für Aktivierte:
{
inferencingComputeBinding: 'string'
mlAssist: 'Enabled'
trainingComputeBinding: 'string'
}
ModelPerformanceMetricThresholdBase-Objekte
Legen Sie die modelType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Klassifizierung:
{
metric: 'string'
modelType: 'Classification'
}
Verwenden Sie für Regressions-:
{
metric: 'string'
modelType: 'Regression'
}
EarlyTerminationPolicy-Objekte
Legen Sie den policyType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Bandit:
{
policyType: 'Bandit'
slackAmount: int
slackFactor: int
}
Verwenden Sie für MedianStopping-:
{
policyType: 'MedianStopping'
}
Verwenden Sie für TruncationSelection:
{
policyType: 'TruncationSelection'
truncationPercentage: int
}
SparkJobEntry-Objekte
Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für SparkJobPythonEntry:
{
file: 'string'
sparkJobEntryType: 'SparkJobPythonEntry'
}
Verwenden Sie für SparkJobScalaEntry:
{
className: 'string'
sparkJobEntryType: 'SparkJobScalaEntry'
}
AutoMLVertical-Objekte
Legen Sie die taskType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Klassifizierung:
{
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'
}
Verwenden Sie für Prognose-:
{
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'
}
Verwenden Sie für ImageClassification-Folgendes:
{
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
}
Verwenden Sie für ImageClassificationMultilabel:
{
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
}
Verwenden Sie für ImageInstanceSegmentation:
{
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
}
Verwenden Sie für ImageObjectDetection-:
{
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
}
Verwenden Sie für Regressions-:
{
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'
}
Verwenden Sie für TextClassification-:
{
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'
}
}
Verwenden Sie für TextClassificationMultilabel:
{
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'
}
}
Verwenden Sie für TextNER-:
{
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'
}
}
TriggerBase-Objekte
Legen Sie den triggerType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Cron:
{
expression: 'string'
triggerType: 'Cron'
}
Verwenden Sie für Serie:
{
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
triggerType: 'Recurrence'
}
Knotenobjekte
Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Alle:
{
nodesValueType: 'All'
}
JobInput-Objekte
Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für custom_modelFolgendes:
{
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
}
Verwenden Sie für Literal-Folgendes:
{
jobInputType: 'literal'
value: 'string'
}
Verwenden Sie für mlflow_model:
{
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
}
Verwenden Sie für mltable:
{
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
}
Verwenden Sie für triton_modelFolgendes:
{
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
}
Verwenden Sie für uri_file:
{
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
}
Verwenden Sie für uri_folder:
{
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
}
DataQualityMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
dataType: 'Categorical'
metric: 'string'
}
Verwenden Sie für numerischen:
{
dataType: 'Numerical'
metric: 'string'
}
MonitoringFeatureFilterBase-Objekte
Legen Sie die filterType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AllFeatures-:
{
filterType: 'AllFeatures'
}
Verwenden Sie für FeatureSubset-:
{
features: [
'string'
]
filterType: 'FeatureSubset'
}
Verwenden Sie für TopNByAttribution:
{
filterType: 'TopNByAttribution'
top: int
}
JobOutput-Objekte
Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für custom_modelFolgendes:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'custom_model'
mode: 'string'
uri: 'string'
}
Verwenden Sie für mlflow_model:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'mlflow_model'
mode: 'string'
uri: 'string'
}
Verwenden Sie für mltable:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'mltable'
mode: 'string'
uri: 'string'
}
Verwenden Sie für triton_modelFolgendes:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'triton_model'
mode: 'string'
uri: 'string'
}
Verwenden Sie für uri_file:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'uri_file'
mode: 'string'
uri: 'string'
}
Verwenden Sie für uri_folder:
{
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
jobOutputType: 'uri_folder'
mode: 'string'
uri: 'string'
}
JobBaseProperties-Objekte
Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AutoML-:
{
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
}
}
Verwenden Sie für Command:
{
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'
}
}
Verwenden Sie für Bezeichnungen:
{
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
}
}
Verwenden Sie für Pipeline-:
{
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'
}
Verwenden Sie für Spark:
{
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'
}
}
Verwenden Sie für Aufräumen:
{
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'
}
}
}
DataImportSource-Objekte
Legen Sie die sourceType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Datenbank-:
{
query: 'string'
sourceType: 'database'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
}
Verwenden Sie für file_system:
{
path: 'string'
sourceType: 'file_system'
}
NCrossValidations-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode: 'Auto'
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode: 'Custom'
value: int
}
MonitoringSignalBase-Objekte
Legen Sie die eigenschaft signalType fest, um den Objekttyp anzugeben.
Verwenden Sie für benutzerdefinierteFolgendes:
{
componentId: 'string'
inputAssets: {
{customized property}: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
signalType: 'Custom'
}
Verwenden Sie für DataDrift-:
{
baselineData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
dataSegment: {
feature: 'string'
values: [
'string'
]
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
signalType: 'DataDrift'
targetData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
Verwenden Sie für DataQuality-:
{
baselineData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
signalType: 'DataQuality'
targetData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
Verwenden Sie für FeatureAttributionDrift-:
{
baselineData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
metricThreshold: {
metric: 'string'
threshold: {
value: int
}
}
modelType: 'string'
signalType: 'FeatureAttributionDrift'
targetData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
Verwenden Sie für ModelPerformance:
{
baselineData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
signalType: 'ModelPerformance'
targetData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
Verwenden Sie für PredictionDrift-:
{
baselineData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType: 'string'
signalType: 'PredictionDrift'
targetData: {
asset: any(Azure.Bicep.Types.Concrete.AnyType)
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
Saisonalitätsobjekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode: 'Auto'
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode: 'Custom'
value: int
}
PredictionDriftMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
dataType: 'Categorical'
metric: 'string'
}
Verwenden Sie für numerischen:
{
dataType: 'Numerical'
metric: 'string'
}
MonitoringAlertNotificationSettingsBase-Objekte
Legen Sie die alertNotificationType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AzureMonitor:
{
alertNotificationType: 'AzureMonitor'
}
Verwenden Sie für E-Mail-:
{
alertNotificationType: 'Email'
emailNotificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
}
LabelingJobMediaProperties-Objekte
Legen Sie die mediaType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Image-:
{
annotationType: 'string'
mediaType: 'Image'
}
Verwenden Sie für Text:
{
annotationType: 'string'
mediaType: 'Text'
}
ScheduleActionBase-Objekte
Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für CreateJob-:
{
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
}
}
Verwenden Sie für CreateMonitor-:
{
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSetting: {
alertNotificationType: 'string'
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeId: 'string'
monitoringTarget: 'string'
signals: {
{customized property}: {
lookbackPeriod: 'string'
mode: 'string'
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
}
Verwenden Sie für ImportData-:
{
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'
}
}
}
Verwenden Sie für InvokeBatchEndpoint-:
{
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any(Azure.Bicep.Types.Concrete.AnyType)
}
DataDriftMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
dataType: 'Categorical'
metric: 'string'
}
Verwenden Sie für numerischen:
{
dataType: 'Numerical'
metric: 'string'
}
DistributionConfiguration-Objekte
Legen Sie die eigenschaft distributionType fest, um den Objekttyp anzugeben.
Verwenden Sie für Mpi:
{
distributionType: 'Mpi'
processCountPerInstance: int
}
Verwenden Sie für PyTorch:
{
distributionType: 'PyTorch'
processCountPerInstance: int
}
Verwenden Sie für Ray:
{
address: 'string'
dashboardPort: int
distributionType: 'Ray'
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
}
Verwenden Sie für TensorFlow-:
{
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
}
TargetLags-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode: 'Auto'
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode: 'Custom'
values: [
int
]
}
ForecastHorizon-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode: 'Auto'
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode: 'Custom'
value: int
}
TargetRollingWindowSize-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode: 'Auto'
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode: 'Custom'
value: int
}
IdentityConfiguration-Objekte
Legen Sie die identityType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AMLToken:
{
identityType: 'AMLToken'
}
Verwenden Sie für verwaltete:
{
clientId: 'string'
identityType: 'Managed'
objectId: 'string'
resourceId: 'string'
}
Verwenden Sie für UserIdentity-:
{
identityType: 'UserIdentity'
}
Eigenschaftswerte
AllFeatures
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | "AllFeatures" (erforderlich) |
AllNodes
| Name | Beschreibung | Wert |
|---|---|---|
| nodesValueType | [Erforderlich] Typ des Knotenwerts | "Alle" (erforderlich) |
AmlToken
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "AMLToken" (erforderlich) |
AutoDeleteSetting
| Name | Beschreibung | Wert |
|---|---|---|
| Zustand | Wann überprüft werden soll, ob eine Ressource abgelaufen ist | 'CreatedGreaterThan' "LastAccessedGreaterThan" |
| Wert | Ablaufbedingungswert. | Schnur |
AutoForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. | "Auto" (erforderlich) |
AutologgerSettings
| Name | Beschreibung | Wert |
|---|---|---|
| mlflowAutologger | [Erforderlich] Gibt an, ob mlflow autologger aktiviert ist. | "Deaktiviert" "Aktiviert" (erforderlich) |
AutoMLJob
| Name | Beschreibung | Wert |
|---|---|---|
| environmentId | Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt. |
Schnur |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | AutoMLJobEnvironmentVariables |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | 'AutoML' (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | AutoMLJobOutputs |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
| taskDetails | [Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann. | AutoMLVertical- (erforderlich) |
AutoMLJobEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
AutoMLJobOutputs
| Name | Beschreibung | Wert |
|---|
AutoMLVertical
| Name | Beschreibung | Wert |
|---|---|---|
| logVerbosity | Protokoll-Ausführlichkeit für den Auftrag. | "Kritisch" "Debuggen" 'Fehler' 'Info' 'NotSet' "Warnung" |
| targetColumnName | Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten. Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet. |
Schnur |
| taskType | Legen Sie für den Typ Klassifizierungauf "Klassifizierung" fest. Legen Sie für den Typ Prognoseauf "Prognose" fest. Legen Sie für den Typ ImageClassification-auf "ImageClassification" fest. Legen Sie für den Typ ImageClassificationMultilabelauf 'ImageClassificationMultilabel' fest. Legen Sie für den Typ ImageInstanceSegmentationauf "ImageInstanceSegmentation" fest. Legen Sie für den Typ ImageObjectDetection-auf "ImageObjectDetection" fest. Set to 'Regression' for type Regression. Legen Sie für den Typ TextClassification-auf "TextClassification" fest. Legen Sie für den Typ TextClassificationMultilabelauf 'TextClassificationMultilabel' fest. Legen Sie für den Typ TextNer-auf "TextNER" fest. | "Klassifizierung" "Prognose" 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Regression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (erforderlich) |
| trainingData | [Erforderlich] Eingabe von Schulungsdaten. | MLTableJobInput- (erforderlich) |
AutoNCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. | "Auto" (erforderlich) |
AutoSeasonalität
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Saisonalitätsmodus. | "Auto" (erforderlich) |
AutoTargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert | "Auto" (erforderlich) |
AutoTargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. | "Auto" (erforderlich) |
AzMonMonitoringAlertNotificationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "AzureMonitor" (erforderlich) |
AzureDevOpsWebhook
| Name | Beschreibung | Wert |
|---|---|---|
| webhookType | [Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll. | "AzureDevOps" (erforderlich) |
BanditPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "Bandit" (erforderlich) |
| slackAmount | Absoluter Abstand, der vom besten Lauf erlaubt ist. | Int |
| slackFactor | Verhältnis des zulässigen Abstands vom besten Lauf. | Int |
BayesianSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Bayesian" (erforderlich) |
CategoricalDataDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Datenabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' "PopulationStabilityIndex" (erforderlich) |
CategoricalDataQualityMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Datenqualitätsmetrik, die berechnet werden soll. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (erforderlich) |
CategoricalPredictionDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Vorhersageabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' "PopulationStabilityIndex" (erforderlich) |
Klassifikation
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| positiveLabel | Positive Bezeichnung für die Berechnung binärer Metriken. | Schnur |
| primaryMetric | Primäre Metrik für den Vorgang. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Klassifizierung" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | ClassificationTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
ClassificationModelPerformanceMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die zu berechnende Klassifizierungsmodellleistung. | "Genauigkeit" 'F1Score' "Genauigkeit" "Rückruf" (erforderlich) |
| modelType | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Klassifizierung" (erforderlich) |
ClassificationTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für klassifizierungsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier' |
| blockedTrainingAlgorithms | Blockierte Modelle für klassifizierungsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
ColumnTransformer
| Name | Beschreibung | Wert |
|---|---|---|
| Felder | Felder, auf die Transformatorlogik angewendet werden soll. | string[] |
| Parameter | Verschiedene Eigenschaften, die an Transformator übergeben werden sollen. Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format. |
jegliche |
CommandJob
| Name | Beschreibung | Wert |
|---|---|---|
| autologgerSettings | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. | AutologgerSettings |
| codeId | ARM-Ressourcen-ID der Coderessource. | Schnur |
| Befehl | [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Verteilung | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch, Ray oder Null sein. | DistributionConfiguration- |
| environmentId | [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | CommandJobEnvironmentVariables |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | CommandJobInputs- |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | 'Befehl' (erforderlich) |
| grenzen | Befehlsauftragslimit. | CommandJobLimits- |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | CommandJobOutputs- |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
CommandJobEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
CommandJobInputs
| Name | Beschreibung | Wert |
|---|
CommandJobLimits
| Name | Beschreibung | Wert |
|---|---|---|
| jobLimitsType | [Erforderlich] JobLimit-Typ. | 'Befehl' "Aufräumen" (erforderlich) |
| Zeitüberschreitung | Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. | Schnur |
CommandJobOutputs
| Name | Beschreibung | Wert |
|---|
CreateMonitorAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'CreateMonitor' (erforderlich) |
| monitorDefinition | [Erforderlich] Definiert den Monitor. | MonitorDefinition- (erforderlich) |
CronTrigger
| Name | Beschreibung | Wert |
|---|---|---|
| Ausdruck | [Erforderlich] Gibt den Cronausdruck des Zeitplans an. Der Ausdruck sollte dem NCronTab-Format folgen. |
Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| triggerType | [Erforderlich] | "Cron" (erforderlich) |
CustomForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] Prognosehorizontwert. | int (erforderlich) |
CustomMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die benutzerdefinierte Metrik, die berechnet werden soll. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
CustomModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
CustomModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
CustomMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| componentId | [Erforderlich] ARM-Ressourcen-ID der Komponentenressource, die zum Berechnen der benutzerdefinierten Metriken verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| inputAssets | Überwachen von Ressourcen, die als Eingabe verwendet werden sollen. Der Schlüssel ist der Name des Komponenteneingabeports, der Wert ist die Datenressource. | CustomMonitoringSignalInputAssets |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | CustomMetricThreshold[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "Benutzerdefiniert" (erforderlich) |
CustomMonitoringSignalInputAssets
| Name | Beschreibung | Wert |
|---|
CustomNCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] N-Kreuzüberprüfungswert. | int (erforderlich) |
CustomSeasonality
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Saisonalitätsmodus. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] Saisonalitätswert. | int (erforderlich) |
CustomTargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert | "Benutzerdefiniert" (erforderlich) |
| Werte | [Erforderlich] Festlegen von Zielverzögerungswerten | int[] (erforderlich) |
CustomTargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] TargetRollingWindowSize-Wert. | int (erforderlich) |
DatabaseSource
| Name | Beschreibung | Wert |
|---|---|---|
| Frage | SQL Query-Anweisung für die Datenbankquelle für den Datenimport | Schnur |
| sourceType | [Erforderlich] Gibt den Datentyp an. | 'Datenbank' (erforderlich) |
| storedProcedure | SQL StoredProcedure für die Datenbankquelle des Datenimports | Schnur |
| storedProcedureParams | SQL StoredProcedure-Parameter | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Name der Tabelle für die Datenbankquelle für den Datenimport | Schnur |
DatabaseSourceStoredProcedureParamsItem
| Name | Beschreibung | Wert |
|---|
DataDriftMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Legen Sie für den Typ CategoricalDataDriftMetricThresholdauf "Categorical" fest. Legen Sie für den Typ NumerischDataDriftMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
DataDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| dataSegment | Das Datensegment, das für die Bereichsdefinition für eine Teilmenge der Datenpopulation verwendet wird. | MonitoringDataSegment- |
| Funktionen | Der Featurefilter, der angibt, welches Feature die Abweichung berechnen soll. | MonitoringFeatureFilterBase- |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | DataDriftMetricThresholdBase[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'DataDrift' (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
DataImport
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Name des zu erstellenden Datenimportauftrags | Schnur |
| autoDeleteSetting | Gibt die Lebenszykluseinstellung der verwalteten Datenressource an. | AutoDeleteSetting- |
| Datatype | [Erforderlich] Gibt den Datentyp an. | "mltable" "uri_file" "uri_folder" (erforderlich) |
| dataUri | [Erforderlich] URI der Daten. Beispiel: https://go.microsoft.com/fwlink/?linkid=2202330 | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| intellectualProperty | Details zum geistigen Eigentum. Wird verwendet, wenn Daten ein geistiges Eigentum sind. | IntellectualProperty |
| isAnonymous | Wenn die Namensversion vom System generiert wird (anonyme Registrierung). Für Typen, bei denen Phase definiert ist, wird sie verwendet, um IsAnonymous zu füllen, wenn "Phase" bereitgestellt wird. | Bool |
| isArchived | Ist die Ressource archiviert? Für Typen, in denen "Phase" definiert ist, wird die Phase zum Auffüllen von IsArchived verwendet. | Bool |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| Quelle | Quelldaten des zu importierenden Assets aus | DataImportSource- |
| Bühne | Phase des Datenlebenszyklus, der dieser Datenressource zugewiesen ist | Schnur |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
DataImportSource
| Name | Beschreibung | Wert |
|---|---|---|
| Verbindung | Arbeitsbereichsverbindung für den Datenquellenimportspeicher | Schnur |
| sourceType | Legen Sie für den Typ DatabaseSource-auf "Datenbank" fest. Legen Sie für den Typ FileSystemSource-auf "file_system" fest. | 'Datenbank' "file_system" (erforderlich) |
DataQualityMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Set to 'Categorical' for type CategoricalDataQualityMetricThreshold. Legen Sie für den Typ NumerischDataQualityMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
DataQualityMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| Funktionen | Die Features zum Berechnen der Abweichung. | MonitoringFeatureFilterBase- |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | DataQualityMetricThresholdBase[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'DataQuality' (erforderlich) |
| targetData | [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
DistributionConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | Set to 'Mpi' for type Mpi. Auf 'PyTorch' für typ PyTorchfestgelegt. Legen Sie für den Typ Rayauf "Ray" fest. Legen Sie für den Typ TensorFlowauf "TensorFlow" fest. | "Mpi" 'PyTorch' "Ray" "TensorFlow" (erforderlich) |
EarlyTerminationPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| delayEvaluation | Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll. | Int |
| evaluationInterval | Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen. | Int |
| policyType | Set to 'Bandit' for type BanditPolicy. Legen Sie für den Typ MedianStoppingPolicyauf "MedianStoppingPolicy" fest. Legen Sie für den Typ TruncationSelectionPolicyauf "TruncationSelectionSelectionPolicy" fest. | "Bandit" "MedianStopping" "TruncationSelection" (erforderlich) |
EmailMonitoringAlertNotificationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "E-Mail" (erforderlich) |
| emailNotificationSetting | Konfiguration für Benachrichtigung. | NotificationSetting- |
EndpointScheduleAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'InvokeBatchEndpoint' (erforderlich) |
| endpointInvocationDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. <siehe href="TBD" /> |
beliebig (erforderlich) |
FeatureAttributionDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| MetrikThreshold | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | FeatureAttributionMetricThreshold (erforderlich) |
| modelType | [Erforderlich] Der Typ der Aufgabe, die das Modell ausführt. | "Klassifizierung" "Regression" (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'FeatureAttributionDrift' (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
FeatureAttributionMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die Zuschreibungsmetrik der Funktion, die berechnet werden soll. | "NormalizedDiscountedCumulativeGain" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
FeatureSubset
| Name | Beschreibung | Wert |
|---|---|---|
| Funktionen | [Erforderlich] Die Liste der einzuschließden Features. | string[] (erforderlich) |
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | 'FeatureSubset' (erforderlich) |
FileSystemSource
| Name | Beschreibung | Wert |
|---|---|---|
| Pfad | Pfad zur Datenquelle für den Datenimport von FileSystem | Schnur |
| sourceType | [Erforderlich] Gibt den Datentyp an. | "file_system" (erforderlich) |
ForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoForecastHorizonauf "Auto" fest. Legen Sie für den Typ CustomForecastHorizonauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
Prognose
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| forecastingSettings | Vorhersageaufgabenspezifische Eingaben. | ForecastingSettings |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| primaryMetric | Primäre Metrik für den Prognosevorgang. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Prognose" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | ForecastingTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
ForecastingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| countryOrRegionForHolidays | Land oder Region für Feiertage für Prognosevorgänge. Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt. |
Schnur |
| cvStepSize | Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für Wenn z. B. CVStepSize = 3 für tägliche Daten ist die Ursprungszeit für jede Faltungdrei Tage auseinander. |
Int |
| featureLags | Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL. | "Auto" 'None' |
| featuresUnknownAtForecastTime | Die Featurespalten, die für Schulungen verfügbar sind, aber zum Zeitpunkt der Prognose/Rückschluss unbekannt sind. Wenn features_unknown_at_forecast_time nicht festgelegt ist, wird davon ausgegangen, dass alle Featurespalten im Dataset zur Folgezeit bekannt sind. |
string[] |
| forecastHorizon | Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit. | ForecastHorizon |
| Frequenz | Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit. | Schnur |
| saisonalität | Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest. Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet. |
Saisonalität |
| shortSeriesHandlingConfig | Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll. | "Auto" 'Drop' 'None' "Pad" |
| targetAggregateFunction | Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen. Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean". |
"Max" "Mittelwert" "Min" 'None' "Summe" |
| targetLags | Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen. | TargetLags- |
| targetRollingWindowSize | Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden. | TargetRollingWindowSize- |
| timeColumnName | Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten. | Schnur |
| timeSeriesIdColumnNames | Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen. Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet. |
string[] |
| useStl | Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe. | 'None' "Saison" "SeasonTrend" |
ForecastingTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für den Prognosevorgang. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "Saisonalwert" "Saisonnaive" "SGD" 'TCNForecaster' 'XGBoostRegressor' |
| blockedTrainingAlgorithms | Blockierte Modelle für den Prognosevorgang. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "Saisonalwert" "Saisonnaive" "SGD" 'TCNForecaster' 'XGBoostRegressor' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
GridSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Raster" (erforderlich) |
IdentityConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | Legen Sie für den Typ AmlTokenauf "AMLToken" fest. Legen Sie für den Typ ManagedIdentity-auf "Verwaltet" fest. Legen Sie für den Typ UserIdentity-auf "UserIdentity" fest. | "AMLToken" "Verwaltet" "UserIdentity" (erforderlich) |
ImageClassification
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsClassification- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageClassification' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageClassificationMultilabel
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsClassification- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageClassificationMultilabel' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageInstanceSegmentation
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsObjectDetection- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "MeanAveragePrecision" |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageInstanceSegmentation' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| maxConcurrentTrials | Maximale Anzahl gleichzeitiger AutoML-Iterationen. | Int |
| maxTrials | Maximale Anzahl von AutoML-Iterationen. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
ImageModelDistributionSettingsClassification
| Name | Beschreibung | Wert |
|---|---|---|
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Schnur |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| verteilt | Gibt an, ob die Verteilungsschulung verwendet werden soll. | Schnur |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Schnur |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Schnur |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Schnur |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Schnur |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Schnur |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Schnur |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | Schnur |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Schnur |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Schnur |
| Optimierer | Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. | Schnur |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Schnur |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Schnur |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Schnur |
| trainingCropSize | Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. | Schnur |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Schnur |
| validationCropSize | Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. | Schnur |
| validationResizeSizeSize | Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. | Schnur |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Schnur |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Schnur |
| weightedLoss | Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein. |
Schnur |
ImageModelDistributionSettingsObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Schnur |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| boxDetectionsPerImage | Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| boxScoreThreshold | Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1]. |
Schnur |
| verteilt | Gibt an, ob die Verteilungsschulung verwendet werden soll. | Schnur |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Schnur |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Schnur |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Schnur |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Schnur |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Schnur |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Schnur |
| imageSize | Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | Schnur |
| maxSize | Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| minSize | Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| modelSize | Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| MultiScale | Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Schnur |
| nmsIouThreshold | IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Schnur |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Schnur |
| Optimierer | Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. | Schnur |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Schnur |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Schnur |
| tileGridSize | Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tileOverlapRatio | Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tilePredictionsNmsThreshold | Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. NMS: Nicht maximale Unterdrückung |
Schnur |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Schnur |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Schnur |
| validationIouThreshold | IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. | Schnur |
| validationMetricType | Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein. | Schnur |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Schnur |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Schnur |
ImageModelSettingsClassification
| Name | Beschreibung | Wert |
|---|---|---|
| advancedSettings | Einstellungen für erweiterte Szenarien. | Schnur |
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Bool |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| checkpointFrequency | Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. | Int |
| checkpointModel | Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. | MLFlowModelJobInput |
| checkpointRunId | Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. | Schnur |
| verteilt | Gibt an, ob verteilte Schulungen verwendet werden sollen. | Bool |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Bool |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Int |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Int |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Bool |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Int |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Int |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | 'None' "Schritt" "WarmupCosine" |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Bool |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Int |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Int |
| Optimierer | Typ des Optimierrs. | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Int |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Int |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Int |
| trainingCropSize | Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. | Int |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Int |
| validationCropSize | Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. | Int |
| validationResizeSizeSize | Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. | Int |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Int |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Int |
| weightedLoss | Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein. |
Int |
ImageModelSettingsObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| advancedSettings | Einstellungen für erweiterte Szenarien. | Schnur |
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Bool |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| boxDetectionsPerImage | Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| boxScoreThreshold | Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1]. |
Int |
| checkpointFrequency | Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. | Int |
| checkpointModel | Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. | MLFlowModelJobInput |
| checkpointRunId | Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. | Schnur |
| verteilt | Gibt an, ob verteilte Schulungen verwendet werden sollen. | Bool |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Bool |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Int |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Int |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Bool |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Int |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Int |
| imageSize | Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Int |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | 'None' "Schritt" "WarmupCosine" |
| logTrainingMetrics | Aktivieren Sie Computer- und Protokollierungsschulungsmetriken. | "Deaktivieren" "Aktivieren" |
| logValidationLoss | Aktivieren Sie Computer- und Protokollierungsüberprüfungsverluste. | "Deaktivieren" "Aktivieren" |
| maxSize | Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| minSize | Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| modelSize | Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
"ExtraLarge" "Groß" "Mittel" 'None' "Klein" |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| MultiScale | Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Bool |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Bool |
| nmsIouThreshold | IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Int |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Int |
| Optimierer | Typ des Optimierrs. | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Int |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Int |
| tileGridSize | Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tileOverlapRatio | Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| tilePredictionsNmsThreshold | Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Int |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Int |
| validationIouThreshold | IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. | Int |
| validationMetricType | Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. | "Coco" "CocoVoc" 'None' "Voc" |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Int |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Int |
ImageObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsObjectDetection- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "MeanAveragePrecision" |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageObjectDetection' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie zur vorzeitigen Beendigung. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
ImportDataAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'ImportData' (erforderlich) |
| dataImportDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. | DataImport- (erforderlich) |
IntellectualProperty
| Name | Beschreibung | Wert |
|---|---|---|
| protectionLevel | Schutzebene des geistigen Eigentums. | "Alle" 'None' |
| Verlag | [Erforderlich] Herausgeber des geistigen Eigentums. Muss mit dem Namen des Registrierungsherausgebers identisch sein. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
JobBaseProperties
| Name | Beschreibung | Wert |
|---|---|---|
| componentId | ARM-Ressourcen-ID der Komponentenressource. | Schnur |
| computeId | ARM-Ressourcen-ID der Computeressource. | Schnur |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| displayName | Anzeigename des Auftrags. | Schnur |
| experimentName | Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert. | Schnur |
| Identität | Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null. |
IdentityConfiguration- |
| isArchived | Ist die Ressource archiviert? | Bool |
| jobType | Legen Sie für den Typ AutoMLJob-auf "AutoML" fest. Legen Sie für den Typ CommandJob-auf "Befehl" fest. Legen Sie für den Typ LabelingJobPropertiesauf "Bezeichnung" fest. Set to 'Pipeline' for type PipelineJob. Set to 'Spark' for type SparkJob. Legen Sie für den Typ SweepJob-auf "Aufräumen" fest. | 'AutoML' 'Befehl' "Bezeichnung" 'Pipeline' "Spark" "Aufräumen" (erforderlich) |
| notificationSetting | Benachrichtigungseinstellung für den Auftrag | NotificationSetting- |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| secretsConfiguration | Konfiguration für geheime Schlüssel, die während der Laufzeit zur Verfügung gestellt werden sollen. | JobBaseSecretsConfiguration |
| Dienste | Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject. |
JobBaseServices- |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
JobBaseSecretsConfiguration
| Name | Beschreibung | Wert |
|---|
JobBaseServices
| Name | Beschreibung | Wert |
|---|
JobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | Legen Sie für den Typ CustomModelJobInput-auf "custom_model" fest. Legen Sie für den Typ LiteralJobInputauf "literal" fest. Legen Sie für den Typ MLFlowModelJobInput-auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobInputauf "mltable" fest. Legen Sie für den Typ TritonModelJobInputauf "triton_model" fest. Legen Sie für den Typ UriFileJobInput-auf "uri_file" fest. Legen Sie für den Typ UriFolderJobInput-auf "uri_folder" fest. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
JobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Ausgabe. | Schnur |
| jobOutputType | Legen Sie für den Typ CustomModelJobOutputauf "custom_model" fest. Legen Sie für den Typ MLFlowModelJobOutputauf "mlflow_model" fest. Legen Sie für den Typ MLTableJobOutputauf "mltable" fest. Legen Sie für den Typ TritonModelJobOutputauf "triton_model" fest. Legen Sie für den Typ UriFileJobOutput-auf "uri_file" auf "uri_file" fest. Legen Sie für den Typ UriFolderJobOutputauf "uri_folder" fest. | "custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
JobResourceConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| dockerArgs | Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. | Schnur |
| instanceCount | Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden. | Int |
| instanceType | Optionaler Vm-Typ, der vom Computeziel unterstützt wird. | Schnur |
| Orte | Speicherorte, an denen der Auftrag ausgeführt werden kann. | string[] |
| maxInstanceCount | Optionale maximal zulässige Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden sollen. Zur Verwendung mit elastischem Training wird derzeit nur der PyTorch-Verteilungstyp unterstützt. |
Int |
| Eigenschaften | Zusätzlicher Eigenschaftenbehälter. | ResourceConfigurationProperties- |
| shmSize | Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann. | Schnur Zwänge: Pattern = \d+[bBkKmMgG] |
JobScheduleAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'CreateJob' (erforderlich) |
| jobDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. | JobBaseProperties- (erforderlich) |
JobService
| Name | Beschreibung | Wert |
|---|---|---|
| Endpunkt | URL für Endpunkt. | Schnur |
| jobServiceType | Endpunkttyp. | Schnur |
| Knoten | Knoten, auf denen der Benutzer den Dienst starten möchte. Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet. |
Nodes |
| Hafen | Port für Endpunkt, der vom Benutzer festgelegt wurde. | Int |
| Eigenschaften | Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen. | JobServiceProperties |
JobServiceProperties
| Name | Beschreibung | Wert |
|---|
LabelCategory
| Name | Beschreibung | Wert |
|---|---|---|
| Klassen | Wörterbuch der Bezeichnungsklassen in dieser Kategorie. | LabelCategoryClasses |
| displayName | Anzeigename der Bezeichnungskategorie. | Schnur |
| multiSelect | Gibt an, ob mehrere Klassen in dieser Kategorie ausgewählt werden dürfen. | "Deaktiviert" "Aktiviert" |
LabelCategoryClasses
| Name | Beschreibung | Wert |
|---|
LabelClass
| Name | Beschreibung | Wert |
|---|---|---|
| displayName | Anzeigename der Bezeichnungsklasse. | Schnur |
| Unterklassen | Wörterbuch der Unterklassen der Bezeichnungsklasse. | LabelClassSubclasses |
LabelClassSubclasses
| Name | Beschreibung | Wert |
|---|
LabelingDataConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| dataId | Ressourcen-ID der Datenressource zum Ausführen der Bezeichnung. | Schnur |
| inkrementelleDataRefresh | Gibt an, ob die inkrementelle Datenaktualisierung aktiviert werden soll. | "Deaktiviert" "Aktiviert" |
LabelingJobImageProperties
| Name | Beschreibung | Wert |
|---|---|---|
| annotationType | Anmerkungstyp des Bildbezeichnungsauftrags. | "BoundingBox" "Klassifizierung" 'InstanceSegmentation' |
| mediaType | [Erforderlich] Medientyp des Auftrags. | "Image" (erforderlich) |
LabelingJobInstructions
| Name | Beschreibung | Wert |
|---|---|---|
| Uri | Der Link zu einer Seite mit detaillierten Bezeichnungsanweisungen für Bezeichnungen. | Schnur |
LabelingJobLabelCategories
| Name | Beschreibung | Wert |
|---|
LabelingJobMediaProperties
| Name | Beschreibung | Wert |
|---|---|---|
| mediaType | Legen Sie für den Typ LabelingJobImagePropertiesauf "Image" fest. Legen Sie für den Typ LabelingJobTextPropertiesauf "Text" fest. | "Bild" "Text" (erforderlich) |
LabelingJobProperties
| Name | Beschreibung | Wert |
|---|---|---|
| dataConfiguration | Konfiguration der im Auftrag verwendeten Daten. | LabelingDataConfiguration- |
| jobInstructions | Bezeichnungsanweisungen des Auftrags. | LabelingJobInstructions |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Bezeichnung" (erforderlich) |
| labelCategories | Bezeichnungskategorien des Auftrags. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Medientypspezifische Eigenschaften im Auftrag. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguration der MLAssist-Funktion im Auftrag. | MLAssistConfiguration |
LabelingJobTextProperties
| Name | Beschreibung | Wert |
|---|---|---|
| annotationType | Anmerkungstyp des Textbezeichnungsauftrags. | "Klassifizierung" 'NamedEntityRecognition' |
| mediaType | [Erforderlich] Medientyp des Auftrags. | "Text" (erforderlich) |
LiteralJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "literal" (erforderlich) |
| Wert | [Erforderlich] Literalwert für die Eingabe. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
ManagedIdentity
| Name | Beschreibung | Wert |
|---|---|---|
| clientId | Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "Verwaltet" (erforderlich) |
| objectId | Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur |
MedianStoppingPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "MedianStopping" (erforderlich) |
Microsoft.MachineLearningServices/workspaces/schedules
| Name | Beschreibung | Wert |
|---|---|---|
| Name | Der Ressourcenname | Schnur Zwänge: Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich) |
| Elternteil | In Bicep können Sie die übergeordnete Ressource für eine untergeordnete Ressource angeben. Sie müssen diese Eigenschaft nur hinzufügen, wenn die untergeordnete Ressource außerhalb der übergeordneten Ressource deklariert wird. Weitere Informationen finden Sie unter Untergeordnete Ressource außerhalb der übergeordneten Ressource. |
Symbolischer Name für Ressource des Typs: Arbeitsbereiche |
| Eigenschaften | [Erforderlich] Zusätzliche Attribute der Entität. | ScheduleProperties- (erforderlich) |
MLAssistConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| mlAssist | Legen Sie für den Typ MLAssistConfigurationDisabledauf "Deaktiviert" fest. Set to 'Enabled' for type MLAssistConfigurationEnabled. | "Deaktiviert" "Aktiviert" (erforderlich) |
MLAssistConfigurationDisabled
| Name | Beschreibung | Wert |
|---|---|---|
| mlAssist | [Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist. | "Deaktiviert" (erforderlich) |
MLAssistConfigurationEnabled
| Name | Beschreibung | Wert |
|---|---|---|
| inferencingComputeBinding | [Erforderlich] AML-Computebindung, die bei der Ableitung verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| mlAssist | [Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist. | "Aktiviert" (erforderlich) |
| trainingComputeBinding | [Erforderlich] Im Training verwendete AML-Computebindung. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "mlflow_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "mlflow_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
MLTableJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLTableJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "mltable" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLTableJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "mltable" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
ModelPerformanceMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| modelType | Legen Sie für den Typ ClassificationModelPerformanceMetricThresholdauf "Classification" fest. Set to 'Regression' for type RegressionModelPerformanceMetricThreshold. | "Klassifizierung" "Regression" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
ModelPerformanceSignalBase
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| dataSegment | Das Datensegment. | MonitoringDataSegment- |
| MetrikThreshold | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | ModelPerformanceMetricThresholdBase- (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'ModelPerformance' (erforderlich) |
| targetData | [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
MonitorDefinition
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationSetting | Die Benachrichtigungseinstellungen des Monitors. | MonitoringAlertNotificationSettingsBase- |
| computeId | [Erforderlich] Die ARM-Ressourcen-ID der Computeressource, auf der der Überwachungsauftrag ausgeführt werden soll. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| monitoringTarget | Die ARM-Ressourcen-ID des Modells oder der Bereitstellung, die von diesem Monitor gezielt ist. | Schnur |
| Signale | [Erforderlich] Die zu überwachenden Signale. | MonitorDefinitionSignals (erforderlich) |
MonitorDefinitionSignals
| Name | Beschreibung | Wert |
|---|
MonitoringAlertNotificationSettingsBase
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | Legen Sie für den Typ AzMonMonitoringAlertNotificationSettingsauf "AzureMonitor" fest. Legen Sie für den Typ EmailMonitoringAlertNotificationSettingsauf "Email" fest. | "AzureMonitor" "E-Mail" (erforderlich) |
MonitoringDataSegment
| Name | Beschreibung | Wert |
|---|---|---|
| Merkmal | Das Feature zum Segmentieren der Daten. | Schnur |
| Werte | Filtert nur nach den angegebenen Werten des angegebenen segmentierten Features. | string[] |
MonitoringFeatureFilterBase
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | Set to 'AllFeatures' for type AllFeatures. Set to 'FeatureSubset' for type FeatureSubset. Legen Sie für den Typ TopNFeaturesByAttributionauf "TopNByAttribution" fest. | "AllFeatures" 'FeatureSubset' "TopNByAttribution" (erforderlich) |
MonitoringInputData
| Name | Beschreibung | Wert |
|---|---|---|
| Vermögenswert | Die Datenobjekteingabe, die vom Überwachungsauftrag genutzt werden soll. | jegliche |
| dataContext | [Erforderlich] Der Kontext der Datenquelle. | "GroundTruth" 'ModelInputs' 'ModelOutputs' "Test" "Schulung" "Validierung" (erforderlich) |
| preprocessingComponentId | Die ARM-Ressourcen-ID der Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. | Schnur |
| targetColumnName | Die Zielspalte in der angegebenen Datenressource, die genutzt werden soll. | Schnur |
MonitoringSignalBase
| Name | Beschreibung | Wert |
|---|---|---|
| lookbackPeriod | Die Zeitspanne, die ein einzelner Monitor auf die Zieldaten eines bestimmten Laufs zurückblicken sollte. | Schnur |
| Modus | Der aktuelle Benachrichtigungsmodus für dieses Signal. | "Deaktiviert" "Aktiviert" |
| signalType | Legen Sie für den Typ CustomMonitoringSignalauf "Benutzerdefiniert" fest. Legen Sie 'DataDrift' für den Typ DataDriftMonitoringSignalfest. Legen Sie "DataQuality" für den Typ DataQualityMonitoringSignalfest. Set to 'FeatureAttributionDrift' for type FeatureAttributionDriftMonitoringSignal. Set to 'ModelPerformance' for type ModelPerformanceSignalBase. Set to 'PredictionDrift' for type PredictionDriftMonitoringSignal. | 'Benutzerdefiniert' 'DataDrift' "DataQuality" 'FeatureAttributionDrift' 'ModelPerformance' "PredictionDrift" (erforderlich) |
MonitoringThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Wert | Der Schwellenwert. Wenn NULL, ist der Setstandard vom Metriktyp abhängig. | Int |
Mpi
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "Mpi" (erforderlich) |
| processCountPerInstance | Anzahl der Prozesse pro MPI-Knoten. | Int |
NCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoNCrossValidationsauf "Auto" fest. Legen Sie für den Typ CustomNCrossValidations-auf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
NlpFixedParameters
| Name | Beschreibung | Wert |
|---|---|---|
| gradientAccumulationSteps | Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs. | Int |
| learningRate | Die Lernrate für das Trainingsverfahren. | Int |
| learningRateScheduler | Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll. | 'Konstante' 'ConstantWithWarmup' "Kosinus" "CosineWithRestarts" "Linear" 'None' "Polynomisch" |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. | Int |
| trainingBatchSize | Die Batchgröße für den Schulungsvorgang. | Int |
| validationBatchSize | Die Batchgröße, die während der Auswertung verwendet werden soll. | Int |
| warmupRatio | Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird. | Int |
| weightDecay | Das Gewicht verfallen für das Trainingsverfahren. | Int |
NlpParameterSubspace
| Name | Beschreibung | Wert |
|---|---|---|
| gradientAccumulationSteps | Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Schnur |
| learningRateScheduler | Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll. | Schnur |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. | Schnur |
| trainingBatchSize | Die Batchgröße für den Schulungsvorgang. | Schnur |
| validationBatchSize | Die Batchgröße, die während der Auswertung verwendet werden soll. | Schnur |
| warmupRatio | Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird. | Schnur |
| weightDecay | Das Gewicht verfallen für das Trainingsverfahren. | Schnur |
NlpSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ des Samplingalgorithmus. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
NlpVerticalFeaturizationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| datasetLanguage | Datasetsprache, nützlich für die Textdaten. | Schnur |
NlpVerticalLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| maxConcurrentTrials | Maximale anzahl gleichzeitige AutoML-Iterationen. | Int |
| maxNodes | Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen. | Int |
| maxTrials | Anzahl der AutoML-Iterationen. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
| trialTimeout | Timeout für einzelne HD-Testversionen. | Schnur |
Knoten
| Name | Beschreibung | Wert |
|---|---|---|
| nodesValueType | Set to 'All' for type AllNodes. | "Alle" (erforderlich) |
NotificationSetting
| Name | Beschreibung | Wert |
|---|---|---|
| emailOn | Senden einer E-Mail-Benachrichtigung an den Benutzer im angegebenen Benachrichtigungstyp | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'JobCancelled' 'JobCompleted' 'JobFailed' |
| E-Mails | Dies ist die E-Mail-Empfängerliste, die eine Beschränkung von 499 Zeichen insgesamt mit Kommatrennzeichen hat. | string[] |
| Webhooks | Senden eines Webhook-Rückrufs an einen Dienst. Der Schlüssel ist ein vom Benutzer bereitgestellter Name für den Webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Name | Beschreibung | Wert |
|---|
NumerischDataDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die numerische Datenabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' "TwoSampleKolmogorovSmirnovTest" (erforderlich) |
NumerischDataQualityMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die zu berechnende numerische Datenqualitätsmetrik. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (erforderlich) |
NumerischPredictionDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die zu berechnende numerische Vorhersageabweichungsmetrik. | 'JensenShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' "TwoSampleKolmogorovSmirnovTest" (erforderlich) |
Objektiv
| Name | Beschreibung | Wert |
|---|---|---|
| Ziel | [Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung. | "Maximieren" "Minimieren" (erforderlich) |
| primaryMetric | [Erforderlich] Name der zu optimierenden Metrik. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
PipelineJob
| Name | Beschreibung | Wert |
|---|---|---|
| Eingänge | Eingaben für den Pipelineauftrag. | PipelineJobInputs- |
| arbeitsplätze | Aufträge konstruieren den Pipelineauftrag. | PipelineJobJobs- |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Pipeline" (erforderlich) |
| Ausgaben | Ausgaben für den Pipelineauftrag | PipelineJobOutputs |
| Einstellungen | Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw. | jegliche |
| sourceJobId | ARM-Ressourcen-ID des Quellauftrags. | Schnur |
PipelineJobInputs
| Name | Beschreibung | Wert |
|---|
PipelineJobJobs
| Name | Beschreibung | Wert |
|---|
PipelineJobOutputs
| Name | Beschreibung | Wert |
|---|
PredictionDriftMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Legen Sie für den Typ CategoricalPredictionDriftMetricThresholdauf "Categorical" fest. Legen Sie für den Typ NumerischPredictionDriftMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
PredictionDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | PredictionDriftMetricThresholdBase[] (erforderlich) |
| modelType | [Erforderlich] Der Typ des überwachten Modells. | "Klassifizierung" "Regression" (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "PredictionDrift" (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
PyTorch
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | 'PyTorch' (erforderlich) |
| processCountPerInstance | Anzahl der Prozesse pro Knoten. | Int |
QueueSettings
| Name | Beschreibung | Wert |
|---|---|---|
| jobTier | Aufzählung, um die Auftragsebene zu bestimmen. | "Einfach" "Premium" "Spot" "Standard" |
| Priorität | Steuert die Priorität des Auftrags auf einer Berechnung. | Int |
RandomSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| logbase | Eine optionale positive Zahl oder e im Zeichenfolgenformat, die als Basis für die protokollbasierte zufallsbasierte Stichprobe verwendet werden soll | Schnur |
| Regel | Der spezifische Typ des Zufallsalgorithmus | "Zufällig" 'Sobol' |
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Zufällig" (erforderlich) |
| Samen | Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll | Int |
Strahl
| Name | Beschreibung | Wert |
|---|---|---|
| Adresse | Die Adresse des Ray-Kopfknotens. | Schnur |
| dashboardPort | Der Port, an den der Dashboardserver gebunden werden soll. | Int |
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "Ray" (erforderlich) |
| headNodeAdditionalArgs | Zusätzliche Argumente, die an "Ray start" im Kopfknoten übergeben werden. | Schnur |
| includeDashboard | Geben Sie dieses Argument an, um die Ray-Dashboard-GUI zu starten. | Bool |
| Hafen | Der Port des Kopfstrahlprozesses. | Int |
| workerNodeAdditionalArgs | Zusätzliche Argumente, die an "Ray start" im Arbeitsknoten übergeben wurden. | Schnur |
RecurrenceSchedule
| Name | Beschreibung | Wert |
|---|---|---|
| Stunden | [Erforderlich] Liste der Stunden für den Zeitplan. | int[] (erforderlich) |
| Protokoll | [Erforderlich] Liste der Minuten für den Zeitplan. | int[] (erforderlich) |
| monthDays | Liste der Monatstage für den Zeitplan | int[] |
| Wochentage | Liste der Tage für den Zeitplan. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "Freitag" "Montag" "Samstag" "Sonntag" "Donnerstag" "Dienstag" 'Mittwoch' |
RecurrenceTrigger
| Name | Beschreibung | Wert |
|---|---|---|
| Frequenz | [Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans. | "Tag" "Stunde" "Minute" "Monat" "Woche" (erforderlich) |
| Intervall | [Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an. | int (erforderlich) |
| Zeitplan | Der Terminplan der Serie. | RecurrenceSchedule |
| triggerType | [Erforderlich] | "Serie" (erforderlich) |
Regression
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| primaryMetric | Primäre Metrik für Regressionsaufgabe. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Regression" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | RegressionTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
RegressionModelPerformanceMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die zu berechnende Regressionsmodellleistungsmetrik. | "MeanAbsoluteError" "MeanSquaredError" 'RootMeanSquaredError' (erforderlich) |
| modelType | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Regression" (erforderlich) |
RegressionTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für Regressionsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor' |
| blockedTrainingAlgorithms | Blockierte Modelle für Regressionsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceConfigurationProperties
| Name | Beschreibung | Wert |
|---|
SamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | Auf 'Bayesian' für typ BayesianSamplingAlgorithmfestgelegt. Legen Sie für den Typ GridSamplingAlgorithmauf "Grid" fest. Legen Sie für typ RandomSamplingAlgorithmauf "Random" fest. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
ScheduleActionBase
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | Set to 'CreateJob' for type JobScheduleAction. Set to 'CreateMonitor' for type CreateMonitorAction. Legen Sie für den Typ ImportDataAction-auf "ImportDataAction" fest. Legen Sie für den Typ EndpointScheduleAction-auf "InvokeBatchEndpoint" fest. | 'CreateJob' 'CreateMonitor' 'ImportData' 'InvokeBatchEndpoint' (erforderlich) |
ScheduleProperties
| Name | Beschreibung | Wert |
|---|---|---|
| Aktion | [Erforderlich] Gibt die Aktion des Zeitplans an. | ScheduleActionBase- (erforderlich) |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| displayName | Anzeigename des Zeitplans. | Schnur |
| isEnabled | Ist der Zeitplan aktiviert? | Bool |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
| auslösen | [Erforderlich] Gibt die Triggerdetails an. | TriggerBase- (erforderlich) |
Saisonalität
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Wird für den Typ AutoSeasonality-auf "Auto" festgelegt. Für den Typ CustomSeasonality-auf "Benutzerdefiniert" festgelegt. | "Auto" "Benutzerdefiniert" (erforderlich) |
SecretConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| Uri | Geheimer URI. Beispiel-URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
Schnur |
| workspaceSecretName | Der Name des geheimen Schlüssels im Arbeitsbereichsschlüsseltresor. | Schnur |
SparkJob
| Name | Beschreibung | Wert |
|---|---|---|
| Archiv | Archivdateien, die im Auftrag verwendet werden. | string[] |
| Args | Argumente für den Auftrag. | Schnur |
| codeId | [Erforderlich] ARM-Ressourcen-ID der Coderessource. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Conf | Konfigurierte Spark-Eigenschaften. | SparkJobConf- |
| Eintrag | [Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll. | SparkJobEntry- (erforderlich) |
| environmentId | Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur |
| Dateien | Dateien, die im Auftrag verwendet werden. | string[] |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | SparkJobInputs |
| Krüge | Jar-Dateien, die im Auftrag verwendet werden. | string[] |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Spark" (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | SparkJobOutputs |
| pyFiles | Python-Dateien, die im Auftrag verwendet werden. | string[] |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | SparkResourceConfiguration- |
SparkJobConf
| Name | Beschreibung | Wert |
|---|
SparkJobEntry
| Name | Beschreibung | Wert |
|---|---|---|
| sparkJobEntryType | Set to 'SparkJobPythonEntry' for type SparkJobPythonEntry. Set to 'SparkJobScalaEntry' for type SparkJobScalaEntry. | 'SparkJobPythonEntry' 'SparkJobScalaEntry' (erforderlich) |
SparkJobInputs
| Name | Beschreibung | Wert |
|---|
SparkJobOutputs
| Name | Beschreibung | Wert |
|---|
SparkJobPythonEntry
| Name | Beschreibung | Wert |
|---|---|---|
| Datei | [Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| sparkJobEntryType | [Erforderlich] Typ des Einstiegspunkts des Auftrags. | "SparkJobPythonEntry" (erforderlich) |
SparkJobScalaEntry
| Name | Beschreibung | Wert |
|---|---|---|
| className | [Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| sparkJobEntryType | [Erforderlich] Typ des Einstiegspunkts des Auftrags. | 'SparkJobScalaEntry' (erforderlich) |
SparkResourceConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| instanceType | Optionaler Vm-Typ, der vom Computeziel unterstützt wird. | Schnur |
| runtimeVersion | Version der Spark-Runtime, die für den Auftrag verwendet wird. | Schnur |
StackEnsembleSettings
| Name | Beschreibung | Wert |
|---|---|---|
| stackMetaLearnerKWargs | Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen. | jegliche |
| stackMetaLearnerTrainPercentage | Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2. | Int |
| stackMetaLearnerType | Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" 'None' |
SweepJob
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind | EarlyTerminationPolicy- |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | SweepJobInputs |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Aufräumen" (erforderlich) |
| grenzen | Grenzwert für "Aufräumen von Auftrag". | SweepJobLimits- |
| objektiv | [Erforderlich] Optimierungsziel. | Ziel- (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | SweepJobOutputs- |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| samplingAlgorithm | [Erforderlich] Der Hyperparameter-Samplingalgorithmus | SamplingAlgorithm (erforderlich) |
| searchSpace | [Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters. | beliebig (erforderlich) |
| Probephase | [Erforderlich] Definition der Testkomponente. | TrialComponent- (erforderlich) |
SweepJobInputs
| Name | Beschreibung | Wert |
|---|
SweepJobLimits
| Name | Beschreibung | Wert |
|---|---|---|
| jobLimitsType | [Erforderlich] JobLimit-Typ. | 'Befehl' "Aufräumen" (erforderlich) |
| maxConcurrentTrials | Aufräumen des Auftrags max. gleichzeitige Testversionen. | Int |
| maxTotalTrials | "Auftrag aufräumen" max. Gesamtversuche. | Int |
| Zeitüberschreitung | Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. | Schnur |
| trialTimeout | Timeoutwert für "Testauftrag aufräumen". | Schnur |
SweepJobOutputs
| Name | Beschreibung | Wert |
|---|
TableFixedParameters
| Name | Beschreibung | Wert |
|---|---|---|
| Booster | Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost. | Schnur |
| boostType | Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM. | Schnur |
| growPolicy | Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Int |
| maxBin | Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen. | Int |
| maxDepth | Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken. | Int |
| maxLeaves | Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken. | Int |
| minDataInLeaf | Die Mindestanzahl der Daten pro Blatt. | Int |
| minSplitGain | Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen. | Int |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| nEstimators | Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an. | Int |
| numLeaves | Geben Sie die Anzahl der Blätter an. | Int |
| PreprocessorName | Der Name des zu verwendenden Präprozessors. | Schnur |
| regAlpha | L1-Normalisierungsausdruck auf Gewichtungen. | Int |
| regLambda | L2-Normalisierungsausdruck auf Gewichtungen. | Int |
| Subsample | Subsample-Verhältnis der Schulungsinstanz. | Int |
| subsampleFreq | Häufigkeit des Untersamples. | Int |
| treeMethod | Geben Sie die Strukturmethode an. | Schnur |
| withMean | Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar. | Bool |
| withStd | Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar. | Bool |
TableParameterSubspace
| Name | Beschreibung | Wert |
|---|---|---|
| Booster | Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost. | Schnur |
| boostType | Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM. | Schnur |
| growPolicy | Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Schnur |
| maxBin | Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen. | Schnur |
| maxDepth | Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken. | Schnur |
| maxLeaves | Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken. | Schnur |
| minDataInLeaf | Die Mindestanzahl der Daten pro Blatt. | Schnur |
| minSplitGain | Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen. | Schnur |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| nEstimators | Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an. | Schnur |
| numLeaves | Geben Sie die Anzahl der Blätter an. | Schnur |
| PreprocessorName | Der Name des zu verwendenden Präprozessors. | Schnur |
| regAlpha | L1-Normalisierungsausdruck auf Gewichtungen. | Schnur |
| regLambda | L2-Normalisierungsausdruck auf Gewichtungen. | Schnur |
| Subsample | Subsample-Verhältnis der Schulungsinstanz. | Schnur |
| subsampleFreq | Häufigkeit des Untersampels | Schnur |
| treeMethod | Geben Sie die Strukturmethode an. | Schnur |
| withMean | Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar. | Schnur |
| withStd | Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar. | Schnur |
TableSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ des Samplingalgorithmus. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
TableVerticalFeaturizationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| blockedTransformers | Diese Transformatoren dürfen nicht bei der Reifung verwendet werden. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'CatTargetEncoder' 'CountVectorizer' "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Datasetsprache, nützlich für die Textdaten. | Schnur |
| enableDnnFeaturization | Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen. | Bool |
| Modus | Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase. Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt. Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt. |
"Auto" 'Benutzerdefiniert' 'Aus' |
| transformerParams | Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Name | Beschreibung | Wert |
|---|
TableVerticalFeaturizationSettingsTransformerParams
| Name | Beschreibung | Wert |
|---|
TableVerticalLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| enableEarlyTermination | Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen. | Bool |
| exitScore | Exit score for the AutoML job. | Int |
| maxConcurrentTrials | Maximale gleichzeitige Iteration. | Int |
| maxCoresPerTrial | Max. Kerne pro Iteration. | Int |
| maxNodes | Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen. | Int |
| maxTrials | Anzahl der Iterationen. | Int |
| sweepConcurrentTrials | Die Anzahl der gleichzeitigen Aufräumläufe, die der Benutzer auslösen möchte. | Int |
| sweepTrials | Die Anzahl der Aufräumläufe, die der Benutzer auslösen möchte. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
| trialTimeout | Iterationstimeout. | Schnur |
TargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoTargetLagsauf "Auto" fest. Legen Sie für den Typ CustomTargetLagsauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
TargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoTargetRollingWindowSizeauf "Auto" fest. Legen Sie für den Typ CustomTargetRollingWindowSizeauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
TensorFlow
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "TensorFlow" (erforderlich) |
| parameterServerCount | Anzahl der Parameterserveraufgaben. | Int |
| workerCount | Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet. | Int |
TextClassification
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primäre Metrik für Text-Classification Vorgang. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextClassification' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TextClassificationMultilabel
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextClassificationMultilabel' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TextNer
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextNER' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TopNFeaturesByAttribution
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | "TopNByAttribution" (erforderlich) |
| Nach oben | Die Anzahl der wichtigsten Features, die einbezogen werden sollen. | Int |
TrialComponent
| Name | Beschreibung | Wert |
|---|---|---|
| codeId | ARM-Ressourcen-ID der Coderessource. | Schnur |
| Befehl | [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Verteilung | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. | DistributionConfiguration- |
| environmentId | [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | TrialComponentEnvironmentVariables |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
TrialComponentEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
TriggerBase
| Name | Beschreibung | Wert |
|---|---|---|
| endTime | Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Siehe https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt. |
Schnur |
| startTime | Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset. | Schnur |
| timeZone | Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11 |
Schnur |
| triggerType | Wird für den Typ CronTrigger-auf "Cron" festgelegt. Set to 'Recurrence' for type RecurrenceTrigger. | "Cron" "Serie" (erforderlich) |
TritonModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "triton_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
TritonModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "triton_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
TruncationSelectionPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "TruncationSelection" (erforderlich) |
| truncationPercentage | Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen. | Int |
UriFileJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_file" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
UriFileJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_file" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
UriFolderJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
UriFolderJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_folder" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
UserIdentity
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "UserIdentity" (erforderlich) |
Webhook
| Name | Beschreibung | Wert |
|---|---|---|
| eventType | Senden eines Rückrufs für ein angegebenes Benachrichtigungsereignis | Schnur |
| webhookType | Legen Sie für den Typ AzureDevOpsWebhook-auf "AzureDevOps" fest. | "AzureDevOps" (erforderlich) |
ARM-Vorlagenressourcendefinition
Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:
- Ressourcengruppen – Siehe Ressourcengruppenbereitstellungsbefehle
Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.
Ressourcenformat
Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie der Vorlage den folgenden JSON-Code hinzu.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-04-01-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
}
}
}
SamplingAlgorithm-Objekte
Legen Sie die samplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Bayesian:
{
"samplingAlgorithmType": "Bayesian"
}
Verwenden Sie für Grid:
{
"samplingAlgorithmType": "Grid"
}
Verwenden Sie für random:
{
"logbase": "string",
"rule": "string",
"samplingAlgorithmType": "Random",
"seed": "int"
}
Webhook-Objekte
Legen Sie die webhookType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AzureDevOps-:
{
"webhookType": "AzureDevOps"
}
MLAssistConfiguration-Objekte
Legen Sie die mlAssist-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Deaktivierte:
{
"mlAssist": "Disabled"
}
Verwenden Sie für Aktivierte:
{
"inferencingComputeBinding": "string",
"mlAssist": "Enabled",
"trainingComputeBinding": "string"
}
ModelPerformanceMetricThresholdBase-Objekte
Legen Sie die modelType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Klassifizierung:
{
"metric": "string",
"modelType": "Classification"
}
Verwenden Sie für Regressions-:
{
"metric": "string",
"modelType": "Regression"
}
EarlyTerminationPolicy-Objekte
Legen Sie den policyType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Bandit:
{
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
}
Verwenden Sie für MedianStopping-:
{
"policyType": "MedianStopping"
}
Verwenden Sie für TruncationSelection:
{
"policyType": "TruncationSelection",
"truncationPercentage": "int"
}
SparkJobEntry-Objekte
Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für SparkJobPythonEntry:
{
"file": "string",
"sparkJobEntryType": "SparkJobPythonEntry"
}
Verwenden Sie für SparkJobScalaEntry:
{
"className": "string",
"sparkJobEntryType": "SparkJobScalaEntry"
}
AutoMLVertical-Objekte
Legen Sie die taskType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Klassifizierung:
{
"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"
}
Verwenden Sie für Prognose-:
{
"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"
}
Verwenden Sie für ImageClassification-Folgendes:
{
"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"
}
Verwenden Sie für ImageClassificationMultilabel:
{
"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"
}
Verwenden Sie für ImageInstanceSegmentation:
{
"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"
}
Verwenden Sie für ImageObjectDetection-:
{
"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"
}
Verwenden Sie für Regressions-:
{
"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"
}
Verwenden Sie für TextClassification-:
{
"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"
}
}
Verwenden Sie für TextClassificationMultilabel:
{
"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"
}
}
Verwenden Sie für TextNER-:
{
"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"
}
}
TriggerBase-Objekte
Legen Sie den triggerType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Cron:
{
"expression": "string",
"triggerType": "Cron"
}
Verwenden Sie für Serie:
{
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
},
"triggerType": "Recurrence"
}
Knotenobjekte
Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Alle:
{
"nodesValueType": "All"
}
JobInput-Objekte
Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für custom_modelFolgendes:
{
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
}
Verwenden Sie für Literal-Folgendes:
{
"jobInputType": "literal",
"value": "string"
}
Verwenden Sie für mlflow_model:
{
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
}
Verwenden Sie für mltable:
{
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
}
Verwenden Sie für triton_modelFolgendes:
{
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
}
Verwenden Sie für uri_file:
{
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
}
Verwenden Sie für uri_folder:
{
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
}
DataQualityMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
"dataType": "Categorical",
"metric": "string"
}
Verwenden Sie für numerischen:
{
"dataType": "Numerical",
"metric": "string"
}
MonitoringFeatureFilterBase-Objekte
Legen Sie die filterType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AllFeatures-:
{
"filterType": "AllFeatures"
}
Verwenden Sie für FeatureSubset-:
{
"features": [ "string" ],
"filterType": "FeatureSubset"
}
Verwenden Sie für TopNByAttribution:
{
"filterType": "TopNByAttribution",
"top": "int"
}
JobOutput-Objekte
Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für custom_modelFolgendes:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "custom_model",
"mode": "string",
"uri": "string"
}
Verwenden Sie für mlflow_model:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "mlflow_model",
"mode": "string",
"uri": "string"
}
Verwenden Sie für mltable:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "mltable",
"mode": "string",
"uri": "string"
}
Verwenden Sie für triton_modelFolgendes:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "triton_model",
"mode": "string",
"uri": "string"
}
Verwenden Sie für uri_file:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "uri_file",
"mode": "string",
"uri": "string"
}
Verwenden Sie für uri_folder:
{
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"jobOutputType": "uri_folder",
"mode": "string",
"uri": "string"
}
JobBaseProperties-Objekte
Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AutoML-:
{
"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
}
}
Verwenden Sie für Command:
{
"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"
}
}
Verwenden Sie für Bezeichnungen:
{
"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
}
}
Verwenden Sie für Pipeline-:
{
"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"
}
Verwenden Sie für Spark:
{
"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"
}
}
Verwenden Sie für Aufräumen:
{
"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"
}
}
}
DataImportSource-Objekte
Legen Sie die sourceType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Datenbank-:
{
"query": "string",
"sourceType": "database",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
}
Verwenden Sie für file_system:
{
"path": "string",
"sourceType": "file_system"
}
NCrossValidations-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
"mode": "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
"mode": "Custom",
"value": "int"
}
MonitoringSignalBase-Objekte
Legen Sie die eigenschaft signalType fest, um den Objekttyp anzugeben.
Verwenden Sie für benutzerdefinierteFolgendes:
{
"componentId": "string",
"inputAssets": {
"{customized property}": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"signalType": "Custom"
}
Verwenden Sie für DataDrift-:
{
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [ {
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
} ],
"signalType": "DataDrift",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
}
Verwenden Sie für DataQuality-:
{
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [ {
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
} ],
"signalType": "DataQuality",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
}
Verwenden Sie für FeatureAttributionDrift-:
{
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"metricThreshold": {
"metric": "string",
"threshold": {
"value": "int"
}
},
"modelType": "string",
"signalType": "FeatureAttributionDrift",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
}
Verwenden Sie für ModelPerformance:
{
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"signalType": "ModelPerformance",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
}
Verwenden Sie für PredictionDrift-:
{
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"metricThresholds": [ {
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
} ],
"modelType": "string",
"signalType": "PredictionDrift",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
}
Saisonalitätsobjekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
"mode": "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
"mode": "Custom",
"value": "int"
}
PredictionDriftMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
"dataType": "Categorical",
"metric": "string"
}
Verwenden Sie für numerischen:
{
"dataType": "Numerical",
"metric": "string"
}
MonitoringAlertNotificationSettingsBase-Objekte
Legen Sie die alertNotificationType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AzureMonitor:
{
"alertNotificationType": "AzureMonitor"
}
Verwenden Sie für E-Mail-:
{
"alertNotificationType": "Email",
"emailNotificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
}
}
LabelingJobMediaProperties-Objekte
Legen Sie die mediaType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Image-:
{
"annotationType": "string",
"mediaType": "Image"
}
Verwenden Sie für Text:
{
"annotationType": "string",
"mediaType": "Text"
}
ScheduleActionBase-Objekte
Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für CreateJob-:
{
"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
}
}
Verwenden Sie für CreateMonitor-:
{
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSetting": {
"alertNotificationType": "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
},
"computeId": "string",
"monitoringTarget": "string",
"signals": {
"{customized property}": {
"lookbackPeriod": "string",
"mode": "string",
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
}
Verwenden Sie für ImportData-:
{
"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"
}
}
}
Verwenden Sie für InvokeBatchEndpoint-:
{
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
}
DataDriftMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
"dataType": "Categorical",
"metric": "string"
}
Verwenden Sie für numerischen:
{
"dataType": "Numerical",
"metric": "string"
}
DistributionConfiguration-Objekte
Legen Sie die eigenschaft distributionType fest, um den Objekttyp anzugeben.
Verwenden Sie für Mpi:
{
"distributionType": "Mpi",
"processCountPerInstance": "int"
}
Verwenden Sie für PyTorch:
{
"distributionType": "PyTorch",
"processCountPerInstance": "int"
}
Verwenden Sie für Ray:
{
"address": "string",
"dashboardPort": "int",
"distributionType": "Ray",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
}
Verwenden Sie für TensorFlow-:
{
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
}
TargetLags-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
"mode": "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
"mode": "Custom",
"values": [ "int" ]
}
ForecastHorizon-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
"mode": "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
"mode": "Custom",
"value": "int"
}
TargetRollingWindowSize-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
"mode": "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
"mode": "Custom",
"value": "int"
}
IdentityConfiguration-Objekte
Legen Sie die identityType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AMLToken:
{
"identityType": "AMLToken"
}
Verwenden Sie für verwaltete:
{
"clientId": "string",
"identityType": "Managed",
"objectId": "string",
"resourceId": "string"
}
Verwenden Sie für UserIdentity-:
{
"identityType": "UserIdentity"
}
Eigenschaftswerte
AllFeatures
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | "AllFeatures" (erforderlich) |
AllNodes
| Name | Beschreibung | Wert |
|---|---|---|
| nodesValueType | [Erforderlich] Typ des Knotenwerts | "Alle" (erforderlich) |
AmlToken
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "AMLToken" (erforderlich) |
AutoDeleteSetting
| Name | Beschreibung | Wert |
|---|---|---|
| Zustand | Wann überprüft werden soll, ob eine Ressource abgelaufen ist | 'CreatedGreaterThan' "LastAccessedGreaterThan" |
| Wert | Ablaufbedingungswert. | Schnur |
AutoForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. | "Auto" (erforderlich) |
AutologgerSettings
| Name | Beschreibung | Wert |
|---|---|---|
| mlflowAutologger | [Erforderlich] Gibt an, ob mlflow autologger aktiviert ist. | "Deaktiviert" "Aktiviert" (erforderlich) |
AutoMLJob
| Name | Beschreibung | Wert |
|---|---|---|
| environmentId | Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt. |
Schnur |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | AutoMLJobEnvironmentVariables |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | 'AutoML' (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | AutoMLJobOutputs |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
| taskDetails | [Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann. | AutoMLVertical- (erforderlich) |
AutoMLJobEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
AutoMLJobOutputs
| Name | Beschreibung | Wert |
|---|
AutoMLVertical
| Name | Beschreibung | Wert |
|---|---|---|
| logVerbosity | Protokoll-Ausführlichkeit für den Auftrag. | "Kritisch" "Debuggen" 'Fehler' 'Info' 'NotSet' "Warnung" |
| targetColumnName | Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten. Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet. |
Schnur |
| taskType | Legen Sie für den Typ Klassifizierungauf "Klassifizierung" fest. Legen Sie für den Typ Prognoseauf "Prognose" fest. Legen Sie für den Typ ImageClassification-auf "ImageClassification" fest. Legen Sie für den Typ ImageClassificationMultilabelauf 'ImageClassificationMultilabel' fest. Legen Sie für den Typ ImageInstanceSegmentationauf "ImageInstanceSegmentation" fest. Legen Sie für den Typ ImageObjectDetection-auf "ImageObjectDetection" fest. Set to 'Regression' for type Regression. Legen Sie für den Typ TextClassification-auf "TextClassification" fest. Legen Sie für den Typ TextClassificationMultilabelauf 'TextClassificationMultilabel' fest. Legen Sie für den Typ TextNer-auf "TextNER" fest. | "Klassifizierung" "Prognose" 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Regression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (erforderlich) |
| trainingData | [Erforderlich] Eingabe von Schulungsdaten. | MLTableJobInput- (erforderlich) |
AutoNCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. | "Auto" (erforderlich) |
AutoSeasonalität
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Saisonalitätsmodus. | "Auto" (erforderlich) |
AutoTargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert | "Auto" (erforderlich) |
AutoTargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. | "Auto" (erforderlich) |
AzMonMonitoringAlertNotificationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "AzureMonitor" (erforderlich) |
AzureDevOpsWebhook
| Name | Beschreibung | Wert |
|---|---|---|
| webhookType | [Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll. | "AzureDevOps" (erforderlich) |
BanditPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "Bandit" (erforderlich) |
| slackAmount | Absoluter Abstand, der vom besten Lauf erlaubt ist. | Int |
| slackFactor | Verhältnis des zulässigen Abstands vom besten Lauf. | Int |
BayesianSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Bayesian" (erforderlich) |
CategoricalDataDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Datenabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' "PopulationStabilityIndex" (erforderlich) |
CategoricalDataQualityMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Datenqualitätsmetrik, die berechnet werden soll. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (erforderlich) |
CategoricalPredictionDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Vorhersageabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' "PopulationStabilityIndex" (erforderlich) |
Klassifikation
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| positiveLabel | Positive Bezeichnung für die Berechnung binärer Metriken. | Schnur |
| primaryMetric | Primäre Metrik für den Vorgang. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Klassifizierung" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | ClassificationTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
ClassificationModelPerformanceMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die zu berechnende Klassifizierungsmodellleistung. | "Genauigkeit" 'F1Score' "Genauigkeit" "Rückruf" (erforderlich) |
| modelType | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Klassifizierung" (erforderlich) |
ClassificationTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für klassifizierungsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier' |
| blockedTrainingAlgorithms | Blockierte Modelle für klassifizierungsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
ColumnTransformer
| Name | Beschreibung | Wert |
|---|---|---|
| Felder | Felder, auf die Transformatorlogik angewendet werden soll. | string[] |
| Parameter | Verschiedene Eigenschaften, die an Transformator übergeben werden sollen. Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format. |
jegliche |
CommandJob
| Name | Beschreibung | Wert |
|---|---|---|
| autologgerSettings | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. | AutologgerSettings |
| codeId | ARM-Ressourcen-ID der Coderessource. | Schnur |
| Befehl | [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Verteilung | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch, Ray oder Null sein. | DistributionConfiguration- |
| environmentId | [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | CommandJobEnvironmentVariables |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | CommandJobInputs- |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | 'Befehl' (erforderlich) |
| grenzen | Befehlsauftragslimit. | CommandJobLimits- |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | CommandJobOutputs- |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
CommandJobEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
CommandJobInputs
| Name | Beschreibung | Wert |
|---|
CommandJobLimits
| Name | Beschreibung | Wert |
|---|---|---|
| jobLimitsType | [Erforderlich] JobLimit-Typ. | 'Befehl' "Aufräumen" (erforderlich) |
| Zeitüberschreitung | Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. | Schnur |
CommandJobOutputs
| Name | Beschreibung | Wert |
|---|
CreateMonitorAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'CreateMonitor' (erforderlich) |
| monitorDefinition | [Erforderlich] Definiert den Monitor. | MonitorDefinition- (erforderlich) |
CronTrigger
| Name | Beschreibung | Wert |
|---|---|---|
| Ausdruck | [Erforderlich] Gibt den Cronausdruck des Zeitplans an. Der Ausdruck sollte dem NCronTab-Format folgen. |
Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| triggerType | [Erforderlich] | "Cron" (erforderlich) |
CustomForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] Prognosehorizontwert. | int (erforderlich) |
CustomMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die benutzerdefinierte Metrik, die berechnet werden soll. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
CustomModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
CustomModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
CustomMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| componentId | [Erforderlich] ARM-Ressourcen-ID der Komponentenressource, die zum Berechnen der benutzerdefinierten Metriken verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| inputAssets | Überwachen von Ressourcen, die als Eingabe verwendet werden sollen. Der Schlüssel ist der Name des Komponenteneingabeports, der Wert ist die Datenressource. | CustomMonitoringSignalInputAssets |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | CustomMetricThreshold[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "Benutzerdefiniert" (erforderlich) |
CustomMonitoringSignalInputAssets
| Name | Beschreibung | Wert |
|---|
CustomNCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] N-Kreuzüberprüfungswert. | int (erforderlich) |
CustomSeasonality
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Saisonalitätsmodus. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] Saisonalitätswert. | int (erforderlich) |
CustomTargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert | "Benutzerdefiniert" (erforderlich) |
| Werte | [Erforderlich] Festlegen von Zielverzögerungswerten | int[] (erforderlich) |
CustomTargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] TargetRollingWindowSize-Wert. | int (erforderlich) |
DatabaseSource
| Name | Beschreibung | Wert |
|---|---|---|
| Frage | SQL Query-Anweisung für die Datenbankquelle für den Datenimport | Schnur |
| sourceType | [Erforderlich] Gibt den Datentyp an. | 'Datenbank' (erforderlich) |
| storedProcedure | SQL StoredProcedure für die Datenbankquelle des Datenimports | Schnur |
| storedProcedureParams | SQL StoredProcedure-Parameter | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Name der Tabelle für die Datenbankquelle für den Datenimport | Schnur |
DatabaseSourceStoredProcedureParamsItem
| Name | Beschreibung | Wert |
|---|
DataDriftMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Legen Sie für den Typ CategoricalDataDriftMetricThresholdauf "Categorical" fest. Legen Sie für den Typ NumerischDataDriftMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
DataDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| dataSegment | Das Datensegment, das für die Bereichsdefinition für eine Teilmenge der Datenpopulation verwendet wird. | MonitoringDataSegment- |
| Funktionen | Der Featurefilter, der angibt, welches Feature die Abweichung berechnen soll. | MonitoringFeatureFilterBase- |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | DataDriftMetricThresholdBase[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'DataDrift' (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
DataImport
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Name des zu erstellenden Datenimportauftrags | Schnur |
| autoDeleteSetting | Gibt die Lebenszykluseinstellung der verwalteten Datenressource an. | AutoDeleteSetting- |
| Datatype | [Erforderlich] Gibt den Datentyp an. | "mltable" "uri_file" "uri_folder" (erforderlich) |
| dataUri | [Erforderlich] URI der Daten. Beispiel: https://go.microsoft.com/fwlink/?linkid=2202330 | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| intellectualProperty | Details zum geistigen Eigentum. Wird verwendet, wenn Daten ein geistiges Eigentum sind. | IntellectualProperty |
| isAnonymous | Wenn die Namensversion vom System generiert wird (anonyme Registrierung). Für Typen, bei denen Phase definiert ist, wird sie verwendet, um IsAnonymous zu füllen, wenn "Phase" bereitgestellt wird. | Bool |
| isArchived | Ist die Ressource archiviert? Für Typen, in denen "Phase" definiert ist, wird die Phase zum Auffüllen von IsArchived verwendet. | Bool |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| Quelle | Quelldaten des zu importierenden Assets aus | DataImportSource- |
| Bühne | Phase des Datenlebenszyklus, der dieser Datenressource zugewiesen ist | Schnur |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
DataImportSource
| Name | Beschreibung | Wert |
|---|---|---|
| Verbindung | Arbeitsbereichsverbindung für den Datenquellenimportspeicher | Schnur |
| sourceType | Legen Sie für den Typ DatabaseSource-auf "Datenbank" fest. Legen Sie für den Typ FileSystemSource-auf "file_system" fest. | 'Datenbank' "file_system" (erforderlich) |
DataQualityMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Set to 'Categorical' for type CategoricalDataQualityMetricThreshold. Legen Sie für den Typ NumerischDataQualityMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
DataQualityMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| Funktionen | Die Features zum Berechnen der Abweichung. | MonitoringFeatureFilterBase- |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | DataQualityMetricThresholdBase[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'DataQuality' (erforderlich) |
| targetData | [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
DistributionConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | Set to 'Mpi' for type Mpi. Auf 'PyTorch' für typ PyTorchfestgelegt. Legen Sie für den Typ Rayauf "Ray" fest. Legen Sie für den Typ TensorFlowauf "TensorFlow" fest. | "Mpi" 'PyTorch' "Ray" "TensorFlow" (erforderlich) |
EarlyTerminationPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| delayEvaluation | Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll. | Int |
| evaluationInterval | Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen. | Int |
| policyType | Set to 'Bandit' for type BanditPolicy. Legen Sie für den Typ MedianStoppingPolicyauf "MedianStoppingPolicy" fest. Legen Sie für den Typ TruncationSelectionPolicyauf "TruncationSelectionSelectionPolicy" fest. | "Bandit" "MedianStopping" "TruncationSelection" (erforderlich) |
EmailMonitoringAlertNotificationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "E-Mail" (erforderlich) |
| emailNotificationSetting | Konfiguration für Benachrichtigung. | NotificationSetting- |
EndpointScheduleAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'InvokeBatchEndpoint' (erforderlich) |
| endpointInvocationDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. <siehe href="TBD" /> |
beliebig (erforderlich) |
FeatureAttributionDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| MetrikThreshold | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | FeatureAttributionMetricThreshold (erforderlich) |
| modelType | [Erforderlich] Der Typ der Aufgabe, die das Modell ausführt. | "Klassifizierung" "Regression" (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'FeatureAttributionDrift' (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
FeatureAttributionMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die Zuschreibungsmetrik der Funktion, die berechnet werden soll. | "NormalizedDiscountedCumulativeGain" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
FeatureSubset
| Name | Beschreibung | Wert |
|---|---|---|
| Funktionen | [Erforderlich] Die Liste der einzuschließden Features. | string[] (erforderlich) |
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | 'FeatureSubset' (erforderlich) |
FileSystemSource
| Name | Beschreibung | Wert |
|---|---|---|
| Pfad | Pfad zur Datenquelle für den Datenimport von FileSystem | Schnur |
| sourceType | [Erforderlich] Gibt den Datentyp an. | "file_system" (erforderlich) |
ForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoForecastHorizonauf "Auto" fest. Legen Sie für den Typ CustomForecastHorizonauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
Prognose
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| forecastingSettings | Vorhersageaufgabenspezifische Eingaben. | ForecastingSettings |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| primaryMetric | Primäre Metrik für den Prognosevorgang. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Prognose" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | ForecastingTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
ForecastingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| countryOrRegionForHolidays | Land oder Region für Feiertage für Prognosevorgänge. Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt. |
Schnur |
| cvStepSize | Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für Wenn z. B. CVStepSize = 3 für tägliche Daten ist die Ursprungszeit für jede Faltungdrei Tage auseinander. |
Int |
| featureLags | Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL. | "Auto" 'None' |
| featuresUnknownAtForecastTime | Die Featurespalten, die für Schulungen verfügbar sind, aber zum Zeitpunkt der Prognose/Rückschluss unbekannt sind. Wenn features_unknown_at_forecast_time nicht festgelegt ist, wird davon ausgegangen, dass alle Featurespalten im Dataset zur Folgezeit bekannt sind. |
string[] |
| forecastHorizon | Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit. | ForecastHorizon |
| Frequenz | Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit. | Schnur |
| saisonalität | Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest. Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet. |
Saisonalität |
| shortSeriesHandlingConfig | Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll. | "Auto" 'Drop' 'None' "Pad" |
| targetAggregateFunction | Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen. Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean". |
"Max" "Mittelwert" "Min" 'None' "Summe" |
| targetLags | Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen. | TargetLags- |
| targetRollingWindowSize | Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden. | TargetRollingWindowSize- |
| timeColumnName | Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten. | Schnur |
| timeSeriesIdColumnNames | Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen. Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet. |
string[] |
| useStl | Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe. | 'None' "Saison" "SeasonTrend" |
ForecastingTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für den Prognosevorgang. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "Saisonalwert" "Saisonnaive" "SGD" 'TCNForecaster' 'XGBoostRegressor' |
| blockedTrainingAlgorithms | Blockierte Modelle für den Prognosevorgang. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "Saisonalwert" "Saisonnaive" "SGD" 'TCNForecaster' 'XGBoostRegressor' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
GridSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Raster" (erforderlich) |
IdentityConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | Legen Sie für den Typ AmlTokenauf "AMLToken" fest. Legen Sie für den Typ ManagedIdentity-auf "Verwaltet" fest. Legen Sie für den Typ UserIdentity-auf "UserIdentity" fest. | "AMLToken" "Verwaltet" "UserIdentity" (erforderlich) |
ImageClassification
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsClassification- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageClassification' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageClassificationMultilabel
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsClassification- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageClassificationMultilabel' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageInstanceSegmentation
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsObjectDetection- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "MeanAveragePrecision" |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageInstanceSegmentation' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| maxConcurrentTrials | Maximale Anzahl gleichzeitiger AutoML-Iterationen. | Int |
| maxTrials | Maximale Anzahl von AutoML-Iterationen. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
ImageModelDistributionSettingsClassification
| Name | Beschreibung | Wert |
|---|---|---|
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Schnur |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| verteilt | Gibt an, ob die Verteilungsschulung verwendet werden soll. | Schnur |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Schnur |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Schnur |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Schnur |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Schnur |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Schnur |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Schnur |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | Schnur |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Schnur |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Schnur |
| Optimierer | Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. | Schnur |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Schnur |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Schnur |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Schnur |
| trainingCropSize | Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. | Schnur |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Schnur |
| validationCropSize | Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. | Schnur |
| validationResizeSizeSize | Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. | Schnur |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Schnur |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Schnur |
| weightedLoss | Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein. |
Schnur |
ImageModelDistributionSettingsObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Schnur |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| boxDetectionsPerImage | Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| boxScoreThreshold | Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1]. |
Schnur |
| verteilt | Gibt an, ob die Verteilungsschulung verwendet werden soll. | Schnur |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Schnur |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Schnur |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Schnur |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Schnur |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Schnur |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Schnur |
| imageSize | Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | Schnur |
| maxSize | Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| minSize | Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| modelSize | Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| MultiScale | Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Schnur |
| nmsIouThreshold | IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Schnur |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Schnur |
| Optimierer | Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. | Schnur |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Schnur |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Schnur |
| tileGridSize | Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tileOverlapRatio | Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tilePredictionsNmsThreshold | Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. NMS: Nicht maximale Unterdrückung |
Schnur |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Schnur |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Schnur |
| validationIouThreshold | IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. | Schnur |
| validationMetricType | Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein. | Schnur |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Schnur |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Schnur |
ImageModelSettingsClassification
| Name | Beschreibung | Wert |
|---|---|---|
| advancedSettings | Einstellungen für erweiterte Szenarien. | Schnur |
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Bool |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| checkpointFrequency | Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. | Int |
| checkpointModel | Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. | MLFlowModelJobInput |
| checkpointRunId | Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. | Schnur |
| verteilt | Gibt an, ob verteilte Schulungen verwendet werden sollen. | Bool |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Bool |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Int |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Int |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Bool |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Int |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Int |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | 'None' "Schritt" "WarmupCosine" |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Bool |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Int |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Int |
| Optimierer | Typ des Optimierrs. | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Int |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Int |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Int |
| trainingCropSize | Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. | Int |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Int |
| validationCropSize | Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. | Int |
| validationResizeSizeSize | Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. | Int |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Int |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Int |
| weightedLoss | Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein. |
Int |
ImageModelSettingsObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| advancedSettings | Einstellungen für erweiterte Szenarien. | Schnur |
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Bool |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| boxDetectionsPerImage | Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| boxScoreThreshold | Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1]. |
Int |
| checkpointFrequency | Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. | Int |
| checkpointModel | Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. | MLFlowModelJobInput |
| checkpointRunId | Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. | Schnur |
| verteilt | Gibt an, ob verteilte Schulungen verwendet werden sollen. | Bool |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Bool |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Int |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Int |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Bool |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Int |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Int |
| imageSize | Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Int |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | 'None' "Schritt" "WarmupCosine" |
| logTrainingMetrics | Aktivieren Sie Computer- und Protokollierungsschulungsmetriken. | "Deaktivieren" "Aktivieren" |
| logValidationLoss | Aktivieren Sie Computer- und Protokollierungsüberprüfungsverluste. | "Deaktivieren" "Aktivieren" |
| maxSize | Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| minSize | Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| modelSize | Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
"ExtraLarge" "Groß" "Mittel" 'None' "Klein" |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| MultiScale | Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Bool |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Bool |
| nmsIouThreshold | IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Int |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Int |
| Optimierer | Typ des Optimierrs. | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Int |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Int |
| tileGridSize | Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tileOverlapRatio | Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| tilePredictionsNmsThreshold | Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Int |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Int |
| validationIouThreshold | IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. | Int |
| validationMetricType | Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. | "Coco" "CocoVoc" 'None' "Voc" |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Int |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Int |
ImageObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsObjectDetection- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "MeanAveragePrecision" |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageObjectDetection' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie zur vorzeitigen Beendigung. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
ImportDataAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'ImportData' (erforderlich) |
| dataImportDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. | DataImport- (erforderlich) |
IntellectualProperty
| Name | Beschreibung | Wert |
|---|---|---|
| protectionLevel | Schutzebene des geistigen Eigentums. | "Alle" 'None' |
| Verlag | [Erforderlich] Herausgeber des geistigen Eigentums. Muss mit dem Namen des Registrierungsherausgebers identisch sein. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
JobBaseProperties
| Name | Beschreibung | Wert |
|---|---|---|
| componentId | ARM-Ressourcen-ID der Komponentenressource. | Schnur |
| computeId | ARM-Ressourcen-ID der Computeressource. | Schnur |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| displayName | Anzeigename des Auftrags. | Schnur |
| experimentName | Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert. | Schnur |
| Identität | Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null. |
IdentityConfiguration- |
| isArchived | Ist die Ressource archiviert? | Bool |
| jobType | Legen Sie für den Typ AutoMLJob-auf "AutoML" fest. Legen Sie für den Typ CommandJob-auf "Befehl" fest. Legen Sie für den Typ LabelingJobPropertiesauf "Bezeichnung" fest. Set to 'Pipeline' for type PipelineJob. Set to 'Spark' for type SparkJob. Legen Sie für den Typ SweepJob-auf "Aufräumen" fest. | 'AutoML' 'Befehl' "Bezeichnung" 'Pipeline' "Spark" "Aufräumen" (erforderlich) |
| notificationSetting | Benachrichtigungseinstellung für den Auftrag | NotificationSetting- |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| secretsConfiguration | Konfiguration für geheime Schlüssel, die während der Laufzeit zur Verfügung gestellt werden sollen. | JobBaseSecretsConfiguration |
| Dienste | Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject. |
JobBaseServices- |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
JobBaseSecretsConfiguration
| Name | Beschreibung | Wert |
|---|
JobBaseServices
| Name | Beschreibung | Wert |
|---|
JobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | Legen Sie für den Typ CustomModelJobInput-auf "custom_model" fest. Legen Sie für den Typ LiteralJobInputauf "literal" fest. Legen Sie für den Typ MLFlowModelJobInput-auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobInputauf "mltable" fest. Legen Sie für den Typ TritonModelJobInputauf "triton_model" fest. Legen Sie für den Typ UriFileJobInput-auf "uri_file" fest. Legen Sie für den Typ UriFolderJobInput-auf "uri_folder" fest. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
JobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Ausgabe. | Schnur |
| jobOutputType | Legen Sie für den Typ CustomModelJobOutputauf "custom_model" fest. Legen Sie für den Typ MLFlowModelJobOutputauf "mlflow_model" fest. Legen Sie für den Typ MLTableJobOutputauf "mltable" fest. Legen Sie für den Typ TritonModelJobOutputauf "triton_model" fest. Legen Sie für den Typ UriFileJobOutput-auf "uri_file" auf "uri_file" fest. Legen Sie für den Typ UriFolderJobOutputauf "uri_folder" fest. | "custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
JobResourceConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| dockerArgs | Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. | Schnur |
| instanceCount | Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden. | Int |
| instanceType | Optionaler Vm-Typ, der vom Computeziel unterstützt wird. | Schnur |
| Orte | Speicherorte, an denen der Auftrag ausgeführt werden kann. | string[] |
| maxInstanceCount | Optionale maximal zulässige Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden sollen. Zur Verwendung mit elastischem Training wird derzeit nur der PyTorch-Verteilungstyp unterstützt. |
Int |
| Eigenschaften | Zusätzlicher Eigenschaftenbehälter. | ResourceConfigurationProperties- |
| shmSize | Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann. | Schnur Zwänge: Pattern = \d+[bBkKmMgG] |
JobScheduleAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'CreateJob' (erforderlich) |
| jobDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. | JobBaseProperties- (erforderlich) |
JobService
| Name | Beschreibung | Wert |
|---|---|---|
| Endpunkt | URL für Endpunkt. | Schnur |
| jobServiceType | Endpunkttyp. | Schnur |
| Knoten | Knoten, auf denen der Benutzer den Dienst starten möchte. Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet. |
Nodes |
| Hafen | Port für Endpunkt, der vom Benutzer festgelegt wurde. | Int |
| Eigenschaften | Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen. | JobServiceProperties |
JobServiceProperties
| Name | Beschreibung | Wert |
|---|
LabelCategory
| Name | Beschreibung | Wert |
|---|---|---|
| Klassen | Wörterbuch der Bezeichnungsklassen in dieser Kategorie. | LabelCategoryClasses |
| displayName | Anzeigename der Bezeichnungskategorie. | Schnur |
| multiSelect | Gibt an, ob mehrere Klassen in dieser Kategorie ausgewählt werden dürfen. | "Deaktiviert" "Aktiviert" |
LabelCategoryClasses
| Name | Beschreibung | Wert |
|---|
LabelClass
| Name | Beschreibung | Wert |
|---|---|---|
| displayName | Anzeigename der Bezeichnungsklasse. | Schnur |
| Unterklassen | Wörterbuch der Unterklassen der Bezeichnungsklasse. | LabelClassSubclasses |
LabelClassSubclasses
| Name | Beschreibung | Wert |
|---|
LabelingDataConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| dataId | Ressourcen-ID der Datenressource zum Ausführen der Bezeichnung. | Schnur |
| inkrementelleDataRefresh | Gibt an, ob die inkrementelle Datenaktualisierung aktiviert werden soll. | "Deaktiviert" "Aktiviert" |
LabelingJobImageProperties
| Name | Beschreibung | Wert |
|---|---|---|
| annotationType | Anmerkungstyp des Bildbezeichnungsauftrags. | "BoundingBox" "Klassifizierung" 'InstanceSegmentation' |
| mediaType | [Erforderlich] Medientyp des Auftrags. | "Image" (erforderlich) |
LabelingJobInstructions
| Name | Beschreibung | Wert |
|---|---|---|
| Uri | Der Link zu einer Seite mit detaillierten Bezeichnungsanweisungen für Bezeichnungen. | Schnur |
LabelingJobLabelCategories
| Name | Beschreibung | Wert |
|---|
LabelingJobMediaProperties
| Name | Beschreibung | Wert |
|---|---|---|
| mediaType | Legen Sie für den Typ LabelingJobImagePropertiesauf "Image" fest. Legen Sie für den Typ LabelingJobTextPropertiesauf "Text" fest. | "Bild" "Text" (erforderlich) |
LabelingJobProperties
| Name | Beschreibung | Wert |
|---|---|---|
| dataConfiguration | Konfiguration der im Auftrag verwendeten Daten. | LabelingDataConfiguration- |
| jobInstructions | Bezeichnungsanweisungen des Auftrags. | LabelingJobInstructions |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Bezeichnung" (erforderlich) |
| labelCategories | Bezeichnungskategorien des Auftrags. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Medientypspezifische Eigenschaften im Auftrag. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguration der MLAssist-Funktion im Auftrag. | MLAssistConfiguration |
LabelingJobTextProperties
| Name | Beschreibung | Wert |
|---|---|---|
| annotationType | Anmerkungstyp des Textbezeichnungsauftrags. | "Klassifizierung" 'NamedEntityRecognition' |
| mediaType | [Erforderlich] Medientyp des Auftrags. | "Text" (erforderlich) |
LiteralJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "literal" (erforderlich) |
| Wert | [Erforderlich] Literalwert für die Eingabe. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
ManagedIdentity
| Name | Beschreibung | Wert |
|---|---|---|
| clientId | Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "Verwaltet" (erforderlich) |
| objectId | Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur |
MedianStoppingPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "MedianStopping" (erforderlich) |
Microsoft.MachineLearningServices/workspaces/schedules
| Name | Beschreibung | Wert |
|---|---|---|
| apiVersion | Die API-Version | "2023-04-01-preview" |
| Name | Der Ressourcenname | Schnur Zwänge: Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich) |
| Eigenschaften | [Erforderlich] Zusätzliche Attribute der Entität. | ScheduleProperties- (erforderlich) |
| Art | Der Ressourcentyp | "Microsoft.MachineLearningServices/workspaces/schedules" |
MLAssistConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| mlAssist | Legen Sie für den Typ MLAssistConfigurationDisabledauf "Deaktiviert" fest. Set to 'Enabled' for type MLAssistConfigurationEnabled. | "Deaktiviert" "Aktiviert" (erforderlich) |
MLAssistConfigurationDisabled
| Name | Beschreibung | Wert |
|---|---|---|
| mlAssist | [Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist. | "Deaktiviert" (erforderlich) |
MLAssistConfigurationEnabled
| Name | Beschreibung | Wert |
|---|---|---|
| inferencingComputeBinding | [Erforderlich] AML-Computebindung, die bei der Ableitung verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| mlAssist | [Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist. | "Aktiviert" (erforderlich) |
| trainingComputeBinding | [Erforderlich] Im Training verwendete AML-Computebindung. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "mlflow_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "mlflow_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
MLTableJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLTableJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "mltable" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLTableJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "mltable" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
ModelPerformanceMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| modelType | Legen Sie für den Typ ClassificationModelPerformanceMetricThresholdauf "Classification" fest. Set to 'Regression' for type RegressionModelPerformanceMetricThreshold. | "Klassifizierung" "Regression" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
ModelPerformanceSignalBase
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| dataSegment | Das Datensegment. | MonitoringDataSegment- |
| MetrikThreshold | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | ModelPerformanceMetricThresholdBase- (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'ModelPerformance' (erforderlich) |
| targetData | [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
MonitorDefinition
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationSetting | Die Benachrichtigungseinstellungen des Monitors. | MonitoringAlertNotificationSettingsBase- |
| computeId | [Erforderlich] Die ARM-Ressourcen-ID der Computeressource, auf der der Überwachungsauftrag ausgeführt werden soll. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| monitoringTarget | Die ARM-Ressourcen-ID des Modells oder der Bereitstellung, die von diesem Monitor gezielt ist. | Schnur |
| Signale | [Erforderlich] Die zu überwachenden Signale. | MonitorDefinitionSignals (erforderlich) |
MonitorDefinitionSignals
| Name | Beschreibung | Wert |
|---|
MonitoringAlertNotificationSettingsBase
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | Legen Sie für den Typ AzMonMonitoringAlertNotificationSettingsauf "AzureMonitor" fest. Legen Sie für den Typ EmailMonitoringAlertNotificationSettingsauf "Email" fest. | "AzureMonitor" "E-Mail" (erforderlich) |
MonitoringDataSegment
| Name | Beschreibung | Wert |
|---|---|---|
| Merkmal | Das Feature zum Segmentieren der Daten. | Schnur |
| Werte | Filtert nur nach den angegebenen Werten des angegebenen segmentierten Features. | string[] |
MonitoringFeatureFilterBase
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | Set to 'AllFeatures' for type AllFeatures. Set to 'FeatureSubset' for type FeatureSubset. Legen Sie für den Typ TopNFeaturesByAttributionauf "TopNByAttribution" fest. | "AllFeatures" 'FeatureSubset' "TopNByAttribution" (erforderlich) |
MonitoringInputData
| Name | Beschreibung | Wert |
|---|---|---|
| Vermögenswert | Die Datenobjekteingabe, die vom Überwachungsauftrag genutzt werden soll. | jegliche |
| dataContext | [Erforderlich] Der Kontext der Datenquelle. | "GroundTruth" 'ModelInputs' 'ModelOutputs' "Test" "Schulung" "Validierung" (erforderlich) |
| preprocessingComponentId | Die ARM-Ressourcen-ID der Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. | Schnur |
| targetColumnName | Die Zielspalte in der angegebenen Datenressource, die genutzt werden soll. | Schnur |
MonitoringSignalBase
| Name | Beschreibung | Wert |
|---|---|---|
| lookbackPeriod | Die Zeitspanne, die ein einzelner Monitor auf die Zieldaten eines bestimmten Laufs zurückblicken sollte. | Schnur |
| Modus | Der aktuelle Benachrichtigungsmodus für dieses Signal. | "Deaktiviert" "Aktiviert" |
| signalType | Legen Sie für den Typ CustomMonitoringSignalauf "Benutzerdefiniert" fest. Legen Sie 'DataDrift' für den Typ DataDriftMonitoringSignalfest. Legen Sie "DataQuality" für den Typ DataQualityMonitoringSignalfest. Set to 'FeatureAttributionDrift' for type FeatureAttributionDriftMonitoringSignal. Set to 'ModelPerformance' for type ModelPerformanceSignalBase. Set to 'PredictionDrift' for type PredictionDriftMonitoringSignal. | 'Benutzerdefiniert' 'DataDrift' "DataQuality" 'FeatureAttributionDrift' 'ModelPerformance' "PredictionDrift" (erforderlich) |
MonitoringThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Wert | Der Schwellenwert. Wenn NULL, ist der Setstandard vom Metriktyp abhängig. | Int |
Mpi
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "Mpi" (erforderlich) |
| processCountPerInstance | Anzahl der Prozesse pro MPI-Knoten. | Int |
NCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoNCrossValidationsauf "Auto" fest. Legen Sie für den Typ CustomNCrossValidations-auf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
NlpFixedParameters
| Name | Beschreibung | Wert |
|---|---|---|
| gradientAccumulationSteps | Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs. | Int |
| learningRate | Die Lernrate für das Trainingsverfahren. | Int |
| learningRateScheduler | Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll. | 'Konstante' 'ConstantWithWarmup' "Kosinus" "CosineWithRestarts" "Linear" 'None' "Polynomisch" |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. | Int |
| trainingBatchSize | Die Batchgröße für den Schulungsvorgang. | Int |
| validationBatchSize | Die Batchgröße, die während der Auswertung verwendet werden soll. | Int |
| warmupRatio | Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird. | Int |
| weightDecay | Das Gewicht verfallen für das Trainingsverfahren. | Int |
NlpParameterSubspace
| Name | Beschreibung | Wert |
|---|---|---|
| gradientAccumulationSteps | Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Schnur |
| learningRateScheduler | Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll. | Schnur |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. | Schnur |
| trainingBatchSize | Die Batchgröße für den Schulungsvorgang. | Schnur |
| validationBatchSize | Die Batchgröße, die während der Auswertung verwendet werden soll. | Schnur |
| warmupRatio | Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird. | Schnur |
| weightDecay | Das Gewicht verfallen für das Trainingsverfahren. | Schnur |
NlpSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ des Samplingalgorithmus. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
NlpVerticalFeaturizationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| datasetLanguage | Datasetsprache, nützlich für die Textdaten. | Schnur |
NlpVerticalLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| maxConcurrentTrials | Maximale anzahl gleichzeitige AutoML-Iterationen. | Int |
| maxNodes | Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen. | Int |
| maxTrials | Anzahl der AutoML-Iterationen. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
| trialTimeout | Timeout für einzelne HD-Testversionen. | Schnur |
Knoten
| Name | Beschreibung | Wert |
|---|---|---|
| nodesValueType | Set to 'All' for type AllNodes. | "Alle" (erforderlich) |
NotificationSetting
| Name | Beschreibung | Wert |
|---|---|---|
| emailOn | Senden einer E-Mail-Benachrichtigung an den Benutzer im angegebenen Benachrichtigungstyp | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'JobCancelled' 'JobCompleted' 'JobFailed' |
| E-Mails | Dies ist die E-Mail-Empfängerliste, die eine Beschränkung von 499 Zeichen insgesamt mit Kommatrennzeichen hat. | string[] |
| Webhooks | Senden eines Webhook-Rückrufs an einen Dienst. Der Schlüssel ist ein vom Benutzer bereitgestellter Name für den Webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Name | Beschreibung | Wert |
|---|
NumerischDataDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die numerische Datenabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' "TwoSampleKolmogorovSmirnovTest" (erforderlich) |
NumerischDataQualityMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die zu berechnende numerische Datenqualitätsmetrik. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (erforderlich) |
NumerischPredictionDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die zu berechnende numerische Vorhersageabweichungsmetrik. | 'JensenShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' "TwoSampleKolmogorovSmirnovTest" (erforderlich) |
Objektiv
| Name | Beschreibung | Wert |
|---|---|---|
| Ziel | [Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung. | "Maximieren" "Minimieren" (erforderlich) |
| primaryMetric | [Erforderlich] Name der zu optimierenden Metrik. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
PipelineJob
| Name | Beschreibung | Wert |
|---|---|---|
| Eingänge | Eingaben für den Pipelineauftrag. | PipelineJobInputs- |
| arbeitsplätze | Aufträge konstruieren den Pipelineauftrag. | PipelineJobJobs- |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Pipeline" (erforderlich) |
| Ausgaben | Ausgaben für den Pipelineauftrag | PipelineJobOutputs |
| Einstellungen | Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw. | jegliche |
| sourceJobId | ARM-Ressourcen-ID des Quellauftrags. | Schnur |
PipelineJobInputs
| Name | Beschreibung | Wert |
|---|
PipelineJobJobs
| Name | Beschreibung | Wert |
|---|
PipelineJobOutputs
| Name | Beschreibung | Wert |
|---|
PredictionDriftMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Legen Sie für den Typ CategoricalPredictionDriftMetricThresholdauf "Categorical" fest. Legen Sie für den Typ NumerischPredictionDriftMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
PredictionDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | PredictionDriftMetricThresholdBase[] (erforderlich) |
| modelType | [Erforderlich] Der Typ des überwachten Modells. | "Klassifizierung" "Regression" (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "PredictionDrift" (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
PyTorch
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | 'PyTorch' (erforderlich) |
| processCountPerInstance | Anzahl der Prozesse pro Knoten. | Int |
QueueSettings
| Name | Beschreibung | Wert |
|---|---|---|
| jobTier | Aufzählung, um die Auftragsebene zu bestimmen. | "Einfach" "Premium" "Spot" "Standard" |
| Priorität | Steuert die Priorität des Auftrags auf einer Berechnung. | Int |
RandomSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| logbase | Eine optionale positive Zahl oder e im Zeichenfolgenformat, die als Basis für die protokollbasierte zufallsbasierte Stichprobe verwendet werden soll | Schnur |
| Regel | Der spezifische Typ des Zufallsalgorithmus | "Zufällig" 'Sobol' |
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Zufällig" (erforderlich) |
| Samen | Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll | Int |
Strahl
| Name | Beschreibung | Wert |
|---|---|---|
| Adresse | Die Adresse des Ray-Kopfknotens. | Schnur |
| dashboardPort | Der Port, an den der Dashboardserver gebunden werden soll. | Int |
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "Ray" (erforderlich) |
| headNodeAdditionalArgs | Zusätzliche Argumente, die an "Ray start" im Kopfknoten übergeben werden. | Schnur |
| includeDashboard | Geben Sie dieses Argument an, um die Ray-Dashboard-GUI zu starten. | Bool |
| Hafen | Der Port des Kopfstrahlprozesses. | Int |
| workerNodeAdditionalArgs | Zusätzliche Argumente, die an "Ray start" im Arbeitsknoten übergeben wurden. | Schnur |
RecurrenceSchedule
| Name | Beschreibung | Wert |
|---|---|---|
| Stunden | [Erforderlich] Liste der Stunden für den Zeitplan. | int[] (erforderlich) |
| Protokoll | [Erforderlich] Liste der Minuten für den Zeitplan. | int[] (erforderlich) |
| monthDays | Liste der Monatstage für den Zeitplan | int[] |
| Wochentage | Liste der Tage für den Zeitplan. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "Freitag" "Montag" "Samstag" "Sonntag" "Donnerstag" "Dienstag" 'Mittwoch' |
RecurrenceTrigger
| Name | Beschreibung | Wert |
|---|---|---|
| Frequenz | [Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans. | "Tag" "Stunde" "Minute" "Monat" "Woche" (erforderlich) |
| Intervall | [Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an. | int (erforderlich) |
| Zeitplan | Der Terminplan der Serie. | RecurrenceSchedule |
| triggerType | [Erforderlich] | "Serie" (erforderlich) |
Regression
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| primaryMetric | Primäre Metrik für Regressionsaufgabe. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Regression" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | RegressionTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
RegressionModelPerformanceMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die zu berechnende Regressionsmodellleistungsmetrik. | "MeanAbsoluteError" "MeanSquaredError" 'RootMeanSquaredError' (erforderlich) |
| modelType | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Regression" (erforderlich) |
RegressionTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für Regressionsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor' |
| blockedTrainingAlgorithms | Blockierte Modelle für Regressionsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceConfigurationProperties
| Name | Beschreibung | Wert |
|---|
SamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | Auf 'Bayesian' für typ BayesianSamplingAlgorithmfestgelegt. Legen Sie für den Typ GridSamplingAlgorithmauf "Grid" fest. Legen Sie für typ RandomSamplingAlgorithmauf "Random" fest. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
ScheduleActionBase
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | Set to 'CreateJob' for type JobScheduleAction. Set to 'CreateMonitor' for type CreateMonitorAction. Legen Sie für den Typ ImportDataAction-auf "ImportDataAction" fest. Legen Sie für den Typ EndpointScheduleAction-auf "InvokeBatchEndpoint" fest. | 'CreateJob' 'CreateMonitor' 'ImportData' 'InvokeBatchEndpoint' (erforderlich) |
ScheduleProperties
| Name | Beschreibung | Wert |
|---|---|---|
| Aktion | [Erforderlich] Gibt die Aktion des Zeitplans an. | ScheduleActionBase- (erforderlich) |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| displayName | Anzeigename des Zeitplans. | Schnur |
| isEnabled | Ist der Zeitplan aktiviert? | Bool |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
| auslösen | [Erforderlich] Gibt die Triggerdetails an. | TriggerBase- (erforderlich) |
Saisonalität
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Wird für den Typ AutoSeasonality-auf "Auto" festgelegt. Für den Typ CustomSeasonality-auf "Benutzerdefiniert" festgelegt. | "Auto" "Benutzerdefiniert" (erforderlich) |
SecretConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| Uri | Geheimer URI. Beispiel-URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
Schnur |
| workspaceSecretName | Der Name des geheimen Schlüssels im Arbeitsbereichsschlüsseltresor. | Schnur |
SparkJob
| Name | Beschreibung | Wert |
|---|---|---|
| Archiv | Archivdateien, die im Auftrag verwendet werden. | string[] |
| Args | Argumente für den Auftrag. | Schnur |
| codeId | [Erforderlich] ARM-Ressourcen-ID der Coderessource. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Conf | Konfigurierte Spark-Eigenschaften. | SparkJobConf- |
| Eintrag | [Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll. | SparkJobEntry- (erforderlich) |
| environmentId | Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur |
| Dateien | Dateien, die im Auftrag verwendet werden. | string[] |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | SparkJobInputs |
| Krüge | Jar-Dateien, die im Auftrag verwendet werden. | string[] |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Spark" (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | SparkJobOutputs |
| pyFiles | Python-Dateien, die im Auftrag verwendet werden. | string[] |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | SparkResourceConfiguration- |
SparkJobConf
| Name | Beschreibung | Wert |
|---|
SparkJobEntry
| Name | Beschreibung | Wert |
|---|---|---|
| sparkJobEntryType | Set to 'SparkJobPythonEntry' for type SparkJobPythonEntry. Set to 'SparkJobScalaEntry' for type SparkJobScalaEntry. | 'SparkJobPythonEntry' 'SparkJobScalaEntry' (erforderlich) |
SparkJobInputs
| Name | Beschreibung | Wert |
|---|
SparkJobOutputs
| Name | Beschreibung | Wert |
|---|
SparkJobPythonEntry
| Name | Beschreibung | Wert |
|---|---|---|
| Datei | [Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| sparkJobEntryType | [Erforderlich] Typ des Einstiegspunkts des Auftrags. | "SparkJobPythonEntry" (erforderlich) |
SparkJobScalaEntry
| Name | Beschreibung | Wert |
|---|---|---|
| className | [Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| sparkJobEntryType | [Erforderlich] Typ des Einstiegspunkts des Auftrags. | 'SparkJobScalaEntry' (erforderlich) |
SparkResourceConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| instanceType | Optionaler Vm-Typ, der vom Computeziel unterstützt wird. | Schnur |
| runtimeVersion | Version der Spark-Runtime, die für den Auftrag verwendet wird. | Schnur |
StackEnsembleSettings
| Name | Beschreibung | Wert |
|---|---|---|
| stackMetaLearnerKWargs | Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen. | jegliche |
| stackMetaLearnerTrainPercentage | Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2. | Int |
| stackMetaLearnerType | Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" 'None' |
SweepJob
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind | EarlyTerminationPolicy- |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | SweepJobInputs |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Aufräumen" (erforderlich) |
| grenzen | Grenzwert für "Aufräumen von Auftrag". | SweepJobLimits- |
| objektiv | [Erforderlich] Optimierungsziel. | Ziel- (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | SweepJobOutputs- |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| samplingAlgorithm | [Erforderlich] Der Hyperparameter-Samplingalgorithmus | SamplingAlgorithm (erforderlich) |
| searchSpace | [Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters. | beliebig (erforderlich) |
| Probephase | [Erforderlich] Definition der Testkomponente. | TrialComponent- (erforderlich) |
SweepJobInputs
| Name | Beschreibung | Wert |
|---|
SweepJobLimits
| Name | Beschreibung | Wert |
|---|---|---|
| jobLimitsType | [Erforderlich] JobLimit-Typ. | 'Befehl' "Aufräumen" (erforderlich) |
| maxConcurrentTrials | Aufräumen des Auftrags max. gleichzeitige Testversionen. | Int |
| maxTotalTrials | "Auftrag aufräumen" max. Gesamtversuche. | Int |
| Zeitüberschreitung | Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. | Schnur |
| trialTimeout | Timeoutwert für "Testauftrag aufräumen". | Schnur |
SweepJobOutputs
| Name | Beschreibung | Wert |
|---|
TableFixedParameters
| Name | Beschreibung | Wert |
|---|---|---|
| Booster | Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost. | Schnur |
| boostType | Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM. | Schnur |
| growPolicy | Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Int |
| maxBin | Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen. | Int |
| maxDepth | Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken. | Int |
| maxLeaves | Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken. | Int |
| minDataInLeaf | Die Mindestanzahl der Daten pro Blatt. | Int |
| minSplitGain | Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen. | Int |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| nEstimators | Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an. | Int |
| numLeaves | Geben Sie die Anzahl der Blätter an. | Int |
| PreprocessorName | Der Name des zu verwendenden Präprozessors. | Schnur |
| regAlpha | L1-Normalisierungsausdruck auf Gewichtungen. | Int |
| regLambda | L2-Normalisierungsausdruck auf Gewichtungen. | Int |
| Subsample | Subsample-Verhältnis der Schulungsinstanz. | Int |
| subsampleFreq | Häufigkeit des Untersamples. | Int |
| treeMethod | Geben Sie die Strukturmethode an. | Schnur |
| withMean | Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar. | Bool |
| withStd | Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar. | Bool |
TableParameterSubspace
| Name | Beschreibung | Wert |
|---|---|---|
| Booster | Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost. | Schnur |
| boostType | Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM. | Schnur |
| growPolicy | Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Schnur |
| maxBin | Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen. | Schnur |
| maxDepth | Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken. | Schnur |
| maxLeaves | Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken. | Schnur |
| minDataInLeaf | Die Mindestanzahl der Daten pro Blatt. | Schnur |
| minSplitGain | Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen. | Schnur |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| nEstimators | Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an. | Schnur |
| numLeaves | Geben Sie die Anzahl der Blätter an. | Schnur |
| PreprocessorName | Der Name des zu verwendenden Präprozessors. | Schnur |
| regAlpha | L1-Normalisierungsausdruck auf Gewichtungen. | Schnur |
| regLambda | L2-Normalisierungsausdruck auf Gewichtungen. | Schnur |
| Subsample | Subsample-Verhältnis der Schulungsinstanz. | Schnur |
| subsampleFreq | Häufigkeit des Untersampels | Schnur |
| treeMethod | Geben Sie die Strukturmethode an. | Schnur |
| withMean | Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar. | Schnur |
| withStd | Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar. | Schnur |
TableSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ des Samplingalgorithmus. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
TableVerticalFeaturizationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| blockedTransformers | Diese Transformatoren dürfen nicht bei der Reifung verwendet werden. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'CatTargetEncoder' 'CountVectorizer' "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Datasetsprache, nützlich für die Textdaten. | Schnur |
| enableDnnFeaturization | Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen. | Bool |
| Modus | Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase. Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt. Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt. |
"Auto" 'Benutzerdefiniert' 'Aus' |
| transformerParams | Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Name | Beschreibung | Wert |
|---|
TableVerticalFeaturizationSettingsTransformerParams
| Name | Beschreibung | Wert |
|---|
TableVerticalLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| enableEarlyTermination | Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen. | Bool |
| exitScore | Exit score for the AutoML job. | Int |
| maxConcurrentTrials | Maximale gleichzeitige Iteration. | Int |
| maxCoresPerTrial | Max. Kerne pro Iteration. | Int |
| maxNodes | Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen. | Int |
| maxTrials | Anzahl der Iterationen. | Int |
| sweepConcurrentTrials | Die Anzahl der gleichzeitigen Aufräumläufe, die der Benutzer auslösen möchte. | Int |
| sweepTrials | Die Anzahl der Aufräumläufe, die der Benutzer auslösen möchte. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
| trialTimeout | Iterationstimeout. | Schnur |
TargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoTargetLagsauf "Auto" fest. Legen Sie für den Typ CustomTargetLagsauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
TargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoTargetRollingWindowSizeauf "Auto" fest. Legen Sie für den Typ CustomTargetRollingWindowSizeauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
TensorFlow
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "TensorFlow" (erforderlich) |
| parameterServerCount | Anzahl der Parameterserveraufgaben. | Int |
| workerCount | Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet. | Int |
TextClassification
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primäre Metrik für Text-Classification Vorgang. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextClassification' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TextClassificationMultilabel
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextClassificationMultilabel' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TextNer
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextNER' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TopNFeaturesByAttribution
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | "TopNByAttribution" (erforderlich) |
| Nach oben | Die Anzahl der wichtigsten Features, die einbezogen werden sollen. | Int |
TrialComponent
| Name | Beschreibung | Wert |
|---|---|---|
| codeId | ARM-Ressourcen-ID der Coderessource. | Schnur |
| Befehl | [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Verteilung | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. | DistributionConfiguration- |
| environmentId | [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | TrialComponentEnvironmentVariables |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
TrialComponentEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
TriggerBase
| Name | Beschreibung | Wert |
|---|---|---|
| endTime | Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Siehe https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt. |
Schnur |
| startTime | Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset. | Schnur |
| timeZone | Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11 |
Schnur |
| triggerType | Wird für den Typ CronTrigger-auf "Cron" festgelegt. Set to 'Recurrence' for type RecurrenceTrigger. | "Cron" "Serie" (erforderlich) |
TritonModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "triton_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
TritonModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "triton_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
TruncationSelectionPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "TruncationSelection" (erforderlich) |
| truncationPercentage | Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen. | Int |
UriFileJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_file" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
UriFileJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_file" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
UriFolderJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
UriFolderJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_folder" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
UserIdentity
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "UserIdentity" (erforderlich) |
Webhook
| Name | Beschreibung | Wert |
|---|---|---|
| eventType | Senden eines Rückrufs für ein angegebenes Benachrichtigungsereignis | Schnur |
| webhookType | Legen Sie für den Typ AzureDevOpsWebhook-auf "AzureDevOps" fest. | "AzureDevOps" (erforderlich) |
Terraform -Ressourcendefinition (AzAPI-Anbieter)
Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:
- Ressourcengruppen
Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.
Ressourcenformat
Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie Ihrer Vorlage die folgende Terraform hinzu.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-04-01-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
}
}
})
}
SamplingAlgorithm-Objekte
Legen Sie die samplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Bayesian:
{
samplingAlgorithmType = "Bayesian"
}
Verwenden Sie für Grid:
{
samplingAlgorithmType = "Grid"
}
Verwenden Sie für random:
{
logbase = "string"
rule = "string"
samplingAlgorithmType = "Random"
seed = int
}
Webhook-Objekte
Legen Sie die webhookType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AzureDevOps-:
{
webhookType = "AzureDevOps"
}
MLAssistConfiguration-Objekte
Legen Sie die mlAssist-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Deaktivierte:
{
mlAssist = "Disabled"
}
Verwenden Sie für Aktivierte:
{
inferencingComputeBinding = "string"
mlAssist = "Enabled"
trainingComputeBinding = "string"
}
ModelPerformanceMetricThresholdBase-Objekte
Legen Sie die modelType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Klassifizierung:
{
metric = "string"
modelType = "Classification"
}
Verwenden Sie für Regressions-:
{
metric = "string"
modelType = "Regression"
}
EarlyTerminationPolicy-Objekte
Legen Sie den policyType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Bandit:
{
policyType = "Bandit"
slackAmount = int
slackFactor = int
}
Verwenden Sie für MedianStopping-:
{
policyType = "MedianStopping"
}
Verwenden Sie für TruncationSelection:
{
policyType = "TruncationSelection"
truncationPercentage = int
}
SparkJobEntry-Objekte
Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für SparkJobPythonEntry:
{
file = "string"
sparkJobEntryType = "SparkJobPythonEntry"
}
Verwenden Sie für SparkJobScalaEntry:
{
className = "string"
sparkJobEntryType = "SparkJobScalaEntry"
}
AutoMLVertical-Objekte
Legen Sie die taskType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Klassifizierung:
{
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"
}
Verwenden Sie für Prognose-:
{
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"
}
Verwenden Sie für ImageClassification-Folgendes:
{
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
}
Verwenden Sie für ImageClassificationMultilabel:
{
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
}
Verwenden Sie für ImageInstanceSegmentation:
{
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
}
Verwenden Sie für ImageObjectDetection-:
{
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
}
Verwenden Sie für Regressions-:
{
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"
}
Verwenden Sie für TextClassification-:
{
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"
}
}
Verwenden Sie für TextClassificationMultilabel:
{
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"
}
}
Verwenden Sie für TextNER-:
{
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"
}
}
TriggerBase-Objekte
Legen Sie den triggerType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Cron:
{
expression = "string"
triggerType = "Cron"
}
Verwenden Sie für Serie:
{
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
triggerType = "Recurrence"
}
Knotenobjekte
Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Alle:
{
nodesValueType = "All"
}
JobInput-Objekte
Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für custom_modelFolgendes:
{
jobInputType = "custom_model"
mode = "string"
uri = "string"
}
Verwenden Sie für Literal-Folgendes:
{
jobInputType = "literal"
value = "string"
}
Verwenden Sie für mlflow_model:
{
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
}
Verwenden Sie für mltable:
{
jobInputType = "mltable"
mode = "string"
uri = "string"
}
Verwenden Sie für triton_modelFolgendes:
{
jobInputType = "triton_model"
mode = "string"
uri = "string"
}
Verwenden Sie für uri_file:
{
jobInputType = "uri_file"
mode = "string"
uri = "string"
}
Verwenden Sie für uri_folder:
{
jobInputType = "uri_folder"
mode = "string"
uri = "string"
}
DataQualityMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
dataType = "Categorical"
metric = "string"
}
Verwenden Sie für numerischen:
{
dataType = "Numerical"
metric = "string"
}
MonitoringFeatureFilterBase-Objekte
Legen Sie die filterType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AllFeatures-:
{
filterType = "AllFeatures"
}
Verwenden Sie für FeatureSubset-:
{
features = [
"string"
]
filterType = "FeatureSubset"
}
Verwenden Sie für TopNByAttribution:
{
filterType = "TopNByAttribution"
top = int
}
JobOutput-Objekte
Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für custom_modelFolgendes:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "custom_model"
mode = "string"
uri = "string"
}
Verwenden Sie für mlflow_model:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "mlflow_model"
mode = "string"
uri = "string"
}
Verwenden Sie für mltable:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "mltable"
mode = "string"
uri = "string"
}
Verwenden Sie für triton_modelFolgendes:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "triton_model"
mode = "string"
uri = "string"
}
Verwenden Sie für uri_file:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "uri_file"
mode = "string"
uri = "string"
}
Verwenden Sie für uri_folder:
{
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
jobOutputType = "uri_folder"
mode = "string"
uri = "string"
}
JobBaseProperties-Objekte
Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AutoML-:
{
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
}
}
Verwenden Sie für Command:
{
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"
}
}
Verwenden Sie für Bezeichnungen:
{
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
}
}
Verwenden Sie für Pipeline-:
{
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"
}
Verwenden Sie für Spark:
{
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"
}
}
Verwenden Sie für Aufräumen:
{
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"
}
}
}
DataImportSource-Objekte
Legen Sie die sourceType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Datenbank-:
{
query = "string"
sourceType = "database"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
}
Verwenden Sie für file_system:
{
path = "string"
sourceType = "file_system"
}
NCrossValidations-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode = "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode = "Custom"
value = int
}
MonitoringSignalBase-Objekte
Legen Sie die eigenschaft signalType fest, um den Objekttyp anzugeben.
Verwenden Sie für benutzerdefinierteFolgendes:
{
componentId = "string"
inputAssets = {
{customized property} = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
signalType = "Custom"
}
Verwenden Sie für DataDrift-:
{
baselineData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
dataSegment = {
feature = "string"
values = [
"string"
]
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
signalType = "DataDrift"
targetData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
Verwenden Sie für DataQuality-:
{
baselineData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
signalType = "DataQuality"
targetData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
Verwenden Sie für FeatureAttributionDrift-:
{
baselineData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
metricThreshold = {
metric = "string"
threshold = {
value = int
}
}
modelType = "string"
signalType = "FeatureAttributionDrift"
targetData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
Verwenden Sie für ModelPerformance:
{
baselineData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
signalType = "ModelPerformance"
targetData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
Verwenden Sie für PredictionDrift-:
{
baselineData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType = "string"
signalType = "PredictionDrift"
targetData = {
asset = ?
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
Saisonalitätsobjekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode = "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode = "Custom"
value = int
}
PredictionDriftMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
dataType = "Categorical"
metric = "string"
}
Verwenden Sie für numerischen:
{
dataType = "Numerical"
metric = "string"
}
MonitoringAlertNotificationSettingsBase-Objekte
Legen Sie die alertNotificationType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AzureMonitor:
{
alertNotificationType = "AzureMonitor"
}
Verwenden Sie für E-Mail-:
{
alertNotificationType = "Email"
emailNotificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
}
LabelingJobMediaProperties-Objekte
Legen Sie die mediaType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Image-:
{
annotationType = "string"
mediaType = "Image"
}
Verwenden Sie für Text:
{
annotationType = "string"
mediaType = "Text"
}
ScheduleActionBase-Objekte
Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für CreateJob-:
{
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
}
}
Verwenden Sie für CreateMonitor-:
{
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSetting = {
alertNotificationType = "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeId = "string"
monitoringTarget = "string"
signals = {
{customized property} = {
lookbackPeriod = "string"
mode = "string"
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
}
Verwenden Sie für ImportData-:
{
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"
}
}
}
Verwenden Sie für InvokeBatchEndpoint-:
{
actionType = "InvokeBatchEndpoint"
endpointInvocationDefinition = ?
}
DataDriftMetricThresholdBase-Objekte
Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für Kategorisierte:
{
dataType = "Categorical"
metric = "string"
}
Verwenden Sie für numerischen:
{
dataType = "Numerical"
metric = "string"
}
DistributionConfiguration-Objekte
Legen Sie die eigenschaft distributionType fest, um den Objekttyp anzugeben.
Verwenden Sie für Mpi:
{
distributionType = "Mpi"
processCountPerInstance = int
}
Verwenden Sie für PyTorch:
{
distributionType = "PyTorch"
processCountPerInstance = int
}
Verwenden Sie für Ray:
{
address = "string"
dashboardPort = int
distributionType = "Ray"
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
}
Verwenden Sie für TensorFlow-:
{
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
}
TargetLags-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode = "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode = "Custom"
values = [
int
]
}
ForecastHorizon-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode = "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode = "Custom"
value = int
}
TargetRollingWindowSize-Objekte
Legen Sie den Modus Eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für automatischenFolgendes:
{
mode = "Auto"
}
Verwenden Sie für benutzerdefinierteFolgendes:
{
mode = "Custom"
value = int
}
IdentityConfiguration-Objekte
Legen Sie die identityType-eigenschaft fest, um den Objekttyp anzugeben.
Verwenden Sie für AMLToken:
{
identityType = "AMLToken"
}
Verwenden Sie für verwaltete:
{
clientId = "string"
identityType = "Managed"
objectId = "string"
resourceId = "string"
}
Verwenden Sie für UserIdentity-:
{
identityType = "UserIdentity"
}
Eigenschaftswerte
AllFeatures
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | "AllFeatures" (erforderlich) |
AllNodes
| Name | Beschreibung | Wert |
|---|---|---|
| nodesValueType | [Erforderlich] Typ des Knotenwerts | "Alle" (erforderlich) |
AmlToken
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "AMLToken" (erforderlich) |
AutoDeleteSetting
| Name | Beschreibung | Wert |
|---|---|---|
| Zustand | Wann überprüft werden soll, ob eine Ressource abgelaufen ist | 'CreatedGreaterThan' "LastAccessedGreaterThan" |
| Wert | Ablaufbedingungswert. | Schnur |
AutoForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. | "Auto" (erforderlich) |
AutologgerSettings
| Name | Beschreibung | Wert |
|---|---|---|
| mlflowAutologger | [Erforderlich] Gibt an, ob mlflow autologger aktiviert ist. | "Deaktiviert" "Aktiviert" (erforderlich) |
AutoMLJob
| Name | Beschreibung | Wert |
|---|---|---|
| environmentId | Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt. |
Schnur |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | AutoMLJobEnvironmentVariables |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | 'AutoML' (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | AutoMLJobOutputs |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
| taskDetails | [Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann. | AutoMLVertical- (erforderlich) |
AutoMLJobEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
AutoMLJobOutputs
| Name | Beschreibung | Wert |
|---|
AutoMLVertical
| Name | Beschreibung | Wert |
|---|---|---|
| logVerbosity | Protokoll-Ausführlichkeit für den Auftrag. | "Kritisch" "Debuggen" 'Fehler' 'Info' 'NotSet' "Warnung" |
| targetColumnName | Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten. Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet. |
Schnur |
| taskType | Legen Sie für den Typ Klassifizierungauf "Klassifizierung" fest. Legen Sie für den Typ Prognoseauf "Prognose" fest. Legen Sie für den Typ ImageClassification-auf "ImageClassification" fest. Legen Sie für den Typ ImageClassificationMultilabelauf 'ImageClassificationMultilabel' fest. Legen Sie für den Typ ImageInstanceSegmentationauf "ImageInstanceSegmentation" fest. Legen Sie für den Typ ImageObjectDetection-auf "ImageObjectDetection" fest. Set to 'Regression' for type Regression. Legen Sie für den Typ TextClassification-auf "TextClassification" fest. Legen Sie für den Typ TextClassificationMultilabelauf 'TextClassificationMultilabel' fest. Legen Sie für den Typ TextNer-auf "TextNER" fest. | "Klassifizierung" "Prognose" 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'Regression' 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (erforderlich) |
| trainingData | [Erforderlich] Eingabe von Schulungsdaten. | MLTableJobInput- (erforderlich) |
AutoNCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. | "Auto" (erforderlich) |
AutoSeasonalität
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Saisonalitätsmodus. | "Auto" (erforderlich) |
AutoTargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert | "Auto" (erforderlich) |
AutoTargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. | "Auto" (erforderlich) |
AzMonMonitoringAlertNotificationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "AzureMonitor" (erforderlich) |
AzureDevOpsWebhook
| Name | Beschreibung | Wert |
|---|---|---|
| webhookType | [Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll. | "AzureDevOps" (erforderlich) |
BanditPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "Bandit" (erforderlich) |
| slackAmount | Absoluter Abstand, der vom besten Lauf erlaubt ist. | Int |
| slackFactor | Verhältnis des zulässigen Abstands vom besten Lauf. | Int |
BayesianSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Bayesian" (erforderlich) |
CategoricalDataDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Datenabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' "PopulationStabilityIndex" (erforderlich) |
CategoricalDataQualityMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Datenqualitätsmetrik, die berechnet werden soll. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (erforderlich) |
CategoricalPredictionDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Kategorisieren" (erforderlich) |
| Metrik | [Erforderlich] Die kategorisierte Vorhersageabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' "PopulationStabilityIndex" (erforderlich) |
Klassifikation
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| positiveLabel | Positive Bezeichnung für die Berechnung binärer Metriken. | Schnur |
| primaryMetric | Primäre Metrik für den Vorgang. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Klassifizierung" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | ClassificationTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
ClassificationModelPerformanceMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die zu berechnende Klassifizierungsmodellleistung. | "Genauigkeit" 'F1Score' "Genauigkeit" "Rückruf" (erforderlich) |
| modelType | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Klassifizierung" (erforderlich) |
ClassificationTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für klassifizierungsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier' |
| blockedTrainingAlgorithms | Blockierte Modelle für klassifizierungsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'BernoulliNaiveBayes' "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" 'XGBoostClassifier' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
ColumnTransformer
| Name | Beschreibung | Wert |
|---|---|---|
| Felder | Felder, auf die Transformatorlogik angewendet werden soll. | string[] |
| Parameter | Verschiedene Eigenschaften, die an Transformator übergeben werden sollen. Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format. |
jegliche |
CommandJob
| Name | Beschreibung | Wert |
|---|---|---|
| autologgerSettings | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. | AutologgerSettings |
| codeId | ARM-Ressourcen-ID der Coderessource. | Schnur |
| Befehl | [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Verteilung | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch, Ray oder Null sein. | DistributionConfiguration- |
| environmentId | [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | CommandJobEnvironmentVariables |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | CommandJobInputs- |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | 'Befehl' (erforderlich) |
| grenzen | Befehlsauftragslimit. | CommandJobLimits- |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | CommandJobOutputs- |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
CommandJobEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
CommandJobInputs
| Name | Beschreibung | Wert |
|---|
CommandJobLimits
| Name | Beschreibung | Wert |
|---|---|---|
| jobLimitsType | [Erforderlich] JobLimit-Typ. | 'Befehl' "Aufräumen" (erforderlich) |
| Zeitüberschreitung | Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. | Schnur |
CommandJobOutputs
| Name | Beschreibung | Wert |
|---|
CreateMonitorAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'CreateMonitor' (erforderlich) |
| monitorDefinition | [Erforderlich] Definiert den Monitor. | MonitorDefinition- (erforderlich) |
CronTrigger
| Name | Beschreibung | Wert |
|---|---|---|
| Ausdruck | [Erforderlich] Gibt den Cronausdruck des Zeitplans an. Der Ausdruck sollte dem NCronTab-Format folgen. |
Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| triggerType | [Erforderlich] | "Cron" (erforderlich) |
CustomForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] Prognosehorizontwert. | int (erforderlich) |
CustomMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die benutzerdefinierte Metrik, die berechnet werden soll. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
CustomModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
CustomModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
CustomMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| componentId | [Erforderlich] ARM-Ressourcen-ID der Komponentenressource, die zum Berechnen der benutzerdefinierten Metriken verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| inputAssets | Überwachen von Ressourcen, die als Eingabe verwendet werden sollen. Der Schlüssel ist der Name des Komponenteneingabeports, der Wert ist die Datenressource. | CustomMonitoringSignalInputAssets |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | CustomMetricThreshold[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "Benutzerdefiniert" (erforderlich) |
CustomMonitoringSignalInputAssets
| Name | Beschreibung | Wert |
|---|
CustomNCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] N-Kreuzüberprüfungswert. | int (erforderlich) |
CustomSeasonality
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Saisonalitätsmodus. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] Saisonalitätswert. | int (erforderlich) |
CustomTargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert | "Benutzerdefiniert" (erforderlich) |
| Werte | [Erforderlich] Festlegen von Zielverzögerungswerten | int[] (erforderlich) |
CustomTargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. | "Benutzerdefiniert" (erforderlich) |
| Wert | [Erforderlich] TargetRollingWindowSize-Wert. | int (erforderlich) |
DatabaseSource
| Name | Beschreibung | Wert |
|---|---|---|
| Frage | SQL Query-Anweisung für die Datenbankquelle für den Datenimport | Schnur |
| sourceType | [Erforderlich] Gibt den Datentyp an. | 'Datenbank' (erforderlich) |
| storedProcedure | SQL StoredProcedure für die Datenbankquelle des Datenimports | Schnur |
| storedProcedureParams | SQL StoredProcedure-Parameter | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Name der Tabelle für die Datenbankquelle für den Datenimport | Schnur |
DatabaseSourceStoredProcedureParamsItem
| Name | Beschreibung | Wert |
|---|
DataDriftMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Legen Sie für den Typ CategoricalDataDriftMetricThresholdauf "Categorical" fest. Legen Sie für den Typ NumerischDataDriftMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
DataDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| dataSegment | Das Datensegment, das für die Bereichsdefinition für eine Teilmenge der Datenpopulation verwendet wird. | MonitoringDataSegment- |
| Funktionen | Der Featurefilter, der angibt, welches Feature die Abweichung berechnen soll. | MonitoringFeatureFilterBase- |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | DataDriftMetricThresholdBase[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'DataDrift' (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
DataImport
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Name des zu erstellenden Datenimportauftrags | Schnur |
| autoDeleteSetting | Gibt die Lebenszykluseinstellung der verwalteten Datenressource an. | AutoDeleteSetting- |
| Datatype | [Erforderlich] Gibt den Datentyp an. | "mltable" "uri_file" "uri_folder" (erforderlich) |
| dataUri | [Erforderlich] URI der Daten. Beispiel: https://go.microsoft.com/fwlink/?linkid=2202330 | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| intellectualProperty | Details zum geistigen Eigentum. Wird verwendet, wenn Daten ein geistiges Eigentum sind. | IntellectualProperty |
| isAnonymous | Wenn die Namensversion vom System generiert wird (anonyme Registrierung). Für Typen, bei denen Phase definiert ist, wird sie verwendet, um IsAnonymous zu füllen, wenn "Phase" bereitgestellt wird. | Bool |
| isArchived | Ist die Ressource archiviert? Für Typen, in denen "Phase" definiert ist, wird die Phase zum Auffüllen von IsArchived verwendet. | Bool |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| Quelle | Quelldaten des zu importierenden Assets aus | DataImportSource- |
| Bühne | Phase des Datenlebenszyklus, der dieser Datenressource zugewiesen ist | Schnur |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
DataImportSource
| Name | Beschreibung | Wert |
|---|---|---|
| Verbindung | Arbeitsbereichsverbindung für den Datenquellenimportspeicher | Schnur |
| sourceType | Legen Sie für den Typ DatabaseSource-auf "Datenbank" fest. Legen Sie für den Typ FileSystemSource-auf "file_system" fest. | 'Datenbank' "file_system" (erforderlich) |
DataQualityMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Set to 'Categorical' for type CategoricalDataQualityMetricThreshold. Legen Sie für den Typ NumerischDataQualityMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
DataQualityMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| Funktionen | Die Features zum Berechnen der Abweichung. | MonitoringFeatureFilterBase- |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | DataQualityMetricThresholdBase[] (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'DataQuality' (erforderlich) |
| targetData | [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
DistributionConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | Set to 'Mpi' for type Mpi. Auf 'PyTorch' für typ PyTorchfestgelegt. Legen Sie für den Typ Rayauf "Ray" fest. Legen Sie für den Typ TensorFlowauf "TensorFlow" fest. | "Mpi" 'PyTorch' "Ray" "TensorFlow" (erforderlich) |
EarlyTerminationPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| delayEvaluation | Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll. | Int |
| evaluationInterval | Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen. | Int |
| policyType | Set to 'Bandit' for type BanditPolicy. Legen Sie für den Typ MedianStoppingPolicyauf "MedianStoppingPolicy" fest. Legen Sie für den Typ TruncationSelectionPolicyauf "TruncationSelectionSelectionPolicy" fest. | "Bandit" "MedianStopping" "TruncationSelection" (erforderlich) |
EmailMonitoringAlertNotificationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "E-Mail" (erforderlich) |
| emailNotificationSetting | Konfiguration für Benachrichtigung. | NotificationSetting- |
EndpointScheduleAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'InvokeBatchEndpoint' (erforderlich) |
| endpointInvocationDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. <siehe href="TBD" /> |
beliebig (erforderlich) |
FeatureAttributionDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| MetrikThreshold | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | FeatureAttributionMetricThreshold (erforderlich) |
| modelType | [Erforderlich] Der Typ der Aufgabe, die das Modell ausführt. | "Klassifizierung" "Regression" (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'FeatureAttributionDrift' (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
FeatureAttributionMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die Zuschreibungsmetrik der Funktion, die berechnet werden soll. | "NormalizedDiscountedCumulativeGain" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
FeatureSubset
| Name | Beschreibung | Wert |
|---|---|---|
| Funktionen | [Erforderlich] Die Liste der einzuschließden Features. | string[] (erforderlich) |
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | 'FeatureSubset' (erforderlich) |
FileSystemSource
| Name | Beschreibung | Wert |
|---|---|---|
| Pfad | Pfad zur Datenquelle für den Datenimport von FileSystem | Schnur |
| sourceType | [Erforderlich] Gibt den Datentyp an. | "file_system" (erforderlich) |
ForecastHorizon
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoForecastHorizonauf "Auto" fest. Legen Sie für den Typ CustomForecastHorizonauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
Prognose
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| forecastingSettings | Vorhersageaufgabenspezifische Eingaben. | ForecastingSettings |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| primaryMetric | Primäre Metrik für den Prognosevorgang. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Prognose" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | ForecastingTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
ForecastingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| countryOrRegionForHolidays | Land oder Region für Feiertage für Prognosevorgänge. Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt. |
Schnur |
| cvStepSize | Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für Wenn z. B. CVStepSize = 3 für tägliche Daten ist die Ursprungszeit für jede Faltungdrei Tage auseinander. |
Int |
| featureLags | Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL. | "Auto" 'None' |
| featuresUnknownAtForecastTime | Die Featurespalten, die für Schulungen verfügbar sind, aber zum Zeitpunkt der Prognose/Rückschluss unbekannt sind. Wenn features_unknown_at_forecast_time nicht festgelegt ist, wird davon ausgegangen, dass alle Featurespalten im Dataset zur Folgezeit bekannt sind. |
string[] |
| forecastHorizon | Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit. | ForecastHorizon |
| Frequenz | Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit. | Schnur |
| saisonalität | Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest. Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet. |
Saisonalität |
| shortSeriesHandlingConfig | Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll. | "Auto" 'Drop' 'None' "Pad" |
| targetAggregateFunction | Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen. Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean". |
"Max" "Mittelwert" "Min" 'None' "Summe" |
| targetLags | Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen. | TargetLags- |
| targetRollingWindowSize | Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden. | TargetRollingWindowSize- |
| timeColumnName | Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten. | Schnur |
| timeSeriesIdColumnNames | Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen. Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet. |
string[] |
| useStl | Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe. | 'None' "Saison" "SeasonTrend" |
ForecastingTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für den Prognosevorgang. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "Saisonalwert" "Saisonnaive" "SGD" 'TCNForecaster' 'XGBoostRegressor' |
| blockedTrainingAlgorithms | Blockierte Modelle für den Prognosevorgang. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'Arimax' 'AutoArima' "Mittelwert" "DecisionTree" "ElasticNet" "Exponentialsmoothing" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "Naiv" "Prophet" "RandomForest" "Saisonalwert" "Saisonnaive" "SGD" 'TCNForecaster' 'XGBoostRegressor' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
GridSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Raster" (erforderlich) |
IdentityConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | Legen Sie für den Typ AmlTokenauf "AMLToken" fest. Legen Sie für den Typ ManagedIdentity-auf "Verwaltet" fest. Legen Sie für den Typ UserIdentity-auf "UserIdentity" fest. | "AMLToken" "Verwaltet" "UserIdentity" (erforderlich) |
ImageClassification
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsClassification- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageClassification' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageClassificationMultilabel
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsClassification- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageClassificationMultilabel' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageInstanceSegmentation
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsObjectDetection- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "MeanAveragePrecision" |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageInstanceSegmentation' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| maxConcurrentTrials | Maximale Anzahl gleichzeitiger AutoML-Iterationen. | Int |
| maxTrials | Maximale Anzahl von AutoML-Iterationen. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
ImageModelDistributionSettingsClassification
| Name | Beschreibung | Wert |
|---|---|---|
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Schnur |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| verteilt | Gibt an, ob die Verteilungsschulung verwendet werden soll. | Schnur |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Schnur |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Schnur |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Schnur |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Schnur |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Schnur |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Schnur |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | Schnur |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Schnur |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Schnur |
| Optimierer | Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. | Schnur |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Schnur |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Schnur |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Schnur |
| trainingCropSize | Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. | Schnur |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Schnur |
| validationCropSize | Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. | Schnur |
| validationResizeSizeSize | Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. | Schnur |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Schnur |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Schnur |
| weightedLoss | Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein. |
Schnur |
ImageModelDistributionSettingsObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Schnur |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| boxDetectionsPerImage | Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| boxScoreThreshold | Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1]. |
Schnur |
| verteilt | Gibt an, ob die Verteilungsschulung verwendet werden soll. | Schnur |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Schnur |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Schnur |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Schnur |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Schnur |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Schnur |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Schnur |
| imageSize | Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | Schnur |
| maxSize | Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| minSize | Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| modelSize | Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| MultiScale | Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Schnur |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Schnur |
| nmsIouThreshold | IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Schnur |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Schnur |
| Optimierer | Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. | Schnur |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Schnur |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Schnur |
| tileGridSize | Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tileOverlapRatio | Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tilePredictionsNmsThreshold | Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. NMS: Nicht maximale Unterdrückung |
Schnur |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Schnur |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Schnur |
| validationIouThreshold | IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. | Schnur |
| validationMetricType | Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein. | Schnur |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Schnur |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Schnur |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Schnur |
ImageModelSettingsClassification
| Name | Beschreibung | Wert |
|---|---|---|
| advancedSettings | Einstellungen für erweiterte Szenarien. | Schnur |
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Bool |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| checkpointFrequency | Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. | Int |
| checkpointModel | Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. | MLFlowModelJobInput |
| checkpointRunId | Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. | Schnur |
| verteilt | Gibt an, ob verteilte Schulungen verwendet werden sollen. | Bool |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Bool |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Int |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Int |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Bool |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Int |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Int |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | 'None' "Schritt" "WarmupCosine" |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Bool |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Int |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Int |
| Optimierer | Typ des Optimierrs. | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Int |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Int |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Int |
| trainingCropSize | Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. | Int |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Int |
| validationCropSize | Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. | Int |
| validationResizeSizeSize | Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. | Int |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Int |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Int |
| weightedLoss | Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust. 1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein. |
Int |
ImageModelSettingsObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| advancedSettings | Einstellungen für erweiterte Szenarien. | Schnur |
| amsGradient | Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. | Bool |
| Vergrößerungen | Einstellungen für die Verwendung von Augmentations. | Schnur |
| Beta1 | Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| Beta2 | Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| boxDetectionsPerImage | Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| boxScoreThreshold | Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1]. |
Int |
| checkpointFrequency | Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. | Int |
| checkpointModel | Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. | MLFlowModelJobInput |
| checkpointRunId | Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. | Schnur |
| verteilt | Gibt an, ob verteilte Schulungen verwendet werden sollen. | Bool |
| earlyStopping | Aktivieren Sie die Logik während der Schulung frühzeitig beenden. | Bool |
| earlyStoppingDelay | Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein. |
Int |
| earlyStoppingPatience | Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor die Ausführung wird beendet. Muss eine positive ganze Zahl sein. |
Int |
| enableOnnxNormalization | Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. | Bool |
| evaluationFrequency | Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. | Int |
| gradientAccumulationStep | Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein. |
Int |
| imageSize | Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Int |
| layersToFreeze | Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein. Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext" Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte siehe: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| learningRateScheduler | Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. | 'None' "Schritt" "WarmupCosine" |
| logTrainingMetrics | Aktivieren Sie Computer- und Protokollierungsschulungsmetriken. | "Deaktivieren" "Aktivieren" |
| logValidationLoss | Aktivieren Sie Computer- und Protokollierungsüberprüfungsverluste. | "Deaktivieren" "Aktivieren" |
| maxSize | Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| minSize | Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird. Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| modelName | Der Name des Modells, das für die Schulung verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: /azure/machine-learning/how-to-auto-train-image-models. |
Schnur |
| modelSize | Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
"ExtraLarge" "Groß" "Mittel" 'None' "Klein" |
| Impuls | Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| MultiScale | Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%. Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist. Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt. |
Bool |
| nesterov | Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. | Bool |
| nmsIouThreshold | IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| numberOfEpochs | Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. | Int |
| numberOfWorkers | Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. | Int |
| Optimierer | Typ des Optimierrs. | 'Adam' 'Adamw' 'None' 'Sgd' |
| randomSeed | Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. | Int |
| stepLRGamma | Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| stepLRStepSize | Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. | Int |
| tileGridSize | Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Schnur |
| tileOverlapRatio | Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| tilePredictionsNmsThreshold | Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern. Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten. Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt. |
Int |
| trainingBatchSize | Schulungsbatchgröße. Muss eine positive ganze Zahl sein. | Int |
| validationBatchSize | Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. | Int |
| validationIouThreshold | IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. | Int |
| validationMetricType | Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. | "Coco" "CocoVoc" 'None' "Voc" |
| warmupCosineLRCycles | Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. | Int |
| warmupCosineLRWarmupEpochs | Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. | Int |
| weightDecay | Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. | Int |
ImageObjectDetection
| Name | Beschreibung | Wert |
|---|---|---|
| limitSettings | [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. | ImageLimitSettings- (erforderlich) |
| modelSettings | Einstellungen, die für die Schulung des Modells verwendet werden. | ImageModelSettingsObjectDetection- |
| primaryMetric | Primäre Metrik, die für diesen Vorgang optimiert werden soll. | "MeanAveragePrecision" |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellüberräumung und hyperparameterbezogene Einstellungen. | ImageSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'ImageObjectDetection' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
ImageSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie zur vorzeitigen Beendigung. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
ImportDataAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'ImportData' (erforderlich) |
| dataImportDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. | DataImport- (erforderlich) |
IntellectualProperty
| Name | Beschreibung | Wert |
|---|---|---|
| protectionLevel | Schutzebene des geistigen Eigentums. | "Alle" 'None' |
| Verlag | [Erforderlich] Herausgeber des geistigen Eigentums. Muss mit dem Namen des Registrierungsherausgebers identisch sein. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
JobBaseProperties
| Name | Beschreibung | Wert |
|---|---|---|
| componentId | ARM-Ressourcen-ID der Komponentenressource. | Schnur |
| computeId | ARM-Ressourcen-ID der Computeressource. | Schnur |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| displayName | Anzeigename des Auftrags. | Schnur |
| experimentName | Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert. | Schnur |
| Identität | Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein. Der Standardwert ist AmlToken, wenn null. |
IdentityConfiguration- |
| isArchived | Ist die Ressource archiviert? | Bool |
| jobType | Legen Sie für den Typ AutoMLJob-auf "AutoML" fest. Legen Sie für den Typ CommandJob-auf "Befehl" fest. Legen Sie für den Typ LabelingJobPropertiesauf "Bezeichnung" fest. Set to 'Pipeline' for type PipelineJob. Set to 'Spark' for type SparkJob. Legen Sie für den Typ SweepJob-auf "Aufräumen" fest. | 'AutoML' 'Befehl' "Bezeichnung" 'Pipeline' "Spark" "Aufräumen" (erforderlich) |
| notificationSetting | Benachrichtigungseinstellung für den Auftrag | NotificationSetting- |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| secretsConfiguration | Konfiguration für geheime Schlüssel, die während der Laufzeit zur Verfügung gestellt werden sollen. | JobBaseSecretsConfiguration |
| Dienste | Liste der JobEndpoints. Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject. |
JobBaseServices- |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
JobBaseSecretsConfiguration
| Name | Beschreibung | Wert |
|---|
JobBaseServices
| Name | Beschreibung | Wert |
|---|
JobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | Legen Sie für den Typ CustomModelJobInput-auf "custom_model" fest. Legen Sie für den Typ LiteralJobInputauf "literal" fest. Legen Sie für den Typ MLFlowModelJobInput-auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobInputauf "mltable" fest. Legen Sie für den Typ TritonModelJobInputauf "triton_model" fest. Legen Sie für den Typ UriFileJobInput-auf "uri_file" fest. Legen Sie für den Typ UriFolderJobInput-auf "uri_folder" fest. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
JobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Ausgabe. | Schnur |
| jobOutputType | Legen Sie für den Typ CustomModelJobOutputauf "custom_model" fest. Legen Sie für den Typ MLFlowModelJobOutputauf "mlflow_model" fest. Legen Sie für den Typ MLTableJobOutputauf "mltable" fest. Legen Sie für den Typ TritonModelJobOutputauf "triton_model" fest. Legen Sie für den Typ UriFileJobOutput-auf "uri_file" auf "uri_file" fest. Legen Sie für den Typ UriFolderJobOutputauf "uri_folder" fest. | "custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
JobResourceConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| dockerArgs | Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. | Schnur |
| instanceCount | Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden. | Int |
| instanceType | Optionaler Vm-Typ, der vom Computeziel unterstützt wird. | Schnur |
| Orte | Speicherorte, an denen der Auftrag ausgeführt werden kann. | string[] |
| maxInstanceCount | Optionale maximal zulässige Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden sollen. Zur Verwendung mit elastischem Training wird derzeit nur der PyTorch-Verteilungstyp unterstützt. |
Int |
| Eigenschaften | Zusätzlicher Eigenschaftenbehälter. | ResourceConfigurationProperties- |
| shmSize | Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann. | Schnur Zwänge: Pattern = \d+[bBkKmMgG] |
JobScheduleAction
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | [Erforderlich] Gibt den Aktionstyp des Zeitplans an. | 'CreateJob' (erforderlich) |
| jobDefinition | [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. | JobBaseProperties- (erforderlich) |
JobService
| Name | Beschreibung | Wert |
|---|---|---|
| Endpunkt | URL für Endpunkt. | Schnur |
| jobServiceType | Endpunkttyp. | Schnur |
| Knoten | Knoten, auf denen der Benutzer den Dienst starten möchte. Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet. |
Nodes |
| Hafen | Port für Endpunkt, der vom Benutzer festgelegt wurde. | Int |
| Eigenschaften | Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen. | JobServiceProperties |
JobServiceProperties
| Name | Beschreibung | Wert |
|---|
LabelCategory
| Name | Beschreibung | Wert |
|---|---|---|
| Klassen | Wörterbuch der Bezeichnungsklassen in dieser Kategorie. | LabelCategoryClasses |
| displayName | Anzeigename der Bezeichnungskategorie. | Schnur |
| multiSelect | Gibt an, ob mehrere Klassen in dieser Kategorie ausgewählt werden dürfen. | "Deaktiviert" "Aktiviert" |
LabelCategoryClasses
| Name | Beschreibung | Wert |
|---|
LabelClass
| Name | Beschreibung | Wert |
|---|---|---|
| displayName | Anzeigename der Bezeichnungsklasse. | Schnur |
| Unterklassen | Wörterbuch der Unterklassen der Bezeichnungsklasse. | LabelClassSubclasses |
LabelClassSubclasses
| Name | Beschreibung | Wert |
|---|
LabelingDataConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| dataId | Ressourcen-ID der Datenressource zum Ausführen der Bezeichnung. | Schnur |
| inkrementelleDataRefresh | Gibt an, ob die inkrementelle Datenaktualisierung aktiviert werden soll. | "Deaktiviert" "Aktiviert" |
LabelingJobImageProperties
| Name | Beschreibung | Wert |
|---|---|---|
| annotationType | Anmerkungstyp des Bildbezeichnungsauftrags. | "BoundingBox" "Klassifizierung" 'InstanceSegmentation' |
| mediaType | [Erforderlich] Medientyp des Auftrags. | "Image" (erforderlich) |
LabelingJobInstructions
| Name | Beschreibung | Wert |
|---|---|---|
| Uri | Der Link zu einer Seite mit detaillierten Bezeichnungsanweisungen für Bezeichnungen. | Schnur |
LabelingJobLabelCategories
| Name | Beschreibung | Wert |
|---|
LabelingJobMediaProperties
| Name | Beschreibung | Wert |
|---|---|---|
| mediaType | Legen Sie für den Typ LabelingJobImagePropertiesauf "Image" fest. Legen Sie für den Typ LabelingJobTextPropertiesauf "Text" fest. | "Bild" "Text" (erforderlich) |
LabelingJobProperties
| Name | Beschreibung | Wert |
|---|---|---|
| dataConfiguration | Konfiguration der im Auftrag verwendeten Daten. | LabelingDataConfiguration- |
| jobInstructions | Bezeichnungsanweisungen des Auftrags. | LabelingJobInstructions |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Bezeichnung" (erforderlich) |
| labelCategories | Bezeichnungskategorien des Auftrags. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Medientypspezifische Eigenschaften im Auftrag. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguration der MLAssist-Funktion im Auftrag. | MLAssistConfiguration |
LabelingJobTextProperties
| Name | Beschreibung | Wert |
|---|---|---|
| annotationType | Anmerkungstyp des Textbezeichnungsauftrags. | "Klassifizierung" 'NamedEntityRecognition' |
| mediaType | [Erforderlich] Medientyp des Auftrags. | "Text" (erforderlich) |
LiteralJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "literal" (erforderlich) |
| Wert | [Erforderlich] Literalwert für die Eingabe. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
ManagedIdentity
| Name | Beschreibung | Wert |
|---|---|---|
| clientId | Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "Verwaltet" (erforderlich) |
| objectId | Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur Zwänge: Min. Länge = 36 Maximale Länge = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
| resourceId | Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. | Schnur |
MedianStoppingPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "MedianStopping" (erforderlich) |
Microsoft.MachineLearningServices/workspaces/schedules
| Name | Beschreibung | Wert |
|---|---|---|
| Name | Der Ressourcenname | Schnur Zwänge: Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich) |
| parent_id | Die ID der Ressource, die das übergeordnete Element für diese Ressource ist. | ID für Ressource des Typs: Arbeitsbereiche |
| Eigenschaften | [Erforderlich] Zusätzliche Attribute der Entität. | ScheduleProperties- (erforderlich) |
| Art | Der Ressourcentyp | "Microsoft.MachineLearningServices/workspaces/schedules@2023-04-01-preview" |
MLAssistConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| mlAssist | Legen Sie für den Typ MLAssistConfigurationDisabledauf "Deaktiviert" fest. Set to 'Enabled' for type MLAssistConfigurationEnabled. | "Deaktiviert" "Aktiviert" (erforderlich) |
MLAssistConfigurationDisabled
| Name | Beschreibung | Wert |
|---|---|---|
| mlAssist | [Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist. | "Deaktiviert" (erforderlich) |
MLAssistConfigurationEnabled
| Name | Beschreibung | Wert |
|---|---|---|
| inferencingComputeBinding | [Erforderlich] AML-Computebindung, die bei der Ableitung verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| mlAssist | [Erforderlich] Gibt an, ob das MLAssist-Feature aktiviert ist. | "Aktiviert" (erforderlich) |
| trainingComputeBinding | [Erforderlich] Im Training verwendete AML-Computebindung. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "mlflow_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLFlowModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "mlflow_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
MLTableJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| Beschreibung | Beschreibung für die Eingabe. | Schnur |
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "custom_model" "Literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLTableJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "mltable" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
MLTableJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "mltable" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
ModelPerformanceMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| modelType | Legen Sie für den Typ ClassificationModelPerformanceMetricThresholdauf "Classification" fest. Set to 'Regression' for type RegressionModelPerformanceMetricThreshold. | "Klassifizierung" "Regression" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
ModelPerformanceSignalBase
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| dataSegment | Das Datensegment. | MonitoringDataSegment- |
| MetrikThreshold | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | ModelPerformanceMetricThresholdBase- (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | 'ModelPerformance' (erforderlich) |
| targetData | [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
MonitorDefinition
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationSetting | Die Benachrichtigungseinstellungen des Monitors. | MonitoringAlertNotificationSettingsBase- |
| computeId | [Erforderlich] Die ARM-Ressourcen-ID der Computeressource, auf der der Überwachungsauftrag ausgeführt werden soll. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| monitoringTarget | Die ARM-Ressourcen-ID des Modells oder der Bereitstellung, die von diesem Monitor gezielt ist. | Schnur |
| Signale | [Erforderlich] Die zu überwachenden Signale. | MonitorDefinitionSignals (erforderlich) |
MonitorDefinitionSignals
| Name | Beschreibung | Wert |
|---|
MonitoringAlertNotificationSettingsBase
| Name | Beschreibung | Wert |
|---|---|---|
| alertNotificationType | Legen Sie für den Typ AzMonMonitoringAlertNotificationSettingsauf "AzureMonitor" fest. Legen Sie für den Typ EmailMonitoringAlertNotificationSettingsauf "Email" fest. | "AzureMonitor" "E-Mail" (erforderlich) |
MonitoringDataSegment
| Name | Beschreibung | Wert |
|---|---|---|
| Merkmal | Das Feature zum Segmentieren der Daten. | Schnur |
| Werte | Filtert nur nach den angegebenen Werten des angegebenen segmentierten Features. | string[] |
MonitoringFeatureFilterBase
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | Set to 'AllFeatures' for type AllFeatures. Set to 'FeatureSubset' for type FeatureSubset. Legen Sie für den Typ TopNFeaturesByAttributionauf "TopNByAttribution" fest. | "AllFeatures" 'FeatureSubset' "TopNByAttribution" (erforderlich) |
MonitoringInputData
| Name | Beschreibung | Wert |
|---|---|---|
| Vermögenswert | Die Datenobjekteingabe, die vom Überwachungsauftrag genutzt werden soll. | jegliche |
| dataContext | [Erforderlich] Der Kontext der Datenquelle. | "GroundTruth" 'ModelInputs' 'ModelOutputs' "Test" "Schulung" "Validierung" (erforderlich) |
| preprocessingComponentId | Die ARM-Ressourcen-ID der Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. | Schnur |
| targetColumnName | Die Zielspalte in der angegebenen Datenressource, die genutzt werden soll. | Schnur |
MonitoringSignalBase
| Name | Beschreibung | Wert |
|---|---|---|
| lookbackPeriod | Die Zeitspanne, die ein einzelner Monitor auf die Zieldaten eines bestimmten Laufs zurückblicken sollte. | Schnur |
| Modus | Der aktuelle Benachrichtigungsmodus für dieses Signal. | "Deaktiviert" "Aktiviert" |
| signalType | Legen Sie für den Typ CustomMonitoringSignalauf "Benutzerdefiniert" fest. Legen Sie 'DataDrift' für den Typ DataDriftMonitoringSignalfest. Legen Sie "DataQuality" für den Typ DataQualityMonitoringSignalfest. Set to 'FeatureAttributionDrift' for type FeatureAttributionDriftMonitoringSignal. Set to 'ModelPerformance' for type ModelPerformanceSignalBase. Set to 'PredictionDrift' for type PredictionDriftMonitoringSignal. | 'Benutzerdefiniert' 'DataDrift' "DataQuality" 'FeatureAttributionDrift' 'ModelPerformance' "PredictionDrift" (erforderlich) |
MonitoringThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Wert | Der Schwellenwert. Wenn NULL, ist der Setstandard vom Metriktyp abhängig. | Int |
Mpi
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "Mpi" (erforderlich) |
| processCountPerInstance | Anzahl der Prozesse pro MPI-Knoten. | Int |
NCrossValidations
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoNCrossValidationsauf "Auto" fest. Legen Sie für den Typ CustomNCrossValidations-auf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
NlpFixedParameters
| Name | Beschreibung | Wert |
|---|---|---|
| gradientAccumulationSteps | Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs. | Int |
| learningRate | Die Lernrate für das Trainingsverfahren. | Int |
| learningRateScheduler | Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll. | 'Konstante' 'ConstantWithWarmup' "Kosinus" "CosineWithRestarts" "Linear" 'None' "Polynomisch" |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. | Int |
| trainingBatchSize | Die Batchgröße für den Schulungsvorgang. | Int |
| validationBatchSize | Die Batchgröße, die während der Auswertung verwendet werden soll. | Int |
| warmupRatio | Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird. | Int |
| weightDecay | Das Gewicht verfallen für das Trainingsverfahren. | Int |
NlpParameterSubspace
| Name | Beschreibung | Wert |
|---|---|---|
| gradientAccumulationSteps | Die Anzahl der Schritte zum Ansammeln von Farbverläufen vor dem Ausführen eines Rückwärtsdurchlaufs. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Schnur |
| learningRateScheduler | Die Art des Lernratenplans, der während des Schulungsvorgangs verwendet werden soll. | Schnur |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| numberOfEpochs | Anzahl der Ausbildungszeiten. | Schnur |
| trainingBatchSize | Die Batchgröße für den Schulungsvorgang. | Schnur |
| validationBatchSize | Die Batchgröße, die während der Auswertung verwendet werden soll. | Schnur |
| warmupRatio | Das Warmupverhältnis, das zusammen mit LrSchedulerType verwendet wird. | Schnur |
| weightDecay | Das Gewicht verfallen für das Trainingsverfahren. | Schnur |
NlpSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ des Samplingalgorithmus. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
NlpVerticalFeaturizationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| datasetLanguage | Datasetsprache, nützlich für die Textdaten. | Schnur |
NlpVerticalLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| maxConcurrentTrials | Maximale anzahl gleichzeitige AutoML-Iterationen. | Int |
| maxNodes | Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen. | Int |
| maxTrials | Anzahl der AutoML-Iterationen. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
| trialTimeout | Timeout für einzelne HD-Testversionen. | Schnur |
Knoten
| Name | Beschreibung | Wert |
|---|---|---|
| nodesValueType | Set to 'All' for type AllNodes. | "Alle" (erforderlich) |
NotificationSetting
| Name | Beschreibung | Wert |
|---|---|---|
| emailOn | Senden einer E-Mail-Benachrichtigung an den Benutzer im angegebenen Benachrichtigungstyp | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'JobCancelled' 'JobCompleted' 'JobFailed' |
| E-Mails | Dies ist die E-Mail-Empfängerliste, die eine Beschränkung von 499 Zeichen insgesamt mit Kommatrennzeichen hat. | string[] |
| Webhooks | Senden eines Webhook-Rückrufs an einen Dienst. Der Schlüssel ist ein vom Benutzer bereitgestellter Name für den Webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Name | Beschreibung | Wert |
|---|
NumerischDataDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die numerische Datenabweichungsmetrik, die berechnet werden soll. | 'JensenShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' "TwoSampleKolmogorovSmirnovTest" (erforderlich) |
NumerischDataQualityMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die zu berechnende numerische Datenqualitätsmetrik. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (erforderlich) |
NumerischPredictionDriftMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Numerisch" (erforderlich) |
| Metrik | [Erforderlich] Die zu berechnende numerische Vorhersageabweichungsmetrik. | 'JensenShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' "TwoSampleKolmogorovSmirnovTest" (erforderlich) |
Objektiv
| Name | Beschreibung | Wert |
|---|---|---|
| Ziel | [Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung. | "Maximieren" "Minimieren" (erforderlich) |
| primaryMetric | [Erforderlich] Name der zu optimierenden Metrik. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
PipelineJob
| Name | Beschreibung | Wert |
|---|---|---|
| Eingänge | Eingaben für den Pipelineauftrag. | PipelineJobInputs- |
| arbeitsplätze | Aufträge konstruieren den Pipelineauftrag. | PipelineJobJobs- |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Pipeline" (erforderlich) |
| Ausgaben | Ausgaben für den Pipelineauftrag | PipelineJobOutputs |
| Einstellungen | Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw. | jegliche |
| sourceJobId | ARM-Ressourcen-ID des Quellauftrags. | Schnur |
PipelineJobInputs
| Name | Beschreibung | Wert |
|---|
PipelineJobJobs
| Name | Beschreibung | Wert |
|---|
PipelineJobOutputs
| Name | Beschreibung | Wert |
|---|
PredictionDriftMetricThresholdBase
| Name | Beschreibung | Wert |
|---|---|---|
| Datatype | Legen Sie für den Typ CategoricalPredictionDriftMetricThresholdauf "Categorical" fest. Legen Sie für den Typ NumerischPredictionDriftMetricThresholdauf "Numerisch" fest. | "Kategorisieren" "Numerisch" (erforderlich) |
| Schwelle | Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. | MonitoringThreshold |
PredictionDriftMonitoringSignal
| Name | Beschreibung | Wert |
|---|---|---|
| baselineData | [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. | MonitoringInputData- (erforderlich) |
| MetrikThresholds | [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. | PredictionDriftMetricThresholdBase[] (erforderlich) |
| modelType | [Erforderlich] Der Typ des überwachten Modells. | "Klassifizierung" "Regression" (erforderlich) |
| signalType | [Erforderlich] Gibt den Zu überwachenden Signaltyp an. | "PredictionDrift" (erforderlich) |
| targetData | [Erforderlich] Die Daten, für die die Abweichung berechnet wird. | MonitoringInputData- (erforderlich) |
PyTorch
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | 'PyTorch' (erforderlich) |
| processCountPerInstance | Anzahl der Prozesse pro Knoten. | Int |
QueueSettings
| Name | Beschreibung | Wert |
|---|---|---|
| jobTier | Aufzählung, um die Auftragsebene zu bestimmen. | "Einfach" "Premium" "Spot" "Standard" |
| Priorität | Steuert die Priorität des Auftrags auf einer Berechnung. | Int |
RandomSamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| logbase | Eine optionale positive Zahl oder e im Zeichenfolgenformat, die als Basis für die protokollbasierte zufallsbasierte Stichprobe verwendet werden soll | Schnur |
| Regel | Der spezifische Typ des Zufallsalgorithmus | "Zufällig" 'Sobol' |
| samplingAlgorithmType | [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften | "Zufällig" (erforderlich) |
| Samen | Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll | Int |
Strahl
| Name | Beschreibung | Wert |
|---|---|---|
| Adresse | Die Adresse des Ray-Kopfknotens. | Schnur |
| dashboardPort | Der Port, an den der Dashboardserver gebunden werden soll. | Int |
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "Ray" (erforderlich) |
| headNodeAdditionalArgs | Zusätzliche Argumente, die an "Ray start" im Kopfknoten übergeben werden. | Schnur |
| includeDashboard | Geben Sie dieses Argument an, um die Ray-Dashboard-GUI zu starten. | Bool |
| Hafen | Der Port des Kopfstrahlprozesses. | Int |
| workerNodeAdditionalArgs | Zusätzliche Argumente, die an "Ray start" im Arbeitsknoten übergeben wurden. | Schnur |
RecurrenceSchedule
| Name | Beschreibung | Wert |
|---|---|---|
| Stunden | [Erforderlich] Liste der Stunden für den Zeitplan. | int[] (erforderlich) |
| Protokoll | [Erforderlich] Liste der Minuten für den Zeitplan. | int[] (erforderlich) |
| monthDays | Liste der Monatstage für den Zeitplan | int[] |
| Wochentage | Liste der Tage für den Zeitplan. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "Freitag" "Montag" "Samstag" "Sonntag" "Donnerstag" "Dienstag" 'Mittwoch' |
RecurrenceTrigger
| Name | Beschreibung | Wert |
|---|---|---|
| Frequenz | [Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans. | "Tag" "Stunde" "Minute" "Monat" "Woche" (erforderlich) |
| Intervall | [Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an. | int (erforderlich) |
| Zeitplan | Der Terminplan der Serie. | RecurrenceSchedule |
| triggerType | [Erforderlich] | "Serie" (erforderlich) |
Regression
| Name | Beschreibung | Wert |
|---|---|---|
| cvSplitColumnNames | Spalten, die für CVSplit-Daten verwendet werden sollen. | string[] |
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | TableFixedParameters- |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen wenn kein Validierungsdatensatz bereitgestellt wird. |
NCrossValidations- |
| primaryMetric | Primäre Metrik für Regressionsaufgabe. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" 'R2Score' 'SpearmanCorrelation' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | TableParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | TableSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | "Regression" (erforderlich) |
| testData | Testen sie die Dateneingabe. | MLTableJobInput- |
| testDataSize | Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| trainingSettings | Eingaben für die Schulungsphase für einen AutoML-Auftrag. | RegressionTrainingSettings |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
| validationDataSize | Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss. Werte zwischen (0,0 , 1,0) Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird. |
Int |
| weightColumnName | Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. | Schnur |
RegressionModelPerformanceMetricThreshold
| Name | Beschreibung | Wert |
|---|---|---|
| Metrik | [Erforderlich] Die zu berechnende Regressionsmodellleistungsmetrik. | "MeanAbsoluteError" "MeanSquaredError" 'RootMeanSquaredError' (erforderlich) |
| modelType | [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. | "Regression" (erforderlich) |
RegressionTrainingSettings
| Name | Beschreibung | Wert |
|---|---|---|
| allowedTrainingAlgorithms | Zulässige Modelle für Regressionsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor' |
| blockedTrainingAlgorithms | Blockierte Modelle für Regressionsaufgabe. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" 'KNN' "LassoLars" "LightGBM" "RandomForest" "SGD" 'XGBoostRegressor' |
| enableDnnTraining | Aktivieren Sie die Empfehlung von DNN-Modellen. | Bool |
| enableModelExplainability | Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. | Bool |
| enableOnnxCompatibleModels | Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. | Bool |
| enableStackEnsemble | Stapelensembleausführung aktivieren. | Bool |
| enableVoteEnsemble | Aktivieren Des Abstimmungsensembles. | Bool |
| ensembleModelDownloadTimeout | Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen. Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist. |
Schnur |
| stackEnsembleSettings | Stack ensemble settings for stack ensemble run. | StackEnsembleSettings |
| trainingMode | TrainingMode-Modus - Die Einstellung auf "Auto" ist identisch mit dem Festlegen auf "nicht verteilt" für jetzt, kann jedoch in Zukunft zu einer gemischten Modus- oder Heuristik-basierten Modusauswahl führen. Der Standardwert ist "auto". Wenn "Verteilt" verwendet wird, werden nur verteilte Featurisierung verwendet und verteilte Algorithmen ausgewählt. Wenn "NonDistributed" ausgewählt wird, werden nur nicht verteilte Algorithmen ausgewählt. |
"Auto" "Verteilt" "Nicht verteilt" |
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseProperties
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceBaseTags
| Name | Beschreibung | Wert |
|---|
ResourceConfigurationProperties
| Name | Beschreibung | Wert |
|---|
SamplingAlgorithm
| Name | Beschreibung | Wert |
|---|---|---|
| samplingAlgorithmType | Auf 'Bayesian' für typ BayesianSamplingAlgorithmfestgelegt. Legen Sie für den Typ GridSamplingAlgorithmauf "Grid" fest. Legen Sie für typ RandomSamplingAlgorithmauf "Random" fest. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
ScheduleActionBase
| Name | Beschreibung | Wert |
|---|---|---|
| actionType | Set to 'CreateJob' for type JobScheduleAction. Set to 'CreateMonitor' for type CreateMonitorAction. Legen Sie für den Typ ImportDataAction-auf "ImportDataAction" fest. Legen Sie für den Typ EndpointScheduleAction-auf "InvokeBatchEndpoint" fest. | 'CreateJob' 'CreateMonitor' 'ImportData' 'InvokeBatchEndpoint' (erforderlich) |
ScheduleProperties
| Name | Beschreibung | Wert |
|---|---|---|
| Aktion | [Erforderlich] Gibt die Aktion des Zeitplans an. | ScheduleActionBase- (erforderlich) |
| Beschreibung | Der Text der Objektbeschreibung. | Schnur |
| displayName | Anzeigename des Zeitplans. | Schnur |
| isEnabled | Ist der Zeitplan aktiviert? | Bool |
| Eigenschaften | Das Objekteigenschaftenverzeichnis. | ResourceBaseProperties- |
| Schilder | Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. | ResourceBaseTags- |
| auslösen | [Erforderlich] Gibt die Triggerdetails an. | TriggerBase- (erforderlich) |
Saisonalität
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Wird für den Typ AutoSeasonality-auf "Auto" festgelegt. Für den Typ CustomSeasonality-auf "Benutzerdefiniert" festgelegt. | "Auto" "Benutzerdefiniert" (erforderlich) |
SecretConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| Uri | Geheimer URI. Beispiel-URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
Schnur |
| workspaceSecretName | Der Name des geheimen Schlüssels im Arbeitsbereichsschlüsseltresor. | Schnur |
SparkJob
| Name | Beschreibung | Wert |
|---|---|---|
| Archiv | Archivdateien, die im Auftrag verwendet werden. | string[] |
| Args | Argumente für den Auftrag. | Schnur |
| codeId | [Erforderlich] ARM-Ressourcen-ID der Coderessource. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Conf | Konfigurierte Spark-Eigenschaften. | SparkJobConf- |
| Eintrag | [Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll. | SparkJobEntry- (erforderlich) |
| environmentId | Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur |
| Dateien | Dateien, die im Auftrag verwendet werden. | string[] |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | SparkJobInputs |
| Krüge | Jar-Dateien, die im Auftrag verwendet werden. | string[] |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Spark" (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | SparkJobOutputs |
| pyFiles | Python-Dateien, die im Auftrag verwendet werden. | string[] |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | SparkResourceConfiguration- |
SparkJobConf
| Name | Beschreibung | Wert |
|---|
SparkJobEntry
| Name | Beschreibung | Wert |
|---|---|---|
| sparkJobEntryType | Set to 'SparkJobPythonEntry' for type SparkJobPythonEntry. Set to 'SparkJobScalaEntry' for type SparkJobScalaEntry. | 'SparkJobPythonEntry' 'SparkJobScalaEntry' (erforderlich) |
SparkJobInputs
| Name | Beschreibung | Wert |
|---|
SparkJobOutputs
| Name | Beschreibung | Wert |
|---|
SparkJobPythonEntry
| Name | Beschreibung | Wert |
|---|---|---|
| Datei | [Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| sparkJobEntryType | [Erforderlich] Typ des Einstiegspunkts des Auftrags. | "SparkJobPythonEntry" (erforderlich) |
SparkJobScalaEntry
| Name | Beschreibung | Wert |
|---|---|---|
| className | [Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| sparkJobEntryType | [Erforderlich] Typ des Einstiegspunkts des Auftrags. | 'SparkJobScalaEntry' (erforderlich) |
SparkResourceConfiguration
| Name | Beschreibung | Wert |
|---|---|---|
| instanceType | Optionaler Vm-Typ, der vom Computeziel unterstützt wird. | Schnur |
| runtimeVersion | Version der Spark-Runtime, die für den Auftrag verwendet wird. | Schnur |
StackEnsembleSettings
| Name | Beschreibung | Wert |
|---|---|---|
| stackMetaLearnerKWargs | Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen. | jegliche |
| stackMetaLearnerTrainPercentage | Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2. | Int |
| stackMetaLearnerType | Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" 'None' |
SweepJob
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind | EarlyTerminationPolicy- |
| Eingänge | Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. | SweepJobInputs |
| jobType | [Erforderlich] Gibt den Auftragstyp an. | "Aufräumen" (erforderlich) |
| grenzen | Grenzwert für "Aufräumen von Auftrag". | SweepJobLimits- |
| objektiv | [Erforderlich] Optimierungsziel. | Ziel- (erforderlich) |
| Ausgaben | Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. | SweepJobOutputs- |
| queueSettings | Warteschlangeneinstellungen für den Auftrag | QueueSettings- |
| samplingAlgorithm | [Erforderlich] Der Hyperparameter-Samplingalgorithmus | SamplingAlgorithm (erforderlich) |
| searchSpace | [Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters. | beliebig (erforderlich) |
| Probephase | [Erforderlich] Definition der Testkomponente. | TrialComponent- (erforderlich) |
SweepJobInputs
| Name | Beschreibung | Wert |
|---|
SweepJobLimits
| Name | Beschreibung | Wert |
|---|---|---|
| jobLimitsType | [Erforderlich] JobLimit-Typ. | 'Befehl' "Aufräumen" (erforderlich) |
| maxConcurrentTrials | Aufräumen des Auftrags max. gleichzeitige Testversionen. | Int |
| maxTotalTrials | "Auftrag aufräumen" max. Gesamtversuche. | Int |
| Zeitüberschreitung | Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. | Schnur |
| trialTimeout | Timeoutwert für "Testauftrag aufräumen". | Schnur |
SweepJobOutputs
| Name | Beschreibung | Wert |
|---|
TableFixedParameters
| Name | Beschreibung | Wert |
|---|---|---|
| Booster | Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost. | Schnur |
| boostType | Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM. | Schnur |
| growPolicy | Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Int |
| maxBin | Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen. | Int |
| maxDepth | Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken. | Int |
| maxLeaves | Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken. | Int |
| minDataInLeaf | Die Mindestanzahl der Daten pro Blatt. | Int |
| minSplitGain | Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen. | Int |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| nEstimators | Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an. | Int |
| numLeaves | Geben Sie die Anzahl der Blätter an. | Int |
| PreprocessorName | Der Name des zu verwendenden Präprozessors. | Schnur |
| regAlpha | L1-Normalisierungsausdruck auf Gewichtungen. | Int |
| regLambda | L2-Normalisierungsausdruck auf Gewichtungen. | Int |
| Subsample | Subsample-Verhältnis der Schulungsinstanz. | Int |
| subsampleFreq | Häufigkeit des Untersamples. | Int |
| treeMethod | Geben Sie die Strukturmethode an. | Schnur |
| withMean | Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar. | Bool |
| withStd | Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar. | Bool |
TableParameterSubspace
| Name | Beschreibung | Wert |
|---|---|---|
| Booster | Geben Sie den Verstärkungstyp an, z. B. gbdt für XGBoost. | Schnur |
| boostType | Geben Sie den Verstärkungstyp an, z. B. gbdt für LightGBM. | Schnur |
| growPolicy | Geben Sie die Erweiterungsrichtlinie an, die steuert, wie neue Knoten der Struktur hinzugefügt werden. | Schnur |
| learningRate | Die Lernrate für das Trainingsverfahren. | Schnur |
| maxBin | Geben Sie die maximale Anzahl einzelner Container an, um fortlaufende Features zu bucketen. | Schnur |
| maxDepth | Geben Sie die maximale Tiefe an, um die Strukturtiefe explizit einzuschränken. | Schnur |
| maxLeaves | Geben Sie die maximalen Blätter an, um die Baumblätter explizit einzuschränken. | Schnur |
| minDataInLeaf | Die Mindestanzahl der Daten pro Blatt. | Schnur |
| minSplitGain | Minimale Verlustreduzierung, die erforderlich ist, um eine weitere Partition auf einem Blattknoten der Struktur zu machen. | Schnur |
| modelName | Der Name des zu trainierenden Modells. | Schnur |
| nEstimators | Geben Sie die Anzahl von Strukturen (oder Runden) in einem Modell an. | Schnur |
| numLeaves | Geben Sie die Anzahl der Blätter an. | Schnur |
| PreprocessorName | Der Name des zu verwendenden Präprozessors. | Schnur |
| regAlpha | L1-Normalisierungsausdruck auf Gewichtungen. | Schnur |
| regLambda | L2-Normalisierungsausdruck auf Gewichtungen. | Schnur |
| Subsample | Subsample-Verhältnis der Schulungsinstanz. | Schnur |
| subsampleFreq | Häufigkeit des Untersampels | Schnur |
| treeMethod | Geben Sie die Strukturmethode an. | Schnur |
| withMean | Wenn true, zentriert vor der Skalierung der Daten mit StandardScalar. | Schnur |
| withStd | Wenn true, skalieren Sie die Daten mit Unit Variance mit StandardScalar. | Schnur |
TableSweepSettings
| Name | Beschreibung | Wert |
|---|---|---|
| earlyTermination | Art der Richtlinie für vorzeitige Beendigung für den aufräumenden Auftrag. | EarlyTerminationPolicy- |
| samplingAlgorithm | [Erforderlich] Typ des Samplingalgorithmus. | "Bayesian" 'Raster' "Zufällig" (erforderlich) |
TableVerticalFeaturizationSettings
| Name | Beschreibung | Wert |
|---|---|---|
| blockedTransformers | Diese Transformatoren dürfen nicht bei der Reifung verwendet werden. | Zeichenfolgenarray, das eine der folgenden Elemente enthält: 'CatTargetEncoder' 'CountVectorizer' "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Datasetsprache, nützlich für die Textdaten. | Schnur |
| enableDnnFeaturization | Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen. | Bool |
| Modus | Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase. Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt. Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt. |
"Auto" 'Benutzerdefiniert' 'Aus' |
| transformerParams | Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Name | Beschreibung | Wert |
|---|
TableVerticalFeaturizationSettingsTransformerParams
| Name | Beschreibung | Wert |
|---|
TableVerticalLimitSettings
| Name | Beschreibung | Wert |
|---|---|---|
| enableEarlyTermination | Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen. | Bool |
| exitScore | Exit score for the AutoML job. | Int |
| maxConcurrentTrials | Maximale gleichzeitige Iteration. | Int |
| maxCoresPerTrial | Max. Kerne pro Iteration. | Int |
| maxNodes | Maximale Anzahl von Knoten, die für das Experiment verwendet werden sollen. | Int |
| maxTrials | Anzahl der Iterationen. | Int |
| sweepConcurrentTrials | Die Anzahl der gleichzeitigen Aufräumläufe, die der Benutzer auslösen möchte. | Int |
| sweepTrials | Die Anzahl der Aufräumläufe, die der Benutzer auslösen möchte. | Int |
| Zeitüberschreitung | AutoML-Auftragstimeout. | Schnur |
| trialTimeout | Iterationstimeout. | Schnur |
TargetLags
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoTargetLagsauf "Auto" fest. Legen Sie für den Typ CustomTargetLagsauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
TargetRollingWindowSize
| Name | Beschreibung | Wert |
|---|---|---|
| Modus | Legen Sie für den Typ AutoTargetRollingWindowSizeauf "Auto" fest. Legen Sie für den Typ CustomTargetRollingWindowSizeauf "Benutzerdefiniert" fest. | "Auto" "Benutzerdefiniert" (erforderlich) |
TensorFlow
| Name | Beschreibung | Wert |
|---|---|---|
| distributionType | [Erforderlich] Gibt den Typ des Verteilungsframeworks an. | "TensorFlow" (erforderlich) |
| parameterServerCount | Anzahl der Parameterserveraufgaben. | Int |
| workerCount | Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet. | Int |
TextClassification
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primäre Metrik für Text-Classification Vorgang. | "Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted' |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextClassification' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TextClassificationMultilabel
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextClassificationMultilabel' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TextNer
| Name | Beschreibung | Wert |
|---|---|---|
| featurizationSettings | Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/Schulungsparameter, die während der gesamten Schulung konstant bleiben. | NlpFixedParameters |
| limitSettings | Ausführungseinschränkungen für AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. | NlpParameterSubspace[] |
| sweepSettings | Einstellungen für die Optimierung von Modellüberräumungen und Hyperparametern. | NlpSweepSettings |
| taskType | [Erforderlich] Aufgabentyp für AutoMLJob. | 'TextNER' (erforderlich) |
| validationData | Überprüfungsdateneingaben. | MLTableJobInput- |
TopNFeaturesByAttribution
| Name | Beschreibung | Wert |
|---|---|---|
| filterType | [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. | "TopNByAttribution" (erforderlich) |
| Nach oben | Die Anzahl der wichtigsten Features, die einbezogen werden sollen. | Int |
TrialComponent
| Name | Beschreibung | Wert |
|---|---|---|
| codeId | ARM-Ressourcen-ID der Coderessource. | Schnur |
| Befehl | [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| Verteilung | Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. | DistributionConfiguration- |
| environmentId | [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
| environmentVariables | Umgebungsvariablen, die im Auftrag enthalten sind. | TrialComponentEnvironmentVariables |
| Betriebsmittel | Berechnen der Ressourcenkonfiguration für den Auftrag. | JobResourceConfiguration- |
TrialComponentEnvironmentVariables
| Name | Beschreibung | Wert |
|---|
TriggerBase
| Name | Beschreibung | Wert |
|---|---|---|
| endTime | Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Siehe https://en.wikipedia.org/wiki/ISO_8601. Rekommentiertes Format wäre "2022-06-01T00:00:01" Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt. |
Schnur |
| startTime | Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset. | Schnur |
| timeZone | Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird. TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11 |
Schnur |
| triggerType | Wird für den Typ CronTrigger-auf "Cron" festgelegt. Set to 'Recurrence' for type RecurrenceTrigger. | "Cron" "Serie" (erforderlich) |
TritonModelJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "triton_model" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
TritonModelJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "triton_model" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
TruncationSelectionPolicy
| Name | Beschreibung | Wert |
|---|---|---|
| policyType | [Erforderlich] Name der Richtlinienkonfiguration | "TruncationSelection" (erforderlich) |
| truncationPercentage | Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen. | Int |
UriFileJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_file" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
UriFileJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_file" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
UriFolderJobInput
| Name | Beschreibung | Wert |
|---|---|---|
| jobInputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_folder" (erforderlich) |
| Modus | Übermittlungsmodus der Eingaberessource. | "Direkt" "Herunterladen" 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
| Uri | [Erforderlich] Eingabeobjekt-URI. | Schnur Zwänge: Min. Länge = 1 Pattern = [a-zA-Z0-9_] (erforderlich) |
UriFolderJobOutput
| Name | Beschreibung | Wert |
|---|---|---|
| assetName | Ausgabeobjektname. | Schnur |
| assetVersion | Ausgabeobjektversion. | Schnur |
| autoDeleteSetting | Einstellung für die automatische Löschung der Ausgabedatenressource. | AutoDeleteSetting- |
| jobOutputType | [Erforderlich] Gibt den Auftragstyp an. | "uri_folder" (erforderlich) |
| Modus | Ausgabeobjektübermittlungsmodus. | "Direkt" 'ReadWriteMount' "Hochladen" |
| Uri | Ausgabeobjekt-URI. | Schnur |
UserIdentity
| Name | Beschreibung | Wert |
|---|---|---|
| identityType | [Erforderlich] Gibt den Typ des Identitätsframeworks an. | "UserIdentity" (erforderlich) |
Webhook
| Name | Beschreibung | Wert |
|---|---|---|
| eventType | Senden eines Rückrufs für ein angegebenes Benachrichtigungsereignis | Schnur |
| webhookType | Legen Sie für den Typ AzureDevOpsWebhook-auf "AzureDevOps" fest. | "AzureDevOps" (erforderlich) |