Arbeitsbereiche/Aufträge von Microsoft.MachineLearningServices 2024-10-01-preview

• neueste
• 2024-10-01
• 2024-10-01-Vorschau-
• 2024-07-01-Preview-
• 2024-04-01
• 2024-04-01-Preview-
• 2024-01-01-Preview-
• 2023-10-01
• 2023-08-01-Preview-
• 2023-06-01-Preview-
• 2023-04-01
• 2023-04-01-Preview-
• 2023-02-01-Vorschau-
• 2022-12-01-Vorschau-
• 2022-10-01
• 2022-10-01-Preview-
• 2022-06-01-Preview-
• 2022-05-01
• 2022-02-01-Preview-
• 2021-03-01-Preview-

Bicep-Ressourcendefinition

Der Ressourcentyp "Arbeitsbereiche/Aufträge" 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/jobs-Ressource zu erstellen, fügen Sie Ihrer Vorlage die folgende Bicep hinzu.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2024-10-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    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'
    }
    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
  }
}

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'
}

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
}

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
}

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:

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

Webhook-Objekte

Legen Sie die webhookType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureDevOps-:

{
  webhookType: 'AzureDevOps'
}

FineTuningVertical-Objekte

Legen Sie die eigenschaft modelProvider fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureOpenAI-:

{
  hyperParameters: {
    batchSize: int
    learningRateMultiplier: int
    nEpochs: int
  }
  modelProvider: 'AzureOpenAI'
}

Verwenden Sie für benutzerdefinierteFolgendes:

{
  hyperParameters: {
    {customized property}: 'string'
  }
  modelProvider: 'Custom'
}

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'
  }
  resources: {
    dockerArgs: 'string'
    dockerArgsList: [
      'string'
    ]
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }
}

Verwenden Sie für Command:

{
  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'
  }
  resources: {
    dockerArgs: 'string'
    dockerArgsList: [
      'string'
    ]
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
}

Verwenden Sie für FineTuning-:

{
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    taskType: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    validationData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    modelProvider: 'string'
    // For remaining properties, see FineTuningVertical objects
  }
  jobType: 'FineTuning'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  resources: {
    instanceTypes: [
      'string'
    ]
  }
}

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'
  environmentVariables: {
    {customized property}: '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'
  }
  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'
  }
  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'
      dockerArgsList: [
        'string'
      ]
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
      }
      shmSize: 'string'
    }
  }
}

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
}

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
}

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)
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: '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'
    }
  }
  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)
        }
      ]
    }
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: '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'
    }
  }
  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'
    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'
    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)
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: '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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Verwenden Sie für TextClassification-:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'
  taskType: 'TextClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Verwenden Sie für TextClassificationMultilabel:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Verwenden Sie für TextNER-:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextNER'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: '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 TensorFlow-:

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

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'
}

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
  ]
}

Knotenobjekte

Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Alle:

{
  nodesValueType: 'All'
}

JobOutput-Objekte

Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

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

Verwenden Sie für mlflow_model:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_modelFolgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

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
}

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

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)

AutoForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Auto" (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)

AzureDevOpsWebhook

Name	Beschreibung	Wert
webhookType	[Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll.	"AzureDevOps" (erforderlich)

AzureOpenAiFineTuning

Name	Beschreibung	Wert
hyperParameter	HyperParameters zum Optimieren des Azure Open AI-Modells.	AzureOpenAiHyperParameters
modelProvider	[Erforderlich] Aufzählung, um den Typ der Feinabstimmung zu bestimmen.	"AzureOpenAI" (erforderlich)

AzureOpenAiHyperParameters

Name	Beschreibung	Wert
batchSize	Anzahl der Beispiele in jedem Batch. Eine größere Batchgröße bedeutet, dass Modellparameter weniger häufig aktualisiert werden, aber mit geringerer Varianz.	Int
learningRateMultiplier	Skalierungsfaktor für die Lernrate. Eine kleinere Lernrate kann nützlich sein, um zu vermeiden, dass die Anpassung überlasten wird.	Int
nEpochs	Die Anzahl der Epochen, für die das Modell trainiert werden soll. Eine Epoche bezieht sich auf einen vollständigen Zyklus durch das Schulungsdatensatz.	Int

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)

Klassifikation

Name	Beschreibung	Wert
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
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'
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

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

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
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.	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

CustomForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Prognosehorizontwert.	int (erforderlich)

CustomModelFineTuning

Name	Beschreibung	Wert
hyperParameter	HyperParameters für die Feinabstimmung des benutzerdefinierten Modells.	CustomModelFineTuningHyperParameters
modelProvider	[Erforderlich] Aufzählung, um den Typ der Feinabstimmung zu bestimmen.	"Benutzerdefiniert" (erforderlich)

CustomModelFineTuningHyperParameters

Name	Beschreibung	Wert

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
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

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)

DistributionConfiguration

Name	Beschreibung	Wert
distributionType	Set to 'Mpi' for type Mpi. Auf 'PyTorch' für typ PyTorchfestgelegt. Legen Sie für den Typ TensorFlowauf "TensorFlow" fest.	"Mpi" 'PyTorch' "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)

FineTuningJob

Name	Beschreibung	Wert
fineTuningDetails	[Erforderlich]	FineTuningVertical (erforderlich)
jobType	[Erforderlich] Gibt den Auftragstyp an.	"FineTuning" (erforderlich)
Ausgaben	[Erforderlich]	FineTuningJobOutputs (erforderlich)
queueSettings	Warteschlangeneinstellungen für den Auftrag	QueueSettings-
Betriebsmittel	Instanztypen und andere Ressourcen für den Auftrag	JobResources-

FineTuningJobOutputs

Name	Beschreibung	Wert

FineTuningVertical

Name	Beschreibung	Wert
Modell	[Erforderlich] Eingabemodell zur Feinabstimmung.	JobInput- (erforderlich)
modelProvider	Legen Sie für den Typ AzureOpenAiFineTuningauf "AzureOpenAI" fest. Legen Sie für den Typ CustomModelFineTuningauf "BenutzerdefineTuning" fest.	"AzureOpenAI" "Benutzerdefiniert" (erforderlich)
taskType	[Erforderlich] Feinabstimmung des Aufgabentyps.	"ChatCompletion" 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' "QuestionAnswering" 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' "TokenClassification" "VideoMultiObjectTracking" (erforderlich)
trainingData	[Erforderlich] Schulungsdaten zur Feinabstimmung.	JobInput- (erforderlich)
validationData	Überprüfungsdaten zur Feinabstimmung.	JobInput-

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
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'
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 Faltung drei Tage auseinander.	Int
featureLags	Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL.	"Auto" 'None'
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

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"
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)

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 FineTuningJob-auf "FineTuningJob" fest. Set to 'Pipeline' for type PipelineJob. Set to 'Spark' for type SparkJob. Legen Sie für den Typ SweepJob-auf "Aufräumen" fest.	'AutoML' 'Befehl' "FineTuning" 'Pipeline' "Spark" "Aufräumen" (erforderlich)
notificationSetting	Benachrichtigungseinstellung für den Auftrag	NotificationSetting-
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
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-

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
dockerArgsList	Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen, als Sammlung. 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.	string[]
instanceCount	Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden.	Int
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
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]

JobResources

Name	Beschreibung	Wert
instanceTypes	Liste der zu wählenden Instanztypen.	string[]

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.	Knoten
Hafen	Port für Endpunkt.	Int
Eigenschaften	Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen.	JobServiceProperties

JobServiceProperties

Name	Beschreibung	Wert

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/Arbeitsbereiche/Aufträge

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.	JobBaseProperties- (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
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
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mltable" (erforderlich)
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

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)

NlpVerticalFeaturizationSettings

Name	Beschreibung	Wert
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur

NlpVerticalLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale anzahl gleichzeitige AutoML-Iterationen.	Int
maxTrials	Anzahl der AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	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

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

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	Steuert die Berechnungsauftragsebene.	"Einfach" 'Null' "Premium" "Spot" "Standard"

RandomSamplingAlgorithm

Name	Beschreibung	Wert
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

Regression

Name	Beschreibung	Wert
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
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'
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

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

ResourceBaseProperties

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)

Saisonalität

Name	Beschreibung	Wert
Modus	Wird für den Typ AutoSeasonality-auf "Auto" festgelegt. Für den Typ CustomSeasonality-auf "Benutzerdefiniert" festgelegt.	"Auto" "Benutzerdefiniert" (erforderlich)

SparkJob

Name	Beschreibung	Wert
Archiv	Archivdateien, die im Auftrag verwendet werden.	string[]
Args	Argumente für den Auftrag.	Schnur
codeId	[Erforderlich] Arm-ID der Coderessource.	Zeichenfolge (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
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	SparkJobEnvironmentVariables
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)

SparkJobEnvironmentVariables

Name	Beschreibung	Wert

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

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
maxTrials	Anzahl der Iterationen.	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
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primäre Metrik für Text-Classification Vorgang.	"Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassification' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextClassificationMultilabel

Name	Beschreibung	Wert
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassificationMultilabel' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextNer

Name	Beschreibung	Wert
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextNER' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

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

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
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
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
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)

Schnellstartbeispiele

Die folgenden Schnellstartbeispiele stellen diesen Ressourcentyp bereit.

Bicep-Datei	Beschreibung
Erstellen eines Azure Machine Learning AutoML-Klassifizierungsauftrags	Diese Vorlage erstellt einen Azure Machine Learning AutoML-Klassifizierungsauftrag, um das beste Modell für die Vorhersage zu ermitteln, ob ein Kunde eine feste Laufzeiteinlage mit einem Finanzinstitut abonniert.
Erstellen eines Azure Machine Learning-Befehlsauftrags	Diese Vorlage erstellt einen Azure Machine Learning-Befehl mit einem einfachen hello_world Skript.
Erstellen eines Azure Machine Learning-Aufräumauftrags	Diese Vorlage erstellt einen Azure Machine Learning Sweep-Auftrag für die Hyperparameteroptimierung.

ARM-Vorlagenressourcendefinition

Der Ressourcentyp "Arbeitsbereiche/Aufträge" 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/jobs-Ressource zu erstellen, fügen Sie der Vorlage den folgenden JSON-Code hinzu.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2024-10-01-preview",
  "name": "string",
  "properties": {
    "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"
    },
    "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
  }
}

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"
}

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"
}

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"
}

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:

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

Webhook-Objekte

Legen Sie die webhookType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureDevOps-:

{
  "webhookType": "AzureDevOps"
}

FineTuningVertical-Objekte

Legen Sie die eigenschaft modelProvider fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureOpenAI-:

{
  "hyperParameters": {
    "batchSize": "int",
    "learningRateMultiplier": "int",
    "nEpochs": "int"
  },
  "modelProvider": "AzureOpenAI"
}

Verwenden Sie für benutzerdefinierteFolgendes:

{
  "hyperParameters": {
    "{customized property}": "string"
  },
  "modelProvider": "Custom"
}

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"
  },
  "resources": {
    "dockerArgs": "string",
    "dockerArgsList": [ "string" ],
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

Verwenden Sie für Command:

{
  "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"
  },
  "resources": {
    "dockerArgs": "string",
    "dockerArgsList": [ "string" ],
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  }
}

Verwenden Sie für FineTuning-:

{
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "taskType": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "validationData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "modelProvider": "string"
    // For remaining properties, see FineTuningVertical objects
  },
  "jobType": "FineTuning",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string"
  },
  "resources": {
    "instanceTypes": [ "string" ]
  }
}

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",
  "environmentVariables": {
    "{customized property}": "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"
  },
  "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"
  },
  "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",
      "dockerArgsList": [ "string" ],
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }
}

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"
}

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"
}

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": {}
        }
      ]
    }
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "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"
    }
  },
  "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": {}
        }
      ]
    }
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "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"
    }
  },
  "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",
    "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",
    "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": {}
        }
      ]
    }
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Verwenden Sie für TextClassification-:

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string",
  "taskType": "TextClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Verwenden Sie für TextClassificationMultilabel:

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "taskType": "TextClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Verwenden Sie für TextNER-:

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "taskType": "TextNER",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "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 TensorFlow-:

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

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"
}

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" ]
}

Knotenobjekte

Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Alle:

{
  "nodesValueType": "All"
}

JobOutput-Objekte

Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

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

Verwenden Sie für mlflow_model:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_modelFolgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

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"
}

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

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)

AutoForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Auto" (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)

AzureDevOpsWebhook

Name	Beschreibung	Wert
webhookType	[Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll.	"AzureDevOps" (erforderlich)

AzureOpenAiFineTuning

Name	Beschreibung	Wert
hyperParameter	HyperParameters zum Optimieren des Azure Open AI-Modells.	AzureOpenAiHyperParameters
modelProvider	[Erforderlich] Aufzählung, um den Typ der Feinabstimmung zu bestimmen.	"AzureOpenAI" (erforderlich)

AzureOpenAiHyperParameters

Name	Beschreibung	Wert
batchSize	Anzahl der Beispiele in jedem Batch. Eine größere Batchgröße bedeutet, dass Modellparameter weniger häufig aktualisiert werden, aber mit geringerer Varianz.	Int
learningRateMultiplier	Skalierungsfaktor für die Lernrate. Eine kleinere Lernrate kann nützlich sein, um zu vermeiden, dass die Anpassung überlasten wird.	Int
nEpochs	Die Anzahl der Epochen, für die das Modell trainiert werden soll. Eine Epoche bezieht sich auf einen vollständigen Zyklus durch das Schulungsdatensatz.	Int

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)

Klassifikation

Name	Beschreibung	Wert
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
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'
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

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

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
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.	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

CustomForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Prognosehorizontwert.	int (erforderlich)

CustomModelFineTuning

Name	Beschreibung	Wert
hyperParameter	HyperParameters für die Feinabstimmung des benutzerdefinierten Modells.	CustomModelFineTuningHyperParameters
modelProvider	[Erforderlich] Aufzählung, um den Typ der Feinabstimmung zu bestimmen.	"Benutzerdefiniert" (erforderlich)

CustomModelFineTuningHyperParameters

Name	Beschreibung	Wert

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
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

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)

DistributionConfiguration

Name	Beschreibung	Wert
distributionType	Set to 'Mpi' for type Mpi. Auf 'PyTorch' für typ PyTorchfestgelegt. Legen Sie für den Typ TensorFlowauf "TensorFlow" fest.	"Mpi" 'PyTorch' "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)

FineTuningJob

Name	Beschreibung	Wert
fineTuningDetails	[Erforderlich]	FineTuningVertical (erforderlich)
jobType	[Erforderlich] Gibt den Auftragstyp an.	"FineTuning" (erforderlich)
Ausgaben	[Erforderlich]	FineTuningJobOutputs (erforderlich)
queueSettings	Warteschlangeneinstellungen für den Auftrag	QueueSettings-
Betriebsmittel	Instanztypen und andere Ressourcen für den Auftrag	JobResources-

FineTuningJobOutputs

Name	Beschreibung	Wert

FineTuningVertical

Name	Beschreibung	Wert
Modell	[Erforderlich] Eingabemodell zur Feinabstimmung.	JobInput- (erforderlich)
modelProvider	Legen Sie für den Typ AzureOpenAiFineTuningauf "AzureOpenAI" fest. Legen Sie für den Typ CustomModelFineTuningauf "BenutzerdefineTuning" fest.	"AzureOpenAI" "Benutzerdefiniert" (erforderlich)
taskType	[Erforderlich] Feinabstimmung des Aufgabentyps.	"ChatCompletion" 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' "QuestionAnswering" 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' "TokenClassification" "VideoMultiObjectTracking" (erforderlich)
trainingData	[Erforderlich] Schulungsdaten zur Feinabstimmung.	JobInput- (erforderlich)
validationData	Überprüfungsdaten zur Feinabstimmung.	JobInput-

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
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'
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 Faltung drei Tage auseinander.	Int
featureLags	Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL.	"Auto" 'None'
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

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"
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)

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 FineTuningJob-auf "FineTuningJob" fest. Set to 'Pipeline' for type PipelineJob. Set to 'Spark' for type SparkJob. Legen Sie für den Typ SweepJob-auf "Aufräumen" fest.	'AutoML' 'Befehl' "FineTuning" 'Pipeline' "Spark" "Aufräumen" (erforderlich)
notificationSetting	Benachrichtigungseinstellung für den Auftrag	NotificationSetting-
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
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-

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
dockerArgsList	Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen, als Sammlung. 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.	string[]
instanceCount	Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden.	Int
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
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]

JobResources

Name	Beschreibung	Wert
instanceTypes	Liste der zu wählenden Instanztypen.	string[]

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.	Knoten
Hafen	Port für Endpunkt.	Int
Eigenschaften	Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen.	JobServiceProperties

JobServiceProperties

Name	Beschreibung	Wert

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/Arbeitsbereiche/Aufträge

Name	Beschreibung	Wert
apiVersion	Die API-Version	"2024-10-01-preview"
Name	Der Ressourcenname	Schnur Zwänge: Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich)
Eigenschaften	[Erforderlich] Zusätzliche Attribute der Entität.	JobBaseProperties- (erforderlich)
Art	Der Ressourcentyp	"Microsoft.MachineLearningServices/workspaces/jobs"

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
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
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mltable" (erforderlich)
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

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)

NlpVerticalFeaturizationSettings

Name	Beschreibung	Wert
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur

NlpVerticalLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale anzahl gleichzeitige AutoML-Iterationen.	Int
maxTrials	Anzahl der AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	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

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

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	Steuert die Berechnungsauftragsebene.	"Einfach" 'Null' "Premium" "Spot" "Standard"

RandomSamplingAlgorithm

Name	Beschreibung	Wert
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

Regression

Name	Beschreibung	Wert
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
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'
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

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

ResourceBaseProperties

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)

Saisonalität

Name	Beschreibung	Wert
Modus	Wird für den Typ AutoSeasonality-auf "Auto" festgelegt. Für den Typ CustomSeasonality-auf "Benutzerdefiniert" festgelegt.	"Auto" "Benutzerdefiniert" (erforderlich)

SparkJob

Name	Beschreibung	Wert
Archiv	Archivdateien, die im Auftrag verwendet werden.	string[]
Args	Argumente für den Auftrag.	Schnur
codeId	[Erforderlich] Arm-ID der Coderessource.	Zeichenfolge (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
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	SparkJobEnvironmentVariables
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)

SparkJobEnvironmentVariables

Name	Beschreibung	Wert

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

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
maxTrials	Anzahl der Iterationen.	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
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primäre Metrik für Text-Classification Vorgang.	"Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassification' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextClassificationMultilabel

Name	Beschreibung	Wert
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassificationMultilabel' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextNer

Name	Beschreibung	Wert
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextNER' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

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

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
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
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
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)

Schnellstartvorlagen

Die folgenden Schnellstartvorlagen stellen diesen Ressourcentyp bereit.

Schablone	Beschreibung
Erstellen eines Azure Machine Learning AutoML-Klassifizierungsauftrags	Diese Vorlage erstellt einen Azure Machine Learning AutoML-Klassifizierungsauftrag, um das beste Modell für die Vorhersage zu ermitteln, ob ein Kunde eine feste Laufzeiteinlage mit einem Finanzinstitut abonniert.
Erstellen eines Azure Machine Learning-Befehlsauftrags	Diese Vorlage erstellt einen Azure Machine Learning-Befehl mit einem einfachen hello_world Skript.
Erstellen eines Azure Machine Learning-Aufräumauftrags	Diese Vorlage erstellt einen Azure Machine Learning Sweep-Auftrag für die Hyperparameteroptimierung.

Terraform -Ressourcendefinition (AzAPI-Anbieter)

Der Ressourcentyp "Arbeitsbereiche/Aufträge" 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 Ressource "Microsoft.MachineLearningServices/workspaces/jobs" zu erstellen, fügen Sie Ihrer Vorlage die folgende Terraform hinzu.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2024-10-01-preview"
  name = "string"
  body = jsonencode({
    properties = {
      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"
      }
      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
    }
  })
}

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"
}

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
}

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
}

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:

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

Webhook-Objekte

Legen Sie die webhookType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureDevOps-:

{
  webhookType = "AzureDevOps"
}

FineTuningVertical-Objekte

Legen Sie die eigenschaft modelProvider fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureOpenAI-:

{
  hyperParameters = {
    batchSize = int
    learningRateMultiplier = int
    nEpochs = int
  }
  modelProvider = "AzureOpenAI"
}

Verwenden Sie für benutzerdefinierteFolgendes:

{
  hyperParameters = {
    {customized property} = "string"
  }
  modelProvider = "Custom"
}

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"
  }
  resources = {
    dockerArgs = "string"
    dockerArgsList = [
      "string"
    ]
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }
}

Verwenden Sie für Command:

{
  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"
  }
  resources = {
    dockerArgs = "string"
    dockerArgsList = [
      "string"
    ]
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
    shmSize = "string"
  }
}

Verwenden Sie für FineTuning-:

{
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    taskType = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    validationData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    modelProvider = "string"
    // For remaining properties, see FineTuningVertical objects
  }
  jobType = "FineTuning"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
  }
  resources = {
    instanceTypes = [
      "string"
    ]
  }
}

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"
  environmentVariables = {
    {customized property} = "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"
  }
  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"
  }
  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"
      dockerArgsList = [
        "string"
      ]
      instanceCount = int
      instanceType = "string"
      properties = {
        {customized property} = ?
      }
      shmSize = "string"
    }
  }
}

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
}

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
}

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 = ?
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "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"
    }
  }
  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 = ?
        }
      ]
    }
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    forecastHorizon = {
      mode = "string"
      // For remaining properties, see ForecastHorizon objects
    }
    frequency = "string"
    seasonality = {
      mode = "string"
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig = "string"
    targetAggregateFunction = "string"
    targetLags = {
      mode = "string"
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize = {
      mode = "string"
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName = "string"
    timeSeriesIdColumnNames = [
      "string"
    ]
    useStl = "string"
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "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"
    }
  }
  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"
    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"
    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 = ?
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Verwenden Sie für TextClassification-:

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"
  taskType = "TextClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Verwenden Sie für TextClassificationMultilabel:

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  taskType = "TextClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Verwenden Sie für TextNER-:

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  taskType = "TextNER"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "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 TensorFlow-:

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

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"
}

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
  ]
}

Knotenobjekte

Legen Sie die nodesValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Alle:

{
  nodesValueType = "All"
}

JobOutput-Objekte

Legen Sie die jobOutputType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_modelFolgendes:

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

Verwenden Sie für mlflow_model:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_modelFolgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

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
}

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

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)

AutoForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Auto" (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)

AzureDevOpsWebhook

Name	Beschreibung	Wert
webhookType	[Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll.	"AzureDevOps" (erforderlich)

AzureOpenAiFineTuning

Name	Beschreibung	Wert
hyperParameter	HyperParameters zum Optimieren des Azure Open AI-Modells.	AzureOpenAiHyperParameters
modelProvider	[Erforderlich] Aufzählung, um den Typ der Feinabstimmung zu bestimmen.	"AzureOpenAI" (erforderlich)

AzureOpenAiHyperParameters

Name	Beschreibung	Wert
batchSize	Anzahl der Beispiele in jedem Batch. Eine größere Batchgröße bedeutet, dass Modellparameter weniger häufig aktualisiert werden, aber mit geringerer Varianz.	Int
learningRateMultiplier	Skalierungsfaktor für die Lernrate. Eine kleinere Lernrate kann nützlich sein, um zu vermeiden, dass die Anpassung überlasten wird.	Int
nEpochs	Die Anzahl der Epochen, für die das Modell trainiert werden soll. Eine Epoche bezieht sich auf einen vollständigen Zyklus durch das Schulungsdatensatz.	Int

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)

Klassifikation

Name	Beschreibung	Wert
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
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'
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

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

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
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.	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

CustomForecastHorizon

Name	Beschreibung	Wert
Modus	[Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest.	"Benutzerdefiniert" (erforderlich)
Wert	[Erforderlich] Prognosehorizontwert.	int (erforderlich)

CustomModelFineTuning

Name	Beschreibung	Wert
hyperParameter	HyperParameters für die Feinabstimmung des benutzerdefinierten Modells.	CustomModelFineTuningHyperParameters
modelProvider	[Erforderlich] Aufzählung, um den Typ der Feinabstimmung zu bestimmen.	"Benutzerdefiniert" (erforderlich)

CustomModelFineTuningHyperParameters

Name	Beschreibung	Wert

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
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"custom_model" (erforderlich)
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

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)

DistributionConfiguration

Name	Beschreibung	Wert
distributionType	Set to 'Mpi' for type Mpi. Auf 'PyTorch' für typ PyTorchfestgelegt. Legen Sie für den Typ TensorFlowauf "TensorFlow" fest.	"Mpi" 'PyTorch' "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)

FineTuningJob

Name	Beschreibung	Wert
fineTuningDetails	[Erforderlich]	FineTuningVertical (erforderlich)
jobType	[Erforderlich] Gibt den Auftragstyp an.	"FineTuning" (erforderlich)
Ausgaben	[Erforderlich]	FineTuningJobOutputs (erforderlich)
queueSettings	Warteschlangeneinstellungen für den Auftrag	QueueSettings-
Betriebsmittel	Instanztypen und andere Ressourcen für den Auftrag	JobResources-

FineTuningJobOutputs

Name	Beschreibung	Wert

FineTuningVertical

Name	Beschreibung	Wert
Modell	[Erforderlich] Eingabemodell zur Feinabstimmung.	JobInput- (erforderlich)
modelProvider	Legen Sie für den Typ AzureOpenAiFineTuningauf "AzureOpenAI" fest. Legen Sie für den Typ CustomModelFineTuningauf "BenutzerdefineTuning" fest.	"AzureOpenAI" "Benutzerdefiniert" (erforderlich)
taskType	[Erforderlich] Feinabstimmung des Aufgabentyps.	"ChatCompletion" 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' "QuestionAnswering" 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' "TokenClassification" "VideoMultiObjectTracking" (erforderlich)
trainingData	[Erforderlich] Schulungsdaten zur Feinabstimmung.	JobInput- (erforderlich)
validationData	Überprüfungsdaten zur Feinabstimmung.	JobInput-

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
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'
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 Faltung drei Tage auseinander.	Int
featureLags	Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL.	"Auto" 'None'
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

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"
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)

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 FineTuningJob-auf "FineTuningJob" fest. Set to 'Pipeline' for type PipelineJob. Set to 'Spark' for type SparkJob. Legen Sie für den Typ SweepJob-auf "Aufräumen" fest.	'AutoML' 'Befehl' "FineTuning" 'Pipeline' "Spark" "Aufräumen" (erforderlich)
notificationSetting	Benachrichtigungseinstellung für den Auftrag	NotificationSetting-
Eigenschaften	Das Objekteigenschaftenverzeichnis.	ResourceBaseProperties-
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-

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
dockerArgsList	Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen, als Sammlung. 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.	string[]
instanceCount	Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden.	Int
instanceType	Optionaler Vm-Typ, der vom Computeziel unterstützt wird.	Schnur
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]

JobResources

Name	Beschreibung	Wert
instanceTypes	Liste der zu wählenden Instanztypen.	string[]

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.	Knoten
Hafen	Port für Endpunkt.	Int
Eigenschaften	Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen.	JobServiceProperties

JobServiceProperties

Name	Beschreibung	Wert

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/Arbeitsbereiche/Aufträge

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.	JobBaseProperties- (erforderlich)
Art	Der Ressourcentyp	"Microsoft.MachineLearningServices/workspaces/jobs@2024-10-01-preview"

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
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
jobOutputType	[Erforderlich] Gibt den Auftragstyp an.	"mltable" (erforderlich)
Modus	Ausgabeobjektübermittlungsmodus.	"Direkt" 'ReadWriteMount' "Hochladen"
Uri	Ausgabeobjekt-URI.	Schnur

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)

NlpVerticalFeaturizationSettings

Name	Beschreibung	Wert
datasetLanguage	Datasetsprache, nützlich für die Textdaten.	Schnur

NlpVerticalLimitSettings

Name	Beschreibung	Wert
maxConcurrentTrials	Maximale anzahl gleichzeitige AutoML-Iterationen.	Int
maxTrials	Anzahl der AutoML-Iterationen.	Int
Zeitüberschreitung	AutoML-Auftragstimeout.	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

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

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	Steuert die Berechnungsauftragsebene.	"Einfach" 'Null' "Premium" "Spot" "Standard"

RandomSamplingAlgorithm

Name	Beschreibung	Wert
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

Regression

Name	Beschreibung	Wert
cvSplitColumnNames	Spalten, die für CVSplit-Daten verwendet werden sollen.	string[]
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	TableVerticalFeaturizationSettings
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'
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

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

ResourceBaseProperties

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)

Saisonalität

Name	Beschreibung	Wert
Modus	Wird für den Typ AutoSeasonality-auf "Auto" festgelegt. Für den Typ CustomSeasonality-auf "Benutzerdefiniert" festgelegt.	"Auto" "Benutzerdefiniert" (erforderlich)

SparkJob

Name	Beschreibung	Wert
Archiv	Archivdateien, die im Auftrag verwendet werden.	string[]
Args	Argumente für den Auftrag.	Schnur
codeId	[Erforderlich] Arm-ID der Coderessource.	Zeichenfolge (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
environmentVariables	Umgebungsvariablen, die im Auftrag enthalten sind.	SparkJobEnvironmentVariables
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)

SparkJobEnvironmentVariables

Name	Beschreibung	Wert

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

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
maxTrials	Anzahl der Iterationen.	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
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primäre Metrik für Text-Classification Vorgang.	"Genauigkeit" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" 'PrecisionScoreWeighted'
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassification' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextClassificationMultilabel

Name	Beschreibung	Wert
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextClassificationMultilabel' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

TextNer

Name	Beschreibung	Wert
featurizationSettings	Reifungseingaben, die für den AutoML-Auftrag erforderlich sind.	NlpVerticalFeaturizationSettings
limitSettings	Ausführungseinschränkungen für AutoMLJob.	NlpVerticalLimitSettings
taskType	[Erforderlich] Aufgabentyp für AutoMLJob.	'TextNER' (erforderlich)
validationData	Überprüfungsdateneingaben.	MLTableJobInput-

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

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
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
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
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)