Compartir a través de

Áreas de trabajo de Microsoft.MachineLearningServices/jobs 2022-02-01-preview

  • Artículo

Definición de recursos de Bicep

El tipo de recurso workspaces/jobs se puede implementar con operaciones que tienen como destino:

Para obtener una lista de las propiedades modificadas en cada versión de API, consulte registro de cambios.

Formato de recurso

Para crear un recurso Microsoft.MachineLearningServices/workspaces/jobs, agregue el siguiente bicep a la plantilla.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    schedule: {
      endTime: 'string'
      scheduleStatus: 'string'
      startTime: 'string'
      timeZone: 'string'
      scheduleType: 'string'
      // For remaining properties, see ScheduleBase objects
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

Objetos JobBaseDetails

Establezca la propiedad jobType para especificar el tipo de objeto.

Para AutoML, use:

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
    }
  }
  taskDetails: {
    logVerbosity: 'string'
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, use:

  jobType: '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
    }
  }
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
    }
  }

Para canalización, use:

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

Para barrido, use:

  jobType: 'Sweep'
  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
    }
  }
  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
    }
  }
  samplingAlgorithm: {
    samplingAlgorithmType: 'string'
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace: any()
  trial: {
    codeId: 'string'
    command: 'string'
    distribution: {
      distributionType: 'string'
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId: 'string'
    environmentVariables: {
      {customized property}: 'string'
    }
    resources: {
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any()
      }
    }
  }

Objetos IdentityConfiguration

Establezca la propiedad identityType para especificar el tipo de objeto.

Para AMLToken, use:

  identityType: 'AMLToken'

Para managed, use:

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

Para UserIdentity, use:

  identityType: 'UserIdentity'

Objetos ScheduleBase

Establezca la propiedad scheduleType para especificar el tipo de objeto.

Para Cron, use:

  scheduleType: 'Cron'
  expression: 'string'

Para periodicidad, use:

  scheduleType: 'Recurrence'
  frequency: 'string'
  interval: int
  pattern: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    weekdays: [
      'string'
    ]
  }

Objetos JobOutput

Establezca la propiedad jobOutputType para especificar el tipo de objeto.

Para CustomModel, use:

  jobOutputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

Para MLFlowModel, use:

  jobOutputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

Para mlTable, use:

  jobOutputType: 'MLTable'
  mode: 'string'
  uri: 'string'

Para TritonModel, use:

  jobOutputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

Para UriFile, use:

  jobOutputType: 'UriFile'
  mode: 'string'
  uri: 'string'

Para UriFolder, use:

  jobOutputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

Objetos AutoMLVertical

Establezca la propiedad taskType para especificar el tipo de objeto.

Para clasificación, use:

  taskType: 'Classification'
  allowedModels: [
    'string'
  ]
  blockedModels: [
    'string'
  ]
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      cvSplitColumnNames: [
        'string'
      ]
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      nCrossValidations: {
        mode: 'string'
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize: int
    }
    weightColumnName: 'string'
  }
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    dropColumns: [
      'string'
    ]
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }

Para forecasting, use:

  taskType: 'Forecasting'
  allowedModels: [
    'string'
  ]
  blockedModels: [
    'string'
  ]
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      cvSplitColumnNames: [
        'string'
      ]
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      nCrossValidations: {
        mode: 'string'
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize: int
    }
    weightColumnName: 'string'
  }
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    dropColumns: [
      'string'
    ]
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  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'
  }
  primaryMetric: 'string'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }

Para ImageClassification, use:

  taskType: 'ImageClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Para ImageClassificationMultilabel, use:

  taskType: 'ImageClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Para imageInstanceSegmentation, use:

  taskType: 'ImageInstanceSegmentation'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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: 'MeanAveragePrecision'
  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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Para ImageObjectDetection, use:

  taskType: 'ImageObjectDetection'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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: 'MeanAveragePrecision'
  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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }

Para regresión, use:

  taskType: 'Regression'
  allowedModels: [
    'string'
  ]
  blockedModels: [
    'string'
  ]
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      cvSplitColumnNames: [
        'string'
      ]
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      nCrossValidations: {
        mode: 'string'
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize: int
    }
    weightColumnName: 'string'
  }
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    dropColumns: [
      'string'
    ]
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }

Para TextClassification, use:

  taskType: 'TextClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'

Para TextClassificationMultilabel, use:

  taskType: 'TextClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

Para TextNER, use:

  taskType: 'TextNER'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

Objetos NCrossValidations

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode: 'Auto'

Para Custom, use:

  mode: 'Custom'
  value: int

ForecastHorizon (objetos)

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode: 'Auto'

Para Custom, use:

  mode: 'Custom'
  value: int

Objetos de estacionalidad

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode: 'Auto'

Para Custom, use:

  mode: 'Custom'
  value: int

Objetos TargetLags

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode: 'Auto'

Para Custom, use:

  mode: 'Custom'
  values: [
    int
  ]

Objetos TargetRollingWindowSize

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode: 'Auto'

Para Custom, use:

  mode: 'Custom'
  value: int

Objetos EarlyTerminationPolicy

Establezca la propiedad policyType para especificar el tipo de objeto.

Para Bandit, use:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Para medianStopping, use:

  policyType: 'MedianStopping'

Para TruncationSelection, use:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Objetos DistributionConfiguration

Establezca la propiedad distributionType para especificar el tipo de objeto.

Para Mpi, use:

  distributionType: 'Mpi'
  processCountPerInstance: int

Para pyTorch, use:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Para tensorFlow, use:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

Objetos JobInput

Establezca la propiedad jobInputType para especificar el tipo de objeto.

Para CustomModel, use:

  jobInputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

Para literal, use:

  jobInputType: 'Literal'
  value: 'string'

Para MLFlowModel, use:

  jobInputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

Para mlTable, use:

  jobInputType: 'MLTable'
  mode: 'string'
  uri: 'string'

Para TritonModel, use:

  jobInputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

Para UriFile, use:

  jobInputType: 'UriFile'
  mode: 'string'
  uri: 'string'

Para UriFolder, use:

  jobInputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

Objetos SamplingAlgorithm

Establezca la propiedad samplingAlgorithmType para especificar el tipo de objeto.

Para bayesiano , use:

  samplingAlgorithmType: 'Bayesian'

Para Grid, use:

  samplingAlgorithmType: 'Grid'

Para random, use:

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

Valores de propiedad

áreas de trabajo o trabajos

Nombre Descripción Valor
nombre El nombre del recurso

Vea cómo establecer nombres y tipos para recursos secundarios en Bicep.		 string (obligatorio)
padre En Bicep, puede especificar el recurso primario para un recurso secundario. Solo tiene que agregar esta propiedad cuando el recurso secundario se declara fuera del recurso primario.

Para obtener más información, consulte recurso secundario fuera del recurso primario.		 Nombre simbólico del recurso de tipo: áreas de trabajo
Propiedades [Obligatorio] Atributos adicionales de la entidad. JobBaseDetails (obligatorio)

JobBaseDetails

Nombre Descripción Valor
computeId Identificador de recurso de ARM del recurso de proceso. cuerda
descripción Texto de descripción del recurso. cuerda
displayName Nombre para mostrar del trabajo. cuerda
experimentName Nombre del experimento al que pertenece el trabajo. Si no se establece, el trabajo se coloca en el experimento "Predeterminado". cuerda
identidad Configuración de identidad. Si se establece, debe ser uno de AmlToken, ManagedIdentity, UserIdentity o NULL.
El valor predeterminado es AmlToken si es null.		 IdentityConfiguration
isArchived ¿El recurso está archivado? Bool
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
horario Definición de programación del trabajo.
Si no se proporciona ninguna programación, el trabajo se ejecuta una vez y inmediatamente después del envío.		 scheduleBase
servicios Lista de jobEndpoints.
Para los trabajos locales, un punto de conexión de trabajo tendrá un valor de punto de conexión de FileStreamObject.		 JobBaseServices
Etiquetas Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. objeto
jobType Establecimiento del tipo de objeto autoML
de comandos de
de canalización de
de barrido (obligatorio)

IdentityConfiguration

Nombre Descripción Valor
identityType Establecimiento del tipo de objeto AMLToken
managed
userIdentity (obligatorio)

AmlToken

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. 'AMLToken' (obligatorio)

ManagedIdentity

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. "Administrado" (obligatorio)
clientId Especifica una identidad asignada por el usuario por identificador de cliente. En el caso de asignados por el sistema, no establezca este campo. cuerda

Restricciones:
Longitud mínima = 36
Longitud máxima = 36
Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Especifica una identidad asignada por el usuario por identificador de objeto. En el caso de asignados por el sistema, no establezca este campo. cuerda

Restricciones:
Longitud mínima = 36
Longitud máxima = 36
Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Especifica una identidad asignada por el usuario por el identificador de recurso de ARM. En el caso de asignados por el sistema, no establezca este campo. cuerda

UserIdentity

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. 'UserIdentity' (obligatorio)

ResourceBaseProperties

Nombre Descripción Valor
{propiedad personalizada} cuerda

ScheduleBase

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en formato ISO 8601.
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
scheduleStatus Especifica el estado de la programación. 'Deshabilitado'
'Habilitado'
startTime Especifica la hora de inicio de la programación en formato ISO 8601. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows.
 cuerda
scheduleType Establecimiento del tipo de objeto Cron
de periodicidad (obligatorio)

CronSchedule

Nombre Descripción Valor
scheduleType [Obligatorio] Especifica el tipo de programación. 'Cron' (obligatorio)
expresión [Obligatorio] Especifica la expresión cron de la programación.
La expresión debe seguir el formato NCronTab.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

RecurrenceSchedule

Nombre Descripción Valor
scheduleType [Obligatorio] Especifica el tipo de programación. 'Periodicidad' (obligatorio)
frecuencia [Obligatorio] Especifica la frecuencia con la que se va a desencadenar la programación. 'Día'
'Hora'
'Minuto'
'Mes'
'Semana' (obligatorio)
intervalo [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. int (obligatorio)
patrón Especifica el patrón de programación de periodicidad recurrencePattern

RecurrencePattern

Nombre Descripción Valor
horas [Obligatorio] Lista de horas para el patrón de programación de periodicidad int[] (obligatorio)
acta [Obligatorio] Lista de minutos para el patrón de programación de periodicidad int[] (obligatorio)
días entre semana Lista de días laborables para el patrón de programación de periodicidad Matriz de cadenas que contiene cualquiera de:
'Viernes'
"Lunes"
'Sábado'
'Domingo'
'Jueves'
"Martes"
'Miércoles'

JobBaseServices

Nombre Descripción Valor
{propiedad personalizada} JobService

JobService

Nombre Descripción Valor
Extremo Dirección URL del punto de conexión. cuerda
jobServiceType Tipo de punto de conexión. cuerda
puerto Puerto para el punto de conexión. Int
Propiedades Propiedades adicionales que se van a establecer en el punto de conexión. JobServiceProperties

JobServiceProperties

Nombre Descripción Valor
{propiedad personalizada} cuerda

AutoMLJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'AutoML' (obligatorio)
environmentId El identificador de recurso de ARM de la especificación del entorno para el trabajo.
Este es un valor opcional que se debe proporcionar, si no se proporciona, AutoML se usará de forma predeterminada en la versión del entorno mantenido por AutoML de producción al ejecutar el trabajo.		 cuerda
environmentVariables Variables de entorno incluidas en el trabajo. AutoMLJobEnvironmentVariables
Salidas Asignación de enlaces de datos de salida usados en el trabajo. AutoMLJobOutputs
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration
taskDetails [Obligatorio] Esto representa un escenario que puede ser una de las tablas,NLP/Image. AutoMLVertical (obligatorio)

AutoMLJobEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

AutoMLJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

JobOutput

Nombre Descripción Valor
descripción Descripción de la salida. cuerda
jobOutputType Establecimiento del tipo de objeto CustomModel
mlFlowModel
mlTable
TritonModel
UriFile de
UriFolder (obligatorio)

CustomModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'CustomModel' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

MLFlowModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'MLFlowModel' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

MLTableJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'MLTable' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

TritonModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'TritonModel' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

UriFileJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'UriFile' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

UriFolderJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'UriFolder' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

ResourceConfiguration

Nombre Descripción Valor
instanceCount Número opcional de instancias o nodos usados por el destino de proceso. Int
instanceType Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. cuerda
Propiedades Bolsa de propiedades adicionales. resourceConfigurationProperties

ResourceConfigurationProperties

Nombre Descripción Valor
{propiedad personalizada} Para Bicep, puede usar la función any() any().

AutoMLVertical

Nombre Descripción Valor
logVerbosity Detalle del registro del trabajo. "Crítico"
"Depurar"
'Error'
'Info'
'NotSet'
'Advertencia'
taskType Establecimiento del tipo de objeto de clasificación de
de previsión
ImageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
 imageObjectDetection de
regresión
TextClassification
TextClassificationMultilabel
TextNER (obligatorio)

Clasificación

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Clasificación' (obligatorio)
allowedModels Modelos permitidos para la tarea de clasificación. Matriz de cadenas que contiene cualquiera de:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedModels Modelos bloqueados para la tarea de clasificación. Matriz de cadenas que contiene cualquiera de:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal de la tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

TableVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Entradas de datos de validación. TableVerticalValidationDataSettings
weightColumnName Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. cuerda

TestDataSettings

Nombre Descripción Valor
datos Prueba de MLTable de datos. mlTableJobInput
testDataSize Fracción del conjunto de datos de prueba que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

MLTableJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'CustomModel'
'Literal'
'MLFlowModel'
'MLTable'
'TritonModel'
'UriFile'
'UriFolder' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

TrainingDataSettings

Nombre Descripción Valor
datos [Obligatorio] MlTable de datos de entrenamiento. mlTableJobInput (obligatorio)

TableVerticalValidationDataSettings

Nombre Descripción Valor
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
datos MlTable de datos de validación. mlTableJobInput
nCrossValidations Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento
cuando no se proporciona el conjunto de datos de validación.		 NCrossValidations
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

NCrossValidations

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoNCrossValidations

Nombre Descripción Valor
modo [Obligatorio] Modo para determinar las validaciones N cruzadas. 'Auto' (obligatorio)

CustomNCrossValidations

Nombre Descripción Valor
modo [Obligatorio] Modo para determinar las validaciones N cruzadas. 'Custom' (obligatorio)
valor [Obligatorio] Valor de N-Validaciones cruzadas. int (obligatorio)

TableVerticalFeaturizationSettings

Nombre Descripción Valor
blockedTransformers Estos transformadores no se utilizarán en la caracterización. string[]
columnNameAndTypes Diccionario de nombre de columna y su tipo (int, float, string, datetime etcetera). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Idioma del conjunto de datos, útil para los datos de texto. cuerda
dropColumns Columnas que se van a quitar de los datos durante la caracterización. string[]
enableDnnFeaturization Determina si se deben usar los caracterizadores basados en Dnn para la caracterización de datos. Bool
modo Modo de caracterización: el usuario puede mantener el modo "Automático" predeterminado y AutoML se encargará de la transformación necesaria de los datos en la fase de caracterización.
Si se selecciona "Desactivado", no se realiza ninguna caracterización.
Si se selecciona "Personalizado", el usuario puede especificar entradas adicionales para personalizar cómo se realiza la caracterización.		 'Auto'
'Personalizado'
'Desactivado'
transformerParams El usuario puede especificar transformadores adicionales que se usarán junto con las columnas a las que se aplicaría y los parámetros para el constructor del transformador. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nombre Descripción Valor
{propiedad personalizada} cuerda

TableVerticalFeaturizationSettingsTransformerParams

Nombre Descripción Valor
{propiedad personalizada} columnTransformer[]

ColumnTransformer

Nombre Descripción Valor
Campos Campos en los que se va a aplicar la lógica del transformador. string[]
Parámetros Propiedades diferentes que se van a pasar al transformador.
La entrada esperada es el diccionario de pares clave-valor en formato JSON.
 Para Bicep, puede usar la función any() any().

TableVerticalLimitSettings

Nombre Descripción Valor
enableEarlyTermination Habilitar la terminación anticipada, determina si AutoMLJob finalizará pronto si no hay ninguna mejora de puntuación en las últimas 20 iteraciones. Bool
exitScore Puntuación de salida para el trabajo de AutoML. Int
maxConcurrentTrials Iteraciones simultáneas máximas. Int
maxCoresPerTrial Número máximo de núcleos por iteración. Int
maxTrials Número de iteraciones. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera de iteración. cuerda

TrainingSettings

Nombre Descripción Valor
enableDnnTraining Habilite la recomendación de modelos DNN. Bool
enableModelExplainability Marca para activar la explicación en el mejor modelo. Bool
enableOnnxCompatibleModels Marca para habilitar modelos compatibles con onnx. Bool
enableStackEnsemble Habilite la ejecución del conjunto de pila. Bool
enableVoteEnsemble Habilite la ejecución del conjunto de votación. Bool
ensembleModelDownloadTimeout Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores.
Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo.		 cuerda
stackEnsembleSettings Configuración del conjunto de pila para la ejecución del conjunto de pila. StackEnsembleSettings

StackEnsembleSettings

Nombre Descripción Valor
stackMetaLearnerKWargs Parámetros opcionales para pasar al inicializador del meta-learner. Para Bicep, puede usar la función any() any().
stackMetaLearnerTrainPercentage Especifica la proporción del conjunto de entrenamiento (al elegir el tipo de entrenamiento y validación de entrenamiento) que se va a reservar para entrenar al meta-learner. El valor predeterminado es 0,2. Int
stackMetaLearnerType El meta-learner es un modelo entrenado en la salida de los modelos heterogéneos individuales. "ElasticNet"
"ElasticNetCV"
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'Ninguno'

Previsión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Previsión" (obligatorio)
allowedModels Modelos permitidos para la tarea de previsión. Matriz de cadenas que contiene cualquiera de:
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
"ElasticNet"
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
"Profeta"
'RandomForest'
'SGD'
'EstacionalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedModels Modelos bloqueados para la tarea de previsión. Matriz de cadenas que contiene cualquiera de:
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
"ElasticNet"
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
"Profeta"
'RandomForest'
'SGD'
'EstacionalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
forecastingSettings Previsión de entradas específicas de la tarea. ForecastingSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal para la tarea de previsión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

ForecastingSettings

Nombre Descripción Valor
countryOrRegionForHolidays País o región para días festivos para las tareas de previsión.
Deben ser códigos de país o región de dos letras ISO 3166, por ejemplo, "US" o "GB".		 cuerda
cvStepSize Número de períodos entre la hora de origen de un plegado CV y el siguiente plegado. Para
por ejemplo, si CVStepSize = 3 para los datos diarios, la hora de origen de cada plegamiento será
tres días de diferencia.		 Int
featureLags Marca para generar retrasos para las características numéricas con "auto" o null. 'Auto'
'Ninguno'
forecastHorizon Horizonte de previsión máximo deseado en unidades de frecuencia de serie temporal. ForecastHorizon
frecuencia Al realizar la previsión, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etcetera. La frecuencia de previsión es la frecuencia del conjunto de datos de forma predeterminada. cuerda
estacionalidad Establezca la estacionalidad de series temporales como un entero múltiplo de la frecuencia de la serie.
Si la estacionalidad se establece en "auto", se deducirá.		 estacionalidad
shortSeriesHandlingConfig Parámetro que define cómo si AutoML debe controlar series temporales cortas. 'Auto'
'Drop'
'Ninguno'
'Pad'
targetAggregateFunction Función que se va a usar para agregar la columna de destino de serie temporal para ajustarse a una frecuencia especificada por el usuario.
Si targetAggregateFunction se establece, es decir, no "None", pero no se establece el parámetro freq, se genera el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean".		 'Max'
'Mean'
'Min'
'Ninguno'
'Sum'
targetLags Número de períodos anteriores que se van a retardar desde la columna de destino. TargetLags
targetRollingWindowSize Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. TargetRollingWindowSize
timeColumnName Nombre de la columna de hora. Este parámetro es necesario cuando se prevé especificar la columna datetime en los datos de entrada utilizados para compilar la serie temporal e inferir su frecuencia. cuerda
timeSeriesIdColumnNames Los nombres de las columnas usadas para agrupar una serie de horas. Se puede usar para crear varias series.
Si no se define el grano, se supone que el conjunto de datos es una serie temporal. Este parámetro se usa con la previsión del tipo de tarea.		 string[]
useStl Configure la descomposición de STL de la columna de destino de serie temporal. 'Ninguno'
'Temporada'
'SeasonTrend'

ForecastHorizon

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoForecastHorizon

Nombre Descripción Valor
modo [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. 'Auto' (obligatorio)

CustomForecastHorizon

Nombre Descripción Valor
modo [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. 'Custom' (obligatorio)
valor [Obligatorio] Valor del horizonte de previsión. int (obligatorio)

Estacionalidad

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoSeasonality

Nombre Descripción Valor
modo [Obligatorio] Modo de estacionalidad. 'Auto' (obligatorio)

CustomSeasonality

Nombre Descripción Valor
modo [Obligatorio] Modo de estacionalidad. 'Custom' (obligatorio)
valor [Obligatorio] Valor de estacionalidad. int (obligatorio)

TargetLags

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoTargetLags

Nombre Descripción Valor
modo [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado 'Auto' (obligatorio)

CustomTargetLags

Nombre Descripción Valor
modo [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado 'Custom' (obligatorio)
valores [Obligatorio] Establezca los valores de retardo de destino. int[] (obligatorio)

TargetRollingWindowSize

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoTargetRollingWindowSize

Nombre Descripción Valor
modo [Obligatorio] Modo de detección TargetRollingWindowSiz. 'Auto' (obligatorio)

CustomTargetRollingWindowSize

Nombre Descripción Valor
modo [Obligatorio] Modo de detección TargetRollingWindowSiz. 'Custom' (obligatorio)
valor [Obligatorio] Valor TargetRollingWindowSize. int (obligatorio)

ImageClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassification' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsClassification
primaryMetric Métrica principal para optimizar esta tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsClassification[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Configuración del conjunto de datos de validación. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nombre Descripción Valor
datos MlTable de datos de validación. mlTableJobInput
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

ImageLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Número máximo de iteraciones simultáneas de AutoML. Int
maxTrials Número máximo de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda

ImageModelSettingsClassification

Nombre Descripción Valor
advancedSettings Configuración de escenarios avanzados. cuerda
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". Bool
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
checkpointDatasetId Identificador fileDataset para puntos de control entrenados previamente para el entrenamiento incremental.
Asegúrese de pasar CheckpointFilename junto con CheckpointDatasetId.		 cuerda
checkpointFilename Nombre de archivo del punto de control entrenado previamente en FileDataset para el entrenamiento incremental.
Asegúrese de pasar CheckpointDatasetId junto con CheckpointFilename.		 cuerda
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointRunId Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. cuerda
distribuido Si se va a usar el entrenamiento distribuido. Bool
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. Bool
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 Int
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 Int
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. Bool
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. Int
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 Int
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. Int
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". 'Ninguno'
'Paso'
"WarmupCosine"
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. Int
nesterov Habilite nesterov cuando el optimizador sea "sgd". Bool
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. Int
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. Int
optimizador Tipo de optimizador. 'Adam'
'Adamw'
'Ninguno'
'Sgd'
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. Int
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 Int
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. Int
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. Int
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. Int
trainingCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. Int
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. Int
validationCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. Int
validationResizeSizeSize Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. Int
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. Int
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. Int
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. Int
weightedLoss Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada.
1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2.
 Int

ImageModelDistributionSettingsClassification

Nombre Descripción Valor
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". cuerda
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
distribuido Si se va a usar el entrenamiento del distribuidor. cuerda
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. cuerda
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 cuerda
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 cuerda
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. cuerda
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. cuerda
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 cuerda
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 cuerda
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. cuerda
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". cuerda
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. cuerda
nesterov Habilite nesterov cuando el optimizador sea "sgd". cuerda
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. cuerda
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. cuerda
optimizador Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". cuerda
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. cuerda
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 cuerda
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. cuerda
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. cuerda
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. cuerda
trainingCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. cuerda
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. cuerda
validationCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. cuerda
validationResizeSizeSize Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. cuerda
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. cuerda
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. cuerda
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. cuerda
weightedLoss Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada.
1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2.
 cuerda

ImageSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada. EarlyTerminationPolicy
Límites [Obligatorio] Limite la configuración de barrido de modelos y barrido de hiperparámetros. imageSweepLimitSettings (obligatorio)
samplingAlgorithm [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. 'Bayesiano'
'Grid'
'Random' (obligatorio)

EarlyTerminationPolicy

Nombre Descripción Valor
delayEvaluation Número de intervalos por los que se va a retrasar la primera evaluación. Int
evaluationInterval Intervalo (número de ejecuciones) entre evaluaciones de directivas. Int
policyType Establecimiento del tipo de objeto bandido
medianStopping
truncamientoSelección (obligatorio)

BanditPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva 'Bandit' (obligatorio)
slackAmount Distancia absoluta permitida desde la mejor ejecución. Int
slackFactor Relación de la distancia permitida desde la ejecución con mejor rendimiento. Int

MedianStoppingPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva 'MedianStopping' (obligatorio)

TruncationSelectionPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva 'TruncationSelection' (obligatorio)
truncationPercentage Porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. Int

ImageSweepLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Número máximo de iteraciones simultáneas para el trabajo de barrido subyacente. Int
maxTrials Número máximo de iteraciones para el trabajo de barrido subyacente. Int

ImageClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassificationMultilabel' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsClassification
primaryMetric Métrica principal para optimizar esta tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsClassification[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageInstanceSegmentation

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageInstanceSegmentation' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica principal para optimizar esta tarea. 'MeanAveragePrecision'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageModelSettingsObjectDetection

Nombre Descripción Valor
advancedSettings Configuración de escenarios avanzados. cuerda
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". Bool
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
boxDetectionsPerImage Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
boxScoreThreshold Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que
BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].		 Int
checkpointDatasetId Identificador fileDataset para puntos de control entrenados previamente para el entrenamiento incremental.
Asegúrese de pasar CheckpointFilename junto con CheckpointDatasetId.		 cuerda
checkpointFilename Nombre de archivo del punto de control entrenado previamente en FileDataset para el entrenamiento incremental.
Asegúrese de pasar CheckpointDatasetId junto con CheckpointFilename.		 cuerda
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointRunId Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. cuerda
distribuido Si se va a usar el entrenamiento distribuido. Bool
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. Bool
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 Int
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 Int
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. Bool
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. Int
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 Int
imageSize Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo.
Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 Int
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. Int
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". 'Ninguno'
'Paso'
"WarmupCosine"
maxSize Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
minSize Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
modelSize Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge".
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 'ExtraLarge'
'Grande'
"Medio"
'Ninguno'
'Pequeño'
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. Int
multiescala Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%.
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 Bool
nesterov Habilite nesterov cuando el optimizador sea "sgd". Bool
nmsIouThreshold Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un float en el intervalo [0, 1]. Int
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. Int
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. Int
optimizador Tipo de optimizador. 'Adam'
'Adamw'
'Ninguno'
'Sgd'
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. Int
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 Int
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. Int
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. Int
tileGridSize Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser
Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tileOverlapRatio Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1).
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
tilePredictionsNmsThreshold Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes.
Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1].
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. Int
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. Int
validationIouThreshold Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. Int
validationMetricType Método de cálculo de métricas que se va a usar para las métricas de validación. 'Coco'
'CocoVoc'
'Ninguno'
'Voc'
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. Int
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. Int
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Nombre Descripción Valor
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". cuerda
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
boxDetectionsPerImage Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
boxScoreThreshold Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que
BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].		 cuerda
distribuido Si se va a usar el entrenamiento del distribuidor. cuerda
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. cuerda
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 cuerda
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 cuerda
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. cuerda
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. cuerda
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 cuerda
imageSize Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo.
Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 cuerda
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. cuerda
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". cuerda
maxSize Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
minSize Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
modelSize Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge".
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. cuerda
multiescala Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%.
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
nesterov Habilite nesterov cuando el optimizador sea "sgd". cuerda
nmsIouThreshold Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe estar flotante en el intervalo [0, 1]. cuerda
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. cuerda
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. cuerda
optimizador Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". cuerda
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. cuerda
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 cuerda
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. cuerda
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. cuerda
tileGridSize Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser
Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tileOverlapRatio Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1).
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tilePredictionsNmsThreshold Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes.
Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1].
Nota: Esta configuración no se admite para el algoritmo "yolov5".
NMS: supresión no máxima		 cuerda
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. cuerda
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. cuerda
validationIouThreshold Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. cuerda
validationMetricType Método de cálculo de métricas que se va a usar para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc". cuerda
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. cuerda
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. cuerda
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. cuerda

ImageObjectDetection

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageObjectDetection' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica principal para optimizar esta tarea. 'MeanAveragePrecision'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

Regresión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Regresión' (obligatorio)
allowedModels Modelos permitidos para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedModels Modelos bloqueados para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal para la tarea de regresión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

TextClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassification' (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica principal para Text-Classification tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'

NlpVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Entradas de datos de validación. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nombre Descripción Valor
datos MlTable de datos de validación. mlTableJobInput
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

NlpVerticalFeaturizationSettings

Nombre Descripción Valor
datasetLanguage Idioma del conjunto de datos, útil para los datos de texto. cuerda

NlpVerticalLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Iteraciones de AutoML simultáneas máximas. Int
maxTrials Número de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda

TextClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassificationMultilabel' (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings

TextNer

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextNER' (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings

CommandJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Command' (obligatorio)
codeId Identificador de recurso de ARM del recurso de código. cuerda
mandar [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]
distribución Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. DistributionConfiguration
environmentId [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
environmentVariables Variables de entorno incluidas en el trabajo. commandJobEnvironmentVariables
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. CommandJobInputs
Límites Límite de trabajos de comando. commandJobLimits
Salidas Asignación de enlaces de datos de salida usados en el trabajo. CommandJobOutputs
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration

DistributionConfiguration

Nombre Descripción Valor
distributionType Establecimiento del tipo de objeto Mpi
PyTorch
tensorFlow (obligatorio)

Mpi

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. 'Mpi' (obligatorio)
processCountPerInstance Número de procesos por nodo MPI. Int

PyTorch

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. 'PyTorch' (obligatorio)
processCountPerInstance Número de procesos por nodo. Int

TensorFlow

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. 'TensorFlow' (obligatorio)
parameterServerCount Número de tareas del servidor de parámetros. Int
workerCount Número de trabajadores. Si no se especifica, el valor predeterminado será el recuento de instancias. Int

CommandJobEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

CommandJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

JobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType Establecimiento del tipo de objeto CustomModel
literal de
mlFlowModel
mlTable
TritonModel
 UriFile de
UriFolder (obligatorio)

CustomModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'CustomModel' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

LiteralJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'Literal' (obligatorio)
valor [Obligatorio] Valor literal de la entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

MLFlowModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'MLFlowModel' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

TritonModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'TritonModel' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

UriFileJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'UriFile' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

UriFolderJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'UriFolder' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

CommandJobLimits

Nombre Descripción Valor
jobLimitsType [Obligatorio] Tipo JobLimit. 'Command'
'Barrido' (obligatorio)
interrupción Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. cuerda

CommandJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

PipelineJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Canalización' (obligatorio)
Entradas Entradas para el trabajo de canalización. pipelineJobInputs
Trabajos Los trabajos construyen el trabajo de canalización. PipelineJobJobs
Salidas Salidas para el trabajo de canalización pipelineJobOutputs
Configuración Configuración de canalización, para cosas como ContinueRunOnStepFailure etcetera. Para Bicep, puede usar la función any() any().

PipelineJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

PipelineJobJobs

Nombre Descripción Valor
{propiedad personalizada} Para Bicep, puede usar la función any() any().

PipelineJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SweepJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Barrido' (obligatorio)
earlyTermination Las directivas de terminación anticipada permiten cancelar ejecuciones con un rendimiento deficiente antes de que se completen. EarlyTerminationPolicy
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. sweepJobInputs
Límites Límite de trabajo de barrido. sweepJobLimits
objetivo [Obligatorio] Objetivo de optimización. objetivo (obligatorio)
Salidas Asignación de enlaces de datos de salida usados en el trabajo. SweepJobOutputs
samplingAlgorithm [Obligatorio] Algoritmo de muestreo de hiperparámetros samplingAlgorithm (obligatorio)
searchSpace [Obligatorio] Diccionario que contiene cada parámetro y su distribución. La clave de diccionario es el nombre del parámetro . Para Bicep, puede usar la función any() any(). (obligatorio)
juicio [Obligatorio] Definición del componente de prueba. trialComponent (obligatorio)

SweepJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

SweepJobLimits

Nombre Descripción Valor
jobLimitsType [Obligatorio] Tipo JobLimit. 'Command'
'Barrido' (obligatorio)
maxConcurrentTrials Pruebas simultáneas máximas del trabajo de barrido. Int
maxTotalTrials Pruebas totales máximas del trabajo de barrido. Int
interrupción Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. cuerda
trialTimeout Valor de tiempo de espera de prueba del trabajo de barrido. cuerda

Objetivo

Nombre Descripción Valor
Gol [Obligatorio] Define los objetivos de métrica admitidos para el ajuste de hiperparámetros 'Maximizar'
'Minimizar' (obligatorio)
primaryMetric [Obligatorio] Nombre de la métrica que se va a optimizar. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

SweepJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType Establecimiento del tipo de objeto bayesianos
grid de
aleatorio (obligatorio)

BayesianSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. 'Bayesian' (obligatorio)

GridSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. 'Grid' (obligatorio)

RandomSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. 'Random' (obligatorio)
regla Tipo específico de algoritmo aleatorio 'Random'
'Sobol'
semilla Entero opcional que se va a usar como inicialización para la generación de números aleatorios Int

TrialComponent

Nombre Descripción Valor
codeId Identificador de recurso de ARM del recurso de código. cuerda
mandar [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]
distribución Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. DistributionConfiguration
environmentId [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
environmentVariables Variables de entorno incluidas en el trabajo. TrialComponentEnvironmentVariables
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration

TrialComponentEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

Plantillas de inicio rápido

Las siguientes plantillas de inicio rápido implementan este tipo de recurso.

Plantilla Descripción
Creación de un trabajo de clasificación de AutoML de Azure Machine Learning

Implementación en Azure 		Esta plantilla crea un trabajo de clasificación de AutoML de Azure Machine Learning para averiguar el mejor modelo para predecir si un cliente se suscribirá a un depósito a plazo fijo con una institución financiera.
Creación de un trabajo de comando de Azure Machine Learning

Implementación en Azure 		Esta plantilla crea un trabajo de comando de Azure Machine Learning con un script de hello_world básico
Creación de un trabajo de barrido de Azure Machine Learning

Implementación en Azure 		Esta plantilla crea un trabajo de barrido de Azure Machine Learning para el ajuste de hiperparámetros.

Definición de recursos de plantilla de ARM

El tipo de recurso workspaces/jobs se puede implementar con operaciones que tienen como destino:

Para obtener una lista de las propiedades modificadas en cada versión de API, consulte registro de cambios.

Formato de recurso

Para crear un recurso Microsoft.MachineLearningServices/workspaces/jobs, agregue el siguiente JSON a la plantilla.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-02-01-preview",
  "name": "string",
  "properties": {
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "schedule": {
      "endTime": "string",
      "scheduleStatus": "string",
      "startTime": "string",
      "timeZone": "string",
      "scheduleType": "string"
      // For remaining properties, see ScheduleBase objects
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

Objetos JobBaseDetails

Establezca la propiedad jobType para especificar el tipo de objeto.

Para AutoML, use:

  "jobType": "AutoML",
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "resources": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    }
  },
  "taskDetails": {
    "logVerbosity": "string",
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, use:

  "jobType": "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
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "resources": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    }
  }

Para canalización, use:

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

Para barrido, use:

  "jobType": "Sweep",
  "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
    }
  },
  "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
    }
  },
  "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": {
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {}
      }
    }
  }

Objetos IdentityConfiguration

Establezca la propiedad identityType para especificar el tipo de objeto.

Para AMLToken, use:

  "identityType": "AMLToken"

Para managed, use:

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

Para UserIdentity, use:

  "identityType": "UserIdentity"

Objetos ScheduleBase

Establezca la propiedad scheduleType para especificar el tipo de objeto.

Para Cron, use:

  "scheduleType": "Cron",
  "expression": "string"

Para periodicidad, use:

  "scheduleType": "Recurrence",
  "frequency": "string",
  "interval": "int",
  "pattern": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "weekdays": [ "string" ]
  }

Objetos JobOutput

Establezca la propiedad jobOutputType para especificar el tipo de objeto.

Para CustomModel, use:

  "jobOutputType": "CustomModel",
  "mode": "string",
  "uri": "string"

Para MLFlowModel, use:

  "jobOutputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

Para mlTable, use:

  "jobOutputType": "MLTable",
  "mode": "string",
  "uri": "string"

Para TritonModel, use:

  "jobOutputType": "TritonModel",
  "mode": "string",
  "uri": "string"

Para UriFile, use:

  "jobOutputType": "UriFile",
  "mode": "string",
  "uri": "string"

Para UriFolder, use:

  "jobOutputType": "UriFolder",
  "mode": "string",
  "uri": "string"

Objetos AutoMLVertical

Establezca la propiedad taskType para especificar el tipo de objeto.

Para clasificación, use:

  "taskType": "Classification",
  "allowedModels": [ "string" ],
  "blockedModels": [ "string" ],
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "cvSplitColumnNames": [ "string" ],
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "nCrossValidations": {
        "mode": "string"
        // For remaining properties, see NCrossValidations objects
      },
      "validationDataSize": "int"
    },
    "weightColumnName": "string"
  },
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "dropColumns": [ "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"
  },
  "primaryMetric": "string",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }

Para forecasting, use:

  "taskType": "Forecasting",
  "allowedModels": [ "string" ],
  "blockedModels": [ "string" ],
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "cvSplitColumnNames": [ "string" ],
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "nCrossValidations": {
        "mode": "string"
        // For remaining properties, see NCrossValidations objects
      },
      "validationDataSize": "int"
    },
    "weightColumnName": "string"
  },
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "dropColumns": [ "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"
  },
  "primaryMetric": "string",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }

Para ImageClassification, use:

  "taskType": "ImageClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Para ImageClassificationMultilabel, use:

  "taskType": "ImageClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Para imageInstanceSegmentation, use:

  "taskType": "ImageInstanceSegmentation",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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": "MeanAveragePrecision",
  "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Para ImageObjectDetection, use:

  "taskType": "ImageObjectDetection",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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": "MeanAveragePrecision",
  "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  }

Para regresión, use:

  "taskType": "Regression",
  "allowedModels": [ "string" ],
  "blockedModels": [ "string" ],
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "cvSplitColumnNames": [ "string" ],
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "nCrossValidations": {
        "mode": "string"
        // For remaining properties, see NCrossValidations objects
      },
      "validationDataSize": "int"
    },
    "weightColumnName": "string"
  },
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "dropColumns": [ "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"
  },
  "primaryMetric": "string",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }

Para TextClassification, use:

  "taskType": "TextClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string"

Para TextClassificationMultilabel, use:

  "taskType": "TextClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

Para TextNER, use:

  "taskType": "TextNER",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

Objetos NCrossValidations

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  "mode": "Auto"

Para Custom, use:

  "mode": "Custom",
  "value": "int"

ForecastHorizon (objetos)

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  "mode": "Auto"

Para Custom, use:

  "mode": "Custom",
  "value": "int"

Objetos de estacionalidad

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  "mode": "Auto"

Para Custom, use:

  "mode": "Custom",
  "value": "int"

Objetos TargetLags

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  "mode": "Auto"

Para Custom, use:

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

Objetos TargetRollingWindowSize

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  "mode": "Auto"

Para Custom, use:

  "mode": "Custom",
  "value": "int"

Objetos EarlyTerminationPolicy

Establezca la propiedad policyType para especificar el tipo de objeto.

Para Bandit, use:

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

Para medianStopping, use:

  "policyType": "MedianStopping"

Para TruncationSelection, use:

  "policyType": "TruncationSelection",
  "truncationPercentage": "int"

Objetos DistributionConfiguration

Establezca la propiedad distributionType para especificar el tipo de objeto.

Para Mpi, use:

  "distributionType": "Mpi",
  "processCountPerInstance": "int"

Para pyTorch, use:

  "distributionType": "PyTorch",
  "processCountPerInstance": "int"

Para tensorFlow, use:

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

Objetos JobInput

Establezca la propiedad jobInputType para especificar el tipo de objeto.

Para CustomModel, use:

  "jobInputType": "CustomModel",
  "mode": "string",
  "uri": "string"

Para literal, use:

  "jobInputType": "Literal",
  "value": "string"

Para MLFlowModel, use:

  "jobInputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

Para mlTable, use:

  "jobInputType": "MLTable",
  "mode": "string",
  "uri": "string"

Para TritonModel, use:

  "jobInputType": "TritonModel",
  "mode": "string",
  "uri": "string"

Para UriFile, use:

  "jobInputType": "UriFile",
  "mode": "string",
  "uri": "string"

Para UriFolder, use:

  "jobInputType": "UriFolder",
  "mode": "string",
  "uri": "string"

Objetos SamplingAlgorithm

Establezca la propiedad samplingAlgorithmType para especificar el tipo de objeto.

Para bayesiano , use:

  "samplingAlgorithmType": "Bayesian"

Para Grid, use:

  "samplingAlgorithmType": "Grid"

Para random, use:

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

Valores de propiedad

áreas de trabajo o trabajos

Nombre Descripción Valor
tipo El tipo de recurso "Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion La versión de la API de recursos '2022-02-01-preview'
nombre El nombre del recurso

Vea cómo establecer nombres y tipos para recursos secundarios en plantillas de ARM json.		 string (obligatorio)
Propiedades [Obligatorio] Atributos adicionales de la entidad. JobBaseDetails (obligatorio)

JobBaseDetails

Nombre Descripción Valor
computeId Identificador de recurso de ARM del recurso de proceso. cuerda
descripción Texto de descripción del recurso. cuerda
displayName Nombre para mostrar del trabajo. cuerda
experimentName Nombre del experimento al que pertenece el trabajo. Si no se establece, el trabajo se coloca en el experimento "Predeterminado". cuerda
identidad Configuración de identidad. Si se establece, debe ser uno de AmlToken, ManagedIdentity, UserIdentity o NULL.
El valor predeterminado es AmlToken si es null.		 IdentityConfiguration
isArchived ¿El recurso está archivado? Bool
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
horario Definición de programación del trabajo.
Si no se proporciona ninguna programación, el trabajo se ejecuta una vez y inmediatamente después del envío.		 scheduleBase
servicios Lista de jobEndpoints.
Para los trabajos locales, un punto de conexión de trabajo tendrá un valor de punto de conexión de FileStreamObject.		 JobBaseServices
Etiquetas Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. objeto
jobType Establecimiento del tipo de objeto autoML
de comandos de
de canalización de
de barrido (obligatorio)

IdentityConfiguration

Nombre Descripción Valor
identityType Establecimiento del tipo de objeto AMLToken
managed
userIdentity (obligatorio)

AmlToken

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. 'AMLToken' (obligatorio)

ManagedIdentity

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. "Administrado" (obligatorio)
clientId Especifica una identidad asignada por el usuario por identificador de cliente. En el caso de asignados por el sistema, no establezca este campo. cuerda

Restricciones:
Longitud mínima = 36
Longitud máxima = 36
Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Especifica una identidad asignada por el usuario por identificador de objeto. En el caso de asignados por el sistema, no establezca este campo. cuerda

Restricciones:
Longitud mínima = 36
Longitud máxima = 36
Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Especifica una identidad asignada por el usuario por el identificador de recurso de ARM. En el caso de asignados por el sistema, no establezca este campo. cuerda

UserIdentity

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. 'UserIdentity' (obligatorio)

ResourceBaseProperties

Nombre Descripción Valor
{propiedad personalizada} cuerda

ScheduleBase

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en formato ISO 8601.
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
scheduleStatus Especifica el estado de la programación. 'Deshabilitado'
'Habilitado'
startTime Especifica la hora de inicio de la programación en formato ISO 8601. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows.
 cuerda
scheduleType Establecimiento del tipo de objeto Cron
de periodicidad (obligatorio)

CronSchedule

Nombre Descripción Valor
scheduleType [Obligatorio] Especifica el tipo de programación. 'Cron' (obligatorio)
expresión [Obligatorio] Especifica la expresión cron de la programación.
La expresión debe seguir el formato NCronTab.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

RecurrenceSchedule

Nombre Descripción Valor
scheduleType [Obligatorio] Especifica el tipo de programación. 'Periodicidad' (obligatorio)
frecuencia [Obligatorio] Especifica la frecuencia con la que se va a desencadenar la programación. 'Día'
'Hora'
'Minuto'
'Mes'
'Semana' (obligatorio)
intervalo [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. int (obligatorio)
patrón Especifica el patrón de programación de periodicidad recurrencePattern

RecurrencePattern

Nombre Descripción Valor
horas [Obligatorio] Lista de horas para el patrón de programación de periodicidad int[] (obligatorio)
acta [Obligatorio] Lista de minutos para el patrón de programación de periodicidad int[] (obligatorio)
días entre semana Lista de días laborables para el patrón de programación de periodicidad Matriz de cadenas que contiene cualquiera de:
'Viernes'
"Lunes"
'Sábado'
'Domingo'
'Jueves'
"Martes"
'Miércoles'

JobBaseServices

Nombre Descripción Valor
{propiedad personalizada} JobService

JobService

Nombre Descripción Valor
Extremo Dirección URL del punto de conexión. cuerda
jobServiceType Tipo de punto de conexión. cuerda
puerto Puerto para el punto de conexión. Int
Propiedades Propiedades adicionales que se van a establecer en el punto de conexión. JobServiceProperties

JobServiceProperties

Nombre Descripción Valor
{propiedad personalizada} cuerda

AutoMLJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'AutoML' (obligatorio)
environmentId El identificador de recurso de ARM de la especificación del entorno para el trabajo.
Este es un valor opcional que se debe proporcionar, si no se proporciona, AutoML se usará de forma predeterminada en la versión del entorno mantenido por AutoML de producción al ejecutar el trabajo.		 cuerda
environmentVariables Variables de entorno incluidas en el trabajo. AutoMLJobEnvironmentVariables
Salidas Asignación de enlaces de datos de salida usados en el trabajo. AutoMLJobOutputs
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration
taskDetails [Obligatorio] Esto representa un escenario que puede ser una de las tablas,NLP/Image. AutoMLVertical (obligatorio)

AutoMLJobEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

AutoMLJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

JobOutput

Nombre Descripción Valor
descripción Descripción de la salida. cuerda
jobOutputType Establecimiento del tipo de objeto CustomModel
mlFlowModel
mlTable
TritonModel
UriFile de
UriFolder (obligatorio)

CustomModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'CustomModel' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

MLFlowModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'MLFlowModel' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

MLTableJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'MLTable' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

TritonModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'TritonModel' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

UriFileJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'UriFile' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

UriFolderJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. 'UriFolder' (obligatorio)
modo Modo de entrega de recursos de salida. 'ReadWriteMount'
'Cargar'
Uri URI del recurso de salida. cuerda

ResourceConfiguration

Nombre Descripción Valor
instanceCount Número opcional de instancias o nodos usados por el destino de proceso. Int
instanceType Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. cuerda
Propiedades Bolsa de propiedades adicionales. resourceConfigurationProperties

ResourceConfigurationProperties

Nombre Descripción Valor
{propiedad personalizada}

AutoMLVertical

Nombre Descripción Valor
logVerbosity Detalle del registro del trabajo. "Crítico"
"Depurar"
'Error'
'Info'
'NotSet'
'Advertencia'
taskType Establecimiento del tipo de objeto de clasificación de
de previsión
ImageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
 imageObjectDetection de
regresión
TextClassification
TextClassificationMultilabel
TextNER (obligatorio)

Clasificación

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Clasificación' (obligatorio)
allowedModels Modelos permitidos para la tarea de clasificación. Matriz de cadenas que contiene cualquiera de:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedModels Modelos bloqueados para la tarea de clasificación. Matriz de cadenas que contiene cualquiera de:
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal de la tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

TableVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Entradas de datos de validación. TableVerticalValidationDataSettings
weightColumnName Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. cuerda

TestDataSettings

Nombre Descripción Valor
datos Prueba de MLTable de datos. mlTableJobInput
testDataSize Fracción del conjunto de datos de prueba que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

MLTableJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'CustomModel'
'Literal'
'MLFlowModel'
'MLTable'
'TritonModel'
'UriFile'
'UriFolder' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

TrainingDataSettings

Nombre Descripción Valor
datos [Obligatorio] MlTable de datos de entrenamiento. mlTableJobInput (obligatorio)

TableVerticalValidationDataSettings

Nombre Descripción Valor
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
datos MlTable de datos de validación. mlTableJobInput
nCrossValidations Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento
cuando no se proporciona el conjunto de datos de validación.		 NCrossValidations
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

NCrossValidations

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoNCrossValidations

Nombre Descripción Valor
modo [Obligatorio] Modo para determinar las validaciones N cruzadas. 'Auto' (obligatorio)

CustomNCrossValidations

Nombre Descripción Valor
modo [Obligatorio] Modo para determinar las validaciones N cruzadas. 'Custom' (obligatorio)
valor [Obligatorio] Valor de N-Validaciones cruzadas. int (obligatorio)

TableVerticalFeaturizationSettings

Nombre Descripción Valor
blockedTransformers Estos transformadores no se utilizarán en la caracterización. string[]
columnNameAndTypes Diccionario de nombre de columna y su tipo (int, float, string, datetime etcetera). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Idioma del conjunto de datos, útil para los datos de texto. cuerda
dropColumns Columnas que se van a quitar de los datos durante la caracterización. string[]
enableDnnFeaturization Determina si se deben usar los caracterizadores basados en Dnn para la caracterización de datos. Bool
modo Modo de caracterización: el usuario puede mantener el modo "Automático" predeterminado y AutoML se encargará de la transformación necesaria de los datos en la fase de caracterización.
Si se selecciona "Desactivado", no se realiza ninguna caracterización.
Si se selecciona "Personalizado", el usuario puede especificar entradas adicionales para personalizar cómo se realiza la caracterización.		 'Auto'
'Personalizado'
'Desactivado'
transformerParams El usuario puede especificar transformadores adicionales que se usarán junto con las columnas a las que se aplicaría y los parámetros para el constructor del transformador. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nombre Descripción Valor
{propiedad personalizada} cuerda

TableVerticalFeaturizationSettingsTransformerParams

Nombre Descripción Valor
{propiedad personalizada} columnTransformer[]

ColumnTransformer

Nombre Descripción Valor
Campos Campos en los que se va a aplicar la lógica del transformador. string[]
Parámetros Propiedades diferentes que se van a pasar al transformador.
La entrada esperada es el diccionario de pares clave-valor en formato JSON.

TableVerticalLimitSettings

Nombre Descripción Valor
enableEarlyTermination Habilitar la terminación anticipada, determina si AutoMLJob finalizará pronto si no hay ninguna mejora de puntuación en las últimas 20 iteraciones. Bool
exitScore Puntuación de salida para el trabajo de AutoML. Int
maxConcurrentTrials Iteraciones simultáneas máximas. Int
maxCoresPerTrial Número máximo de núcleos por iteración. Int
maxTrials Número de iteraciones. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera de iteración. cuerda

TrainingSettings

Nombre Descripción Valor
enableDnnTraining Habilite la recomendación de modelos DNN. Bool
enableModelExplainability Marca para activar la explicación en el mejor modelo. Bool
enableOnnxCompatibleModels Marca para habilitar modelos compatibles con onnx. Bool
enableStackEnsemble Habilite la ejecución del conjunto de pila. Bool
enableVoteEnsemble Habilite la ejecución del conjunto de votación. Bool
ensembleModelDownloadTimeout Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores.
Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo.		 cuerda
stackEnsembleSettings Configuración del conjunto de pila para la ejecución del conjunto de pila. StackEnsembleSettings

StackEnsembleSettings

Nombre Descripción Valor
stackMetaLearnerKWargs Parámetros opcionales para pasar al inicializador del meta-learner.
stackMetaLearnerTrainPercentage Especifica la proporción del conjunto de entrenamiento (al elegir el tipo de entrenamiento y validación de entrenamiento) que se va a reservar para entrenar al meta-learner. El valor predeterminado es 0,2. Int
stackMetaLearnerType El meta-learner es un modelo entrenado en la salida de los modelos heterogéneos individuales. "ElasticNet"
"ElasticNetCV"
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'Ninguno'

Previsión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Previsión" (obligatorio)
allowedModels Modelos permitidos para la tarea de previsión. Matriz de cadenas que contiene cualquiera de:
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
"ElasticNet"
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
"Profeta"
'RandomForest'
'SGD'
'EstacionalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedModels Modelos bloqueados para la tarea de previsión. Matriz de cadenas que contiene cualquiera de:
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
"ElasticNet"
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
"Profeta"
'RandomForest'
'SGD'
'EstacionalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
forecastingSettings Previsión de entradas específicas de la tarea. ForecastingSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal para la tarea de previsión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

ForecastingSettings

Nombre Descripción Valor
countryOrRegionForHolidays País o región para días festivos para las tareas de previsión.
Deben ser códigos de país o región de dos letras ISO 3166, por ejemplo, "US" o "GB".		 cuerda
cvStepSize Número de períodos entre la hora de origen de un plegado CV y el siguiente plegado. Para
por ejemplo, si CVStepSize = 3 para los datos diarios, la hora de origen de cada plegamiento será
tres días de diferencia.		 Int
featureLags Marca para generar retrasos para las características numéricas con "auto" o null. 'Auto'
'Ninguno'
forecastHorizon Horizonte de previsión máximo deseado en unidades de frecuencia de serie temporal. ForecastHorizon
frecuencia Al realizar la previsión, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etcetera. La frecuencia de previsión es la frecuencia del conjunto de datos de forma predeterminada. cuerda
estacionalidad Establezca la estacionalidad de series temporales como un entero múltiplo de la frecuencia de la serie.
Si la estacionalidad se establece en "auto", se deducirá.		 estacionalidad
shortSeriesHandlingConfig Parámetro que define cómo si AutoML debe controlar series temporales cortas. 'Auto'
'Drop'
'Ninguno'
'Pad'
targetAggregateFunction Función que se va a usar para agregar la columna de destino de serie temporal para ajustarse a una frecuencia especificada por el usuario.
Si targetAggregateFunction se establece, es decir, no "None", pero no se establece el parámetro freq, se genera el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean".		 'Max'
'Mean'
'Min'
'Ninguno'
'Sum'
targetLags Número de períodos anteriores que se van a retardar desde la columna de destino. TargetLags
targetRollingWindowSize Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. TargetRollingWindowSize
timeColumnName Nombre de la columna de hora. Este parámetro es necesario cuando se prevé especificar la columna datetime en los datos de entrada utilizados para compilar la serie temporal e inferir su frecuencia. cuerda
timeSeriesIdColumnNames Los nombres de las columnas usadas para agrupar una serie de horas. Se puede usar para crear varias series.
Si no se define el grano, se supone que el conjunto de datos es una serie temporal. Este parámetro se usa con la previsión del tipo de tarea.		 string[]
useStl Configure la descomposición de STL de la columna de destino de serie temporal. 'Ninguno'
'Temporada'
'SeasonTrend'

ForecastHorizon

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoForecastHorizon

Nombre Descripción Valor
modo [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. 'Auto' (obligatorio)

CustomForecastHorizon

Nombre Descripción Valor
modo [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. 'Custom' (obligatorio)
valor [Obligatorio] Valor del horizonte de previsión. int (obligatorio)

Estacionalidad

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoSeasonality

Nombre Descripción Valor
modo [Obligatorio] Modo de estacionalidad. 'Auto' (obligatorio)

CustomSeasonality

Nombre Descripción Valor
modo [Obligatorio] Modo de estacionalidad. 'Custom' (obligatorio)
valor [Obligatorio] Valor de estacionalidad. int (obligatorio)

TargetLags

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoTargetLags

Nombre Descripción Valor
modo [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado 'Auto' (obligatorio)

CustomTargetLags

Nombre Descripción Valor
modo [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado 'Custom' (obligatorio)
valores [Obligatorio] Establezca los valores de retardo de destino. int[] (obligatorio)

TargetRollingWindowSize

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoTargetRollingWindowSize

Nombre Descripción Valor
modo [Obligatorio] Modo de detección TargetRollingWindowSiz. 'Auto' (obligatorio)

CustomTargetRollingWindowSize

Nombre Descripción Valor
modo [Obligatorio] Modo de detección TargetRollingWindowSiz. 'Custom' (obligatorio)
valor [Obligatorio] Valor TargetRollingWindowSize. int (obligatorio)

ImageClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassification' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsClassification
primaryMetric Métrica principal para optimizar esta tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsClassification[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Configuración del conjunto de datos de validación. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nombre Descripción Valor
datos MlTable de datos de validación. mlTableJobInput
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

ImageLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Número máximo de iteraciones simultáneas de AutoML. Int
maxTrials Número máximo de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda

ImageModelSettingsClassification

Nombre Descripción Valor
advancedSettings Configuración de escenarios avanzados. cuerda
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". Bool
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
checkpointDatasetId Identificador fileDataset para puntos de control entrenados previamente para el entrenamiento incremental.
Asegúrese de pasar CheckpointFilename junto con CheckpointDatasetId.		 cuerda
checkpointFilename Nombre de archivo del punto de control entrenado previamente en FileDataset para el entrenamiento incremental.
Asegúrese de pasar CheckpointDatasetId junto con CheckpointFilename.		 cuerda
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointRunId Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. cuerda
distribuido Si se va a usar el entrenamiento distribuido. Bool
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. Bool
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 Int
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 Int
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. Bool
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. Int
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 Int
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. Int
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". 'Ninguno'
'Paso'
"WarmupCosine"
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. Int
nesterov Habilite nesterov cuando el optimizador sea "sgd". Bool
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. Int
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. Int
optimizador Tipo de optimizador. 'Adam'
'Adamw'
'Ninguno'
'Sgd'
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. Int
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 Int
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. Int
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. Int
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. Int
trainingCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. Int
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. Int
validationCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. Int
validationResizeSizeSize Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. Int
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. Int
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. Int
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. Int
weightedLoss Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada.
1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2.
 Int

ImageModelDistributionSettingsClassification

Nombre Descripción Valor
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". cuerda
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
distribuido Si se va a usar el entrenamiento del distribuidor. cuerda
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. cuerda
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 cuerda
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 cuerda
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. cuerda
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. cuerda
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 cuerda
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 cuerda
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. cuerda
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". cuerda
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. cuerda
nesterov Habilite nesterov cuando el optimizador sea "sgd". cuerda
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. cuerda
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. cuerda
optimizador Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". cuerda
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. cuerda
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 cuerda
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. cuerda
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. cuerda
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. cuerda
trainingCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. cuerda
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. cuerda
validationCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. cuerda
validationResizeSizeSize Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. cuerda
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. cuerda
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. cuerda
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. cuerda
weightedLoss Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada.
1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2.
 cuerda

ImageSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada. EarlyTerminationPolicy
Límites [Obligatorio] Limite la configuración de barrido de modelos y barrido de hiperparámetros. imageSweepLimitSettings (obligatorio)
samplingAlgorithm [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. 'Bayesiano'
'Grid'
'Random' (obligatorio)

EarlyTerminationPolicy

Nombre Descripción Valor
delayEvaluation Número de intervalos por los que se va a retrasar la primera evaluación. Int
evaluationInterval Intervalo (número de ejecuciones) entre evaluaciones de directivas. Int
policyType Establecimiento del tipo de objeto bandido
medianStopping
truncamientoSelección (obligatorio)

BanditPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva 'Bandit' (obligatorio)
slackAmount Distancia absoluta permitida desde la mejor ejecución. Int
slackFactor Relación de la distancia permitida desde la ejecución con mejor rendimiento. Int

MedianStoppingPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva 'MedianStopping' (obligatorio)

TruncationSelectionPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva 'TruncationSelection' (obligatorio)
truncationPercentage Porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. Int

ImageSweepLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Número máximo de iteraciones simultáneas para el trabajo de barrido subyacente. Int
maxTrials Número máximo de iteraciones para el trabajo de barrido subyacente. Int

ImageClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassificationMultilabel' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsClassification
primaryMetric Métrica principal para optimizar esta tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsClassification[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageInstanceSegmentation

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageInstanceSegmentation' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica principal para optimizar esta tarea. 'MeanAveragePrecision'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageModelSettingsObjectDetection

Nombre Descripción Valor
advancedSettings Configuración de escenarios avanzados. cuerda
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". Bool
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
boxDetectionsPerImage Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
boxScoreThreshold Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que
BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].		 Int
checkpointDatasetId Identificador fileDataset para puntos de control entrenados previamente para el entrenamiento incremental.
Asegúrese de pasar CheckpointFilename junto con CheckpointDatasetId.		 cuerda
checkpointFilename Nombre de archivo del punto de control entrenado previamente en FileDataset para el entrenamiento incremental.
Asegúrese de pasar CheckpointDatasetId junto con CheckpointFilename.		 cuerda
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointRunId Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. cuerda
distribuido Si se va a usar el entrenamiento distribuido. Bool
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. Bool
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 Int
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 Int
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. Bool
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. Int
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 Int
imageSize Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo.
Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 Int
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. Int
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". 'Ninguno'
'Paso'
"WarmupCosine"
maxSize Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
minSize Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
modelSize Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge".
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 'ExtraLarge'
'Grande'
"Medio"
'Ninguno'
'Pequeño'
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. Int
multiescala Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%.
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 Bool
nesterov Habilite nesterov cuando el optimizador sea "sgd". Bool
nmsIouThreshold Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un float en el intervalo [0, 1]. Int
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. Int
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. Int
optimizador Tipo de optimizador. 'Adam'
'Adamw'
'Ninguno'
'Sgd'
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. Int
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 Int
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. Int
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. Int
tileGridSize Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser
Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tileOverlapRatio Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1).
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
tilePredictionsNmsThreshold Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes.
Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1].
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. Int
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. Int
validationIouThreshold Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. Int
validationMetricType Método de cálculo de métricas que se va a usar para las métricas de validación. 'Coco'
'CocoVoc'
'Ninguno'
'Voc'
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. Int
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. Int
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Nombre Descripción Valor
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". cuerda
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
boxDetectionsPerImage Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
boxScoreThreshold Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que
BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].		 cuerda
distribuido Si se va a usar el entrenamiento del distribuidor. cuerda
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. cuerda
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 cuerda
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 cuerda
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. cuerda
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. cuerda
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 cuerda
imageSize Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo.
Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 cuerda
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. cuerda
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". cuerda
maxSize Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
minSize Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
modelSize Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge".
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. cuerda
multiescala Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%.
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
nesterov Habilite nesterov cuando el optimizador sea "sgd". cuerda
nmsIouThreshold Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe estar flotante en el intervalo [0, 1]. cuerda
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. cuerda
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. cuerda
optimizador Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". cuerda
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. cuerda
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 cuerda
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. cuerda
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. cuerda
tileGridSize Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser
Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tileOverlapRatio Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1).
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tilePredictionsNmsThreshold Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes.
Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1].
Nota: Esta configuración no se admite para el algoritmo "yolov5".
NMS: supresión no máxima		 cuerda
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. cuerda
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. cuerda
validationIouThreshold Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. cuerda
validationMetricType Método de cálculo de métricas que se va a usar para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc". cuerda
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. cuerda
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. cuerda
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. cuerda

ImageObjectDetection

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageObjectDetection' (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica principal para optimizar esta tarea. 'MeanAveragePrecision'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

Regresión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Regresión' (obligatorio)
allowedModels Modelos permitidos para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedModels Modelos bloqueados para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal para la tarea de regresión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

TextClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassification' (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica principal para Text-Classification tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'

NlpVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Entradas de datos de validación. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nombre Descripción Valor
datos MlTable de datos de validación. mlTableJobInput
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

NlpVerticalFeaturizationSettings

Nombre Descripción Valor
datasetLanguage Idioma del conjunto de datos, útil para los datos de texto. cuerda

NlpVerticalLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Iteraciones de AutoML simultáneas máximas. Int
maxTrials Número de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda

TextClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassificationMultilabel' (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings

TextNer

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextNER' (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings

CommandJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Command' (obligatorio)
codeId Identificador de recurso de ARM del recurso de código. cuerda
mandar [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]
distribución Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. DistributionConfiguration
environmentId [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
environmentVariables Variables de entorno incluidas en el trabajo. commandJobEnvironmentVariables
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. CommandJobInputs
Límites Límite de trabajos de comando. commandJobLimits
Salidas Asignación de enlaces de datos de salida usados en el trabajo. CommandJobOutputs
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration

DistributionConfiguration

Nombre Descripción Valor
distributionType Establecimiento del tipo de objeto Mpi
PyTorch
tensorFlow (obligatorio)

Mpi

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. 'Mpi' (obligatorio)
processCountPerInstance Número de procesos por nodo MPI. Int

PyTorch

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. 'PyTorch' (obligatorio)
processCountPerInstance Número de procesos por nodo. Int

TensorFlow

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. 'TensorFlow' (obligatorio)
parameterServerCount Número de tareas del servidor de parámetros. Int
workerCount Número de trabajadores. Si no se especifica, el valor predeterminado será el recuento de instancias. Int

CommandJobEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

CommandJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

JobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType Establecimiento del tipo de objeto CustomModel
literal de
mlFlowModel
mlTable
TritonModel
 UriFile de
UriFolder (obligatorio)

CustomModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'CustomModel' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

LiteralJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'Literal' (obligatorio)
valor [Obligatorio] Valor literal de la entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

MLFlowModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'MLFlowModel' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

TritonModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'TritonModel' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

UriFileJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'UriFile' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

UriFolderJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'UriFolder' (obligatorio)
modo Modo de entrega de recursos de entrada. 'Directo'
'Descargar'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

CommandJobLimits

Nombre Descripción Valor
jobLimitsType [Obligatorio] Tipo JobLimit. 'Command'
'Barrido' (obligatorio)
interrupción Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. cuerda

CommandJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

PipelineJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Canalización' (obligatorio)
Entradas Entradas para el trabajo de canalización. pipelineJobInputs
Trabajos Los trabajos construyen el trabajo de canalización. PipelineJobJobs
Salidas Salidas para el trabajo de canalización pipelineJobOutputs
Configuración Configuración de canalización, para cosas como ContinueRunOnStepFailure etcetera.

PipelineJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

PipelineJobJobs

Nombre Descripción Valor
{propiedad personalizada}

PipelineJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SweepJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Barrido' (obligatorio)
earlyTermination Las directivas de terminación anticipada permiten cancelar ejecuciones con un rendimiento deficiente antes de que se completen. EarlyTerminationPolicy
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. sweepJobInputs
Límites Límite de trabajo de barrido. sweepJobLimits
objetivo [Obligatorio] Objetivo de optimización. objetivo (obligatorio)
Salidas Asignación de enlaces de datos de salida usados en el trabajo. SweepJobOutputs
samplingAlgorithm [Obligatorio] Algoritmo de muestreo de hiperparámetros samplingAlgorithm (obligatorio)
searchSpace [Obligatorio] Diccionario que contiene cada parámetro y su distribución. La clave de diccionario es el nombre del parámetro .
juicio [Obligatorio] Definición del componente de prueba. trialComponent (obligatorio)

SweepJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

SweepJobLimits

Nombre Descripción Valor
jobLimitsType [Obligatorio] Tipo JobLimit. 'Command'
'Barrido' (obligatorio)
maxConcurrentTrials Pruebas simultáneas máximas del trabajo de barrido. Int
maxTotalTrials Pruebas totales máximas del trabajo de barrido. Int
interrupción Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. cuerda
trialTimeout Valor de tiempo de espera de prueba del trabajo de barrido. cuerda

Objetivo

Nombre Descripción Valor
Gol [Obligatorio] Define los objetivos de métrica admitidos para el ajuste de hiperparámetros 'Maximizar'
'Minimizar' (obligatorio)
primaryMetric [Obligatorio] Nombre de la métrica que se va a optimizar. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

SweepJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType Establecimiento del tipo de objeto bayesianos
grid de
aleatorio (obligatorio)

BayesianSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. 'Bayesian' (obligatorio)

GridSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. 'Grid' (obligatorio)

RandomSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. 'Random' (obligatorio)
regla Tipo específico de algoritmo aleatorio 'Random'
'Sobol'
semilla Entero opcional que se va a usar como inicialización para la generación de números aleatorios Int

TrialComponent

Nombre Descripción Valor
codeId Identificador de recurso de ARM del recurso de código. cuerda
mandar [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]
distribución Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. DistributionConfiguration
environmentId [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
environmentVariables Variables de entorno incluidas en el trabajo. TrialComponentEnvironmentVariables
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration

TrialComponentEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

Plantillas de inicio rápido

Las siguientes plantillas de inicio rápido implementan este tipo de recurso.

Plantilla Descripción
Creación de un trabajo de clasificación de AutoML de Azure Machine Learning

Implementación en Azure 		Esta plantilla crea un trabajo de clasificación de AutoML de Azure Machine Learning para averiguar el mejor modelo para predecir si un cliente se suscribirá a un depósito a plazo fijo con una institución financiera.
Creación de un trabajo de comando de Azure Machine Learning

Implementación en Azure 		Esta plantilla crea un trabajo de comando de Azure Machine Learning con un script de hello_world básico
Creación de un trabajo de barrido de Azure Machine Learning

Implementación en Azure 		Esta plantilla crea un trabajo de barrido de Azure Machine Learning para el ajuste de hiperparámetros.

Definición de recursos de Terraform (proveedor AzAPI)

El tipo de recurso workspaces/jobs se puede implementar con operaciones que tienen como destino:

  • grupos de recursos de

Para obtener una lista de las propiedades modificadas en cada versión de API, consulte registro de cambios.

Formato de recurso

Para crear un recurso Microsoft.MachineLearningServices/workspaces/jobs, agregue el siguiente terraform a la plantilla.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
      }
      schedule = {
        endTime = "string"
        scheduleStatus = "string"
        startTime = "string"
        timeZone = "string"
        scheduleType = "string"
        // For remaining properties, see ScheduleBase objects
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

Objetos JobBaseDetails

Establezca la propiedad jobType para especificar el tipo de objeto.

Para AutoML, use:

  jobType = "AutoML"
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    instanceCount = int
    instanceType = "string"
    properties = {}
  }
  taskDetails = {
    logVerbosity = "string"
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, use:

  jobType = "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
    }
  }
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    instanceCount = int
    instanceType = "string"
    properties = {}
  }

Para canalización, use:

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

Para barrido, use:

  jobType = "Sweep"
  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
    }
  }
  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
    }
  }
  samplingAlgorithm = {
    samplingAlgorithmType = "string"
    // For remaining properties, see SamplingAlgorithm objects
  }
  trial = {
    codeId = "string"
    command = "string"
    distribution = {
      distributionType = "string"
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId = "string"
    environmentVariables = {
      {customized property} = "string"
    }
    resources = {
      instanceCount = int
      instanceType = "string"
      properties = {}
    }
  }

Objetos IdentityConfiguration

Establezca la propiedad identityType para especificar el tipo de objeto.

Para AMLToken, use:

  identityType = "AMLToken"

Para managed, use:

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

Para UserIdentity, use:

  identityType = "UserIdentity"

Objetos ScheduleBase

Establezca la propiedad scheduleType para especificar el tipo de objeto.

Para Cron, use:

  scheduleType = "Cron"
  expression = "string"

Para periodicidad, use:

  scheduleType = "Recurrence"
  frequency = "string"
  interval = int
  pattern = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    weekdays = [
      "string"
    ]
  }

Objetos JobOutput

Establezca la propiedad jobOutputType para especificar el tipo de objeto.

Para CustomModel, use:

  jobOutputType = "CustomModel"
  mode = "string"
  uri = "string"

Para MLFlowModel, use:

  jobOutputType = "MLFlowModel"
  mode = "string"
  uri = "string"

Para mlTable, use:

  jobOutputType = "MLTable"
  mode = "string"
  uri = "string"

Para TritonModel, use:

  jobOutputType = "TritonModel"
  mode = "string"
  uri = "string"

Para UriFile, use:

  jobOutputType = "UriFile"
  mode = "string"
  uri = "string"

Para UriFolder, use:

  jobOutputType = "UriFolder"
  mode = "string"
  uri = "string"

Objetos AutoMLVertical

Establezca la propiedad taskType para especificar el tipo de objeto.

Para clasificación, use:

  taskType = "Classification"
  allowedModels = [
    "string"
  ]
  blockedModels = [
    "string"
  ]
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      cvSplitColumnNames = [
        "string"
      ]
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      nCrossValidations = {
        mode = "string"
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize = int
    }
    weightColumnName = "string"
  }
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    dropColumns = [
      "string"
    ]
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }

Para forecasting, use:

  taskType = "Forecasting"
  allowedModels = [
    "string"
  ]
  blockedModels = [
    "string"
  ]
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      cvSplitColumnNames = [
        "string"
      ]
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      nCrossValidations = {
        mode = "string"
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize = int
    }
    weightColumnName = "string"
  }
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    dropColumns = [
      "string"
    ]
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  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"
  }
  primaryMetric = "string"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }

Para ImageClassification, use:

  taskType = "ImageClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Para ImageClassificationMultilabel, use:

  taskType = "ImageClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Para imageInstanceSegmentation, use:

  taskType = "ImageInstanceSegmentation"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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 = "MeanAveragePrecision"
  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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Para ImageObjectDetection, use:

  taskType = "ImageObjectDetection"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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 = "MeanAveragePrecision"
  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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }

Para regresión, use:

  taskType = "Regression"
  allowedModels = [
    "string"
  ]
  blockedModels = [
    "string"
  ]
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      cvSplitColumnNames = [
        "string"
      ]
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      nCrossValidations = {
        mode = "string"
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize = int
    }
    weightColumnName = "string"
  }
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    dropColumns = [
      "string"
    ]
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }

Para TextClassification, use:

  taskType = "TextClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"

Para TextClassificationMultilabel, use:

  taskType = "TextClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

Para TextNER, use:

  taskType = "TextNER"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

Objetos NCrossValidations

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode = "Auto"

Para Custom, use:

  mode = "Custom"
  value = int

ForecastHorizon (objetos)

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode = "Auto"

Para Custom, use:

  mode = "Custom"
  value = int

Objetos de estacionalidad

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode = "Auto"

Para Custom, use:

  mode = "Custom"
  value = int

Objetos TargetLags

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode = "Auto"

Para Custom, use:

  mode = "Custom"
  values = [
    int
  ]

Objetos TargetRollingWindowSize

Establezca el modo propiedad para especificar el tipo de objeto.

Para Auto, use:

  mode = "Auto"

Para Custom, use:

  mode = "Custom"
  value = int

Objetos EarlyTerminationPolicy

Establezca la propiedad policyType para especificar el tipo de objeto.

Para Bandit, use:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Para medianStopping, use:

  policyType = "MedianStopping"

Para TruncationSelection, use:

  policyType = "TruncationSelection"
  truncationPercentage = int

Objetos DistributionConfiguration

Establezca la propiedad distributionType para especificar el tipo de objeto.

Para Mpi, use:

  distributionType = "Mpi"
  processCountPerInstance = int

Para pyTorch, use:

  distributionType = "PyTorch"
  processCountPerInstance = int

Para tensorFlow, use:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Objetos JobInput

Establezca la propiedad jobInputType para especificar el tipo de objeto.

Para CustomModel, use:

  jobInputType = "CustomModel"
  mode = "string"
  uri = "string"

Para literal, use:

  jobInputType = "Literal"
  value = "string"

Para MLFlowModel, use:

  jobInputType = "MLFlowModel"
  mode = "string"
  uri = "string"

Para mlTable, use:

  jobInputType = "MLTable"
  mode = "string"
  uri = "string"

Para TritonModel, use:

  jobInputType = "TritonModel"
  mode = "string"
  uri = "string"

Para UriFile, use:

  jobInputType = "UriFile"
  mode = "string"
  uri = "string"

Para UriFolder, use:

  jobInputType = "UriFolder"
  mode = "string"
  uri = "string"

Objetos SamplingAlgorithm

Establezca la propiedad samplingAlgorithmType para especificar el tipo de objeto.

Para bayesiano , use:

  samplingAlgorithmType = "Bayesian"

Para Grid, use:

  samplingAlgorithmType = "Grid"

Para random, use:

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

Valores de propiedad

áreas de trabajo o trabajos

Nombre Descripción Valor
tipo El tipo de recurso "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
nombre El nombre del recurso string (obligatorio)
parent_id Identificador del recurso que es el elemento primario de este recurso. Identificador del recurso de tipo: áreas de trabajo
Propiedades [Obligatorio] Atributos adicionales de la entidad. JobBaseDetails (obligatorio)

JobBaseDetails

Nombre Descripción Valor
computeId Identificador de recurso de ARM del recurso de proceso. cuerda
descripción Texto de descripción del recurso. cuerda
displayName Nombre para mostrar del trabajo. cuerda
experimentName Nombre del experimento al que pertenece el trabajo. Si no se establece, el trabajo se coloca en el experimento "Predeterminado". cuerda
identidad Configuración de identidad. Si se establece, debe ser uno de AmlToken, ManagedIdentity, UserIdentity o NULL.
El valor predeterminado es AmlToken si es null.		 IdentityConfiguration
isArchived ¿El recurso está archivado? Bool
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
horario Definición de programación del trabajo.
Si no se proporciona ninguna programación, el trabajo se ejecuta una vez y inmediatamente después del envío.		 scheduleBase
servicios Lista de jobEndpoints.
Para los trabajos locales, un punto de conexión de trabajo tendrá un valor de punto de conexión de FileStreamObject.		 JobBaseServices
Etiquetas Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. objeto
jobType Establecimiento del tipo de objeto autoML
de comandos de
de canalización de
de barrido (obligatorio)

IdentityConfiguration

Nombre Descripción Valor
identityType Establecimiento del tipo de objeto AMLToken
managed
userIdentity (obligatorio)

AmlToken

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. "AMLToken" (obligatorio)

ManagedIdentity

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. "Administrado" (obligatorio)
clientId Especifica una identidad asignada por el usuario por identificador de cliente. En el caso de asignados por el sistema, no establezca este campo. cuerda

Restricciones:
Longitud mínima = 36
Longitud máxima = 36
Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Especifica una identidad asignada por el usuario por identificador de objeto. En el caso de asignados por el sistema, no establezca este campo. cuerda

Restricciones:
Longitud mínima = 36
Longitud máxima = 36
Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Especifica una identidad asignada por el usuario por el identificador de recurso de ARM. En el caso de asignados por el sistema, no establezca este campo. cuerda

UserIdentity

Nombre Descripción Valor
identityType [Obligatorio] Especifica el tipo de marco de identidad. "UserIdentity" (obligatorio)

ResourceBaseProperties

Nombre Descripción Valor
{propiedad personalizada} cuerda

ScheduleBase

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en formato ISO 8601.
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
scheduleStatus Especifica el estado de la programación. "Deshabilitado"
"Habilitado"
startTime Especifica la hora de inicio de la programación en formato ISO 8601. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows.
 cuerda
scheduleType Establecimiento del tipo de objeto Cron
de periodicidad (obligatorio)

CronSchedule

Nombre Descripción Valor
scheduleType [Obligatorio] Especifica el tipo de programación. "Cron" (obligatorio)
expresión [Obligatorio] Especifica la expresión cron de la programación.
La expresión debe seguir el formato NCronTab.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

RecurrenceSchedule

Nombre Descripción Valor
scheduleType [Obligatorio] Especifica el tipo de programación. "Periodicidad" (obligatorio)
frecuencia [Obligatorio] Especifica la frecuencia con la que se va a desencadenar la programación. "Día"
"Hora"
"Minuto"
"Mes"
"Semana" (obligatorio)
intervalo [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. int (obligatorio)
patrón Especifica el patrón de programación de periodicidad recurrencePattern

RecurrencePattern

Nombre Descripción Valor
horas [Obligatorio] Lista de horas para el patrón de programación de periodicidad int[] (obligatorio)
acta [Obligatorio] Lista de minutos para el patrón de programación de periodicidad int[] (obligatorio)
días entre semana Lista de días laborables para el patrón de programación de periodicidad Matriz de cadenas que contiene cualquiera de:
"Viernes"
"Lunes"
"Sábado"
"Domingo"
"Jueves"
"Martes"
"Miércoles"

JobBaseServices

Nombre Descripción Valor
{propiedad personalizada} JobService

JobService

Nombre Descripción Valor
Extremo Dirección URL del punto de conexión. cuerda
jobServiceType Tipo de punto de conexión. cuerda
puerto Puerto para el punto de conexión. Int
Propiedades Propiedades adicionales que se van a establecer en el punto de conexión. JobServiceProperties

JobServiceProperties

Nombre Descripción Valor
{propiedad personalizada} cuerda

AutoMLJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. "AutoML" (obligatorio)
environmentId El identificador de recurso de ARM de la especificación del entorno para el trabajo.
Este es un valor opcional que se debe proporcionar, si no se proporciona, AutoML se usará de forma predeterminada en la versión del entorno mantenido por AutoML de producción al ejecutar el trabajo.		 cuerda
environmentVariables Variables de entorno incluidas en el trabajo. AutoMLJobEnvironmentVariables
Salidas Asignación de enlaces de datos de salida usados en el trabajo. AutoMLJobOutputs
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration
taskDetails [Obligatorio] Esto representa un escenario que puede ser una de las tablas,NLP/Image. AutoMLVertical (obligatorio)

AutoMLJobEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

AutoMLJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

JobOutput

Nombre Descripción Valor
descripción Descripción de la salida. cuerda
jobOutputType Establecimiento del tipo de objeto CustomModel
mlFlowModel
mlTable
TritonModel
UriFile de
UriFolder (obligatorio)

CustomModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. "CustomModel" (obligatorio)
modo Modo de entrega de recursos de salida. "ReadWriteMount"
"Cargar"
Uri URI del recurso de salida. cuerda

MLFlowModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. "MLFlowModel" (obligatorio)
modo Modo de entrega de recursos de salida. "ReadWriteMount"
"Cargar"
Uri URI del recurso de salida. cuerda

MLTableJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. "MLTable" (obligatorio)
modo Modo de entrega de recursos de salida. "ReadWriteMount"
"Cargar"
Uri URI del recurso de salida. cuerda

TritonModelJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. "TritonModel" (obligatorio)
modo Modo de entrega de recursos de salida. "ReadWriteMount"
"Cargar"
Uri URI del recurso de salida. cuerda

UriFileJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. "UriFile" (obligatorio)
modo Modo de entrega de recursos de salida. "ReadWriteMount"
"Cargar"
Uri URI del recurso de salida. cuerda

UriFolderJobOutput

Nombre Descripción Valor
jobOutputType [Obligatorio] Especifica el tipo de trabajo. "UriFolder" (obligatorio)
modo Modo de entrega de recursos de salida. "ReadWriteMount"
"Cargar"
Uri URI del recurso de salida. cuerda

ResourceConfiguration

Nombre Descripción Valor
instanceCount Número opcional de instancias o nodos usados por el destino de proceso. Int
instanceType Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. cuerda
Propiedades Bolsa de propiedades adicionales. resourceConfigurationProperties

ResourceConfigurationProperties

Nombre Descripción Valor
{propiedad personalizada}

AutoMLVertical

Nombre Descripción Valor
logVerbosity Detalle del registro del trabajo. "Crítico"
"Depurar"
"Error"
"Información"
"NotSet"
"Advertencia"
taskType Establecimiento del tipo de objeto de clasificación de
de previsión
ImageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
 imageObjectDetection de
regresión
TextClassification
TextClassificationMultilabel
TextNER (obligatorio)

Clasificación

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Clasificación" (obligatorio)
allowedModels Modelos permitidos para la tarea de clasificación. Matriz de cadenas que contiene cualquiera de:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Modelos bloqueados para la tarea de clasificación. Matriz de cadenas que contiene cualquiera de:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal de la tarea. "AUCWeighted"
"Precisión"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

TableVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Entradas de datos de validación. TableVerticalValidationDataSettings
weightColumnName Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. cuerda

TestDataSettings

Nombre Descripción Valor
datos Prueba de MLTable de datos. mlTableJobInput
testDataSize Fracción del conjunto de datos de prueba que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

MLTableJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "CustomModel"
"Literal"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (obligatorio)
modo Modo de entrega de recursos de entrada. "Directo"
"Descargar"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

TrainingDataSettings

Nombre Descripción Valor
datos [Obligatorio] MlTable de datos de entrenamiento. mlTableJobInput (obligatorio)

TableVerticalValidationDataSettings

Nombre Descripción Valor
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
datos MlTable de datos de validación. mlTableJobInput
nCrossValidations Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento
cuando no se proporciona el conjunto de datos de validación.		 NCrossValidations
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

NCrossValidations

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoNCrossValidations

Nombre Descripción Valor
modo [Obligatorio] Modo para determinar las validaciones N cruzadas. "Automático" (obligatorio)

CustomNCrossValidations

Nombre Descripción Valor
modo [Obligatorio] Modo para determinar las validaciones N cruzadas. "Personalizado" (obligatorio)
valor [Obligatorio] Valor de N-Validaciones cruzadas. int (obligatorio)

TableVerticalFeaturizationSettings

Nombre Descripción Valor
blockedTransformers Estos transformadores no se utilizarán en la caracterización. string[]
columnNameAndTypes Diccionario de nombre de columna y su tipo (int, float, string, datetime etcetera). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Idioma del conjunto de datos, útil para los datos de texto. cuerda
dropColumns Columnas que se van a quitar de los datos durante la caracterización. string[]
enableDnnFeaturization Determina si se deben usar los caracterizadores basados en Dnn para la caracterización de datos. Bool
modo Modo de caracterización: el usuario puede mantener el modo "Automático" predeterminado y AutoML se encargará de la transformación necesaria de los datos en la fase de caracterización.
Si se selecciona "Desactivado", no se realiza ninguna caracterización.
Si se selecciona "Personalizado", el usuario puede especificar entradas adicionales para personalizar cómo se realiza la caracterización.		 "Automático"
"Personalizado"
"Desactivado"
transformerParams El usuario puede especificar transformadores adicionales que se usarán junto con las columnas a las que se aplicaría y los parámetros para el constructor del transformador. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nombre Descripción Valor
{propiedad personalizada} cuerda

TableVerticalFeaturizationSettingsTransformerParams

Nombre Descripción Valor
{propiedad personalizada} columnTransformer[]

ColumnTransformer

Nombre Descripción Valor
Campos Campos en los que se va a aplicar la lógica del transformador. string[]
Parámetros Propiedades diferentes que se van a pasar al transformador.
La entrada esperada es el diccionario de pares clave-valor en formato JSON.

TableVerticalLimitSettings

Nombre Descripción Valor
enableEarlyTermination Habilitar la terminación anticipada, determina si AutoMLJob finalizará pronto si no hay ninguna mejora de puntuación en las últimas 20 iteraciones. Bool
exitScore Puntuación de salida para el trabajo de AutoML. Int
maxConcurrentTrials Iteraciones simultáneas máximas. Int
maxCoresPerTrial Número máximo de núcleos por iteración. Int
maxTrials Número de iteraciones. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera de iteración. cuerda

TrainingSettings

Nombre Descripción Valor
enableDnnTraining Habilite la recomendación de modelos DNN. Bool
enableModelExplainability Marca para activar la explicación en el mejor modelo. Bool
enableOnnxCompatibleModels Marca para habilitar modelos compatibles con onnx. Bool
enableStackEnsemble Habilite la ejecución del conjunto de pila. Bool
enableVoteEnsemble Habilite la ejecución del conjunto de votación. Bool
ensembleModelDownloadTimeout Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores.
Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo.		 cuerda
stackEnsembleSettings Configuración del conjunto de pila para la ejecución del conjunto de pila. StackEnsembleSettings

StackEnsembleSettings

Nombre Descripción Valor
stackMetaLearnerKWargs Parámetros opcionales para pasar al inicializador del meta-learner.
stackMetaLearnerTrainPercentage Especifica la proporción del conjunto de entrenamiento (al elegir el tipo de entrenamiento y validación de entrenamiento) que se va a reservar para entrenar al meta-learner. El valor predeterminado es 0,2. Int
stackMetaLearnerType El meta-learner es un modelo entrenado en la salida de los modelos heterogéneos individuales. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Ninguno"

Previsión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Previsión" (obligatorio)
allowedModels Modelos permitidos para la tarea de previsión. Matriz de cadenas que contiene cualquiera de:
"Arimax"
"AutoArima"
"Promedio"
"DecisionTree"
"ElasticNet"
"ExponencialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profeta"
"RandomForest"
"SGD"
"EstacionalAverage"
"EstacionalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Modelos bloqueados para la tarea de previsión. Matriz de cadenas que contiene cualquiera de:
"Arimax"
"AutoArima"
"Promedio"
"DecisionTree"
"ElasticNet"
"ExponencialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profeta"
"RandomForest"
"SGD"
"EstacionalAverage"
"EstacionalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
forecastingSettings Previsión de entradas específicas de la tarea. ForecastingSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal para la tarea de previsión. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

ForecastingSettings

Nombre Descripción Valor
countryOrRegionForHolidays País o región para días festivos para las tareas de previsión.
Deben ser códigos de país o región de dos letras ISO 3166, por ejemplo, "US" o "GB".		 cuerda
cvStepSize Número de períodos entre la hora de origen de un plegado CV y el siguiente plegado. Para
por ejemplo, si CVStepSize = 3 para los datos diarios, la hora de origen de cada plegamiento será
tres días de diferencia.		 Int
featureLags Marca para generar retrasos para las características numéricas con "auto" o null. "Automático"
"Ninguno"
forecastHorizon Horizonte de previsión máximo deseado en unidades de frecuencia de serie temporal. ForecastHorizon
frecuencia Al realizar la previsión, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etcetera. La frecuencia de previsión es la frecuencia del conjunto de datos de forma predeterminada. cuerda
estacionalidad Establezca la estacionalidad de series temporales como un entero múltiplo de la frecuencia de la serie.
Si la estacionalidad se establece en "auto", se deducirá.		 estacionalidad
shortSeriesHandlingConfig Parámetro que define cómo si AutoML debe controlar series temporales cortas. "Automático"
"Quitar"
"Ninguno"
"Pad"
targetAggregateFunction Función que se va a usar para agregar la columna de destino de serie temporal para ajustarse a una frecuencia especificada por el usuario.
Si targetAggregateFunction se establece, es decir, no "None", pero no se establece el parámetro freq, se genera el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean".		 "Max"
"Media"
"Min"
"Ninguno"
"Suma"
targetLags Número de períodos anteriores que se van a retardar desde la columna de destino. TargetLags
targetRollingWindowSize Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. TargetRollingWindowSize
timeColumnName Nombre de la columna de hora. Este parámetro es necesario cuando se prevé especificar la columna datetime en los datos de entrada utilizados para compilar la serie temporal e inferir su frecuencia. cuerda
timeSeriesIdColumnNames Los nombres de las columnas usadas para agrupar una serie de horas. Se puede usar para crear varias series.
Si no se define el grano, se supone que el conjunto de datos es una serie temporal. Este parámetro se usa con la previsión del tipo de tarea.		 string[]
useStl Configure la descomposición de STL de la columna de destino de serie temporal. "Ninguno"
"Temporada"
"SeasonTrend"

ForecastHorizon

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoForecastHorizon

Nombre Descripción Valor
modo [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. "Automático" (obligatorio)

CustomForecastHorizon

Nombre Descripción Valor
modo [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. "Personalizado" (obligatorio)
valor [Obligatorio] Valor del horizonte de previsión. int (obligatorio)

Estacionalidad

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoSeasonality

Nombre Descripción Valor
modo [Obligatorio] Modo de estacionalidad. "Automático" (obligatorio)

CustomSeasonality

Nombre Descripción Valor
modo [Obligatorio] Modo de estacionalidad. "Personalizado" (obligatorio)
valor [Obligatorio] Valor de estacionalidad. int (obligatorio)

TargetLags

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoTargetLags

Nombre Descripción Valor
modo [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado "Automático" (obligatorio)

CustomTargetLags

Nombre Descripción Valor
modo [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado "Personalizado" (obligatorio)
valores [Obligatorio] Establezca los valores de retardo de destino. int[] (obligatorio)

TargetRollingWindowSize

Nombre Descripción Valor
modo Establecimiento del tipo de objeto auto
personalizado (obligatorio)

AutoTargetRollingWindowSize

Nombre Descripción Valor
modo [Obligatorio] Modo de detección TargetRollingWindowSiz. "Automático" (obligatorio)

CustomTargetRollingWindowSize

Nombre Descripción Valor
modo [Obligatorio] Modo de detección TargetRollingWindowSiz. "Personalizado" (obligatorio)
valor [Obligatorio] Valor TargetRollingWindowSize. int (obligatorio)

ImageClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageClassification" (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsClassification
primaryMetric Métrica principal para optimizar esta tarea. "AUCWeighted"
"Precisión"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsClassification[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Configuración del conjunto de datos de validación. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nombre Descripción Valor
datos MlTable de datos de validación. mlTableJobInput
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

ImageLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Número máximo de iteraciones simultáneas de AutoML. Int
maxTrials Número máximo de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda

ImageModelSettingsClassification

Nombre Descripción Valor
advancedSettings Configuración de escenarios avanzados. cuerda
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". Bool
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
checkpointDatasetId Identificador fileDataset para puntos de control entrenados previamente para el entrenamiento incremental.
Asegúrese de pasar CheckpointFilename junto con CheckpointDatasetId.		 cuerda
checkpointFilename Nombre de archivo del punto de control entrenado previamente en FileDataset para el entrenamiento incremental.
Asegúrese de pasar CheckpointDatasetId junto con CheckpointFilename.		 cuerda
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointRunId Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. cuerda
distribuido Si se va a usar el entrenamiento distribuido. Bool
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. Bool
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 Int
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 Int
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. Bool
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. Int
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 Int
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. Int
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". "Ninguno"
"Paso"
"WarmupCosine"
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. Int
nesterov Habilite nesterov cuando el optimizador sea "sgd". Bool
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. Int
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. Int
optimizador Tipo de optimizador. "Adam"
"Adamw"
"Ninguno"
"Sgd"
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. Int
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 Int
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. Int
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. Int
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. Int
trainingCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. Int
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. Int
validationCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. Int
validationResizeSizeSize Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. Int
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. Int
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. Int
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. Int
weightedLoss Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada.
1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2.
 Int

ImageModelDistributionSettingsClassification

Nombre Descripción Valor
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". cuerda
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
distribuido Si se va a usar el entrenamiento del distribuidor. cuerda
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. cuerda
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 cuerda
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 cuerda
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. cuerda
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. cuerda
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 cuerda
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 cuerda
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. cuerda
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". cuerda
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. cuerda
nesterov Habilite nesterov cuando el optimizador sea "sgd". cuerda
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. cuerda
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. cuerda
optimizador Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". cuerda
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. cuerda
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 cuerda
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. cuerda
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. cuerda
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. cuerda
trainingCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. cuerda
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. cuerda
validationCropSize Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. cuerda
validationResizeSizeSize Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. cuerda
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. cuerda
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. cuerda
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. cuerda
weightedLoss Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada.
1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2.
 cuerda

ImageSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada. EarlyTerminationPolicy
Límites [Obligatorio] Limite la configuración de barrido de modelos y barrido de hiperparámetros. imageSweepLimitSettings (obligatorio)
samplingAlgorithm [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. "Bayesiano"
"Cuadrícula"
"Aleatorio" (obligatorio)

EarlyTerminationPolicy

Nombre Descripción Valor
delayEvaluation Número de intervalos por los que se va a retrasar la primera evaluación. Int
evaluationInterval Intervalo (número de ejecuciones) entre evaluaciones de directivas. Int
policyType Establecimiento del tipo de objeto bandido
medianStopping
truncamientoSelección (obligatorio)

BanditPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva "Bandido" (obligatorio)
slackAmount Distancia absoluta permitida desde la mejor ejecución. Int
slackFactor Relación de la distancia permitida desde la ejecución con mejor rendimiento. Int

MedianStoppingPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva "MedianStopping" (obligatorio)

TruncationSelectionPolicy

Nombre Descripción Valor
policyType [Obligatorio] Nombre de la configuración de directiva "TruncationSelection" (obligatorio)
truncationPercentage Porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. Int

ImageSweepLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Número máximo de iteraciones simultáneas para el trabajo de barrido subyacente. Int
maxTrials Número máximo de iteraciones para el trabajo de barrido subyacente. Int

ImageClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageClassificationMultilabel" (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsClassification
primaryMetric Métrica principal para optimizar esta tarea. "AUCWeighted"
"Precisión"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsClassification[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageInstanceSegmentation

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageInstanceSegmentation" (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica principal para optimizar esta tarea. "MeanAveragePrecision"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

ImageModelSettingsObjectDetection

Nombre Descripción Valor
advancedSettings Configuración de escenarios avanzados. cuerda
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". Bool
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. Int
boxDetectionsPerImage Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
boxScoreThreshold Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que
BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].		 Int
checkpointDatasetId Identificador fileDataset para puntos de control entrenados previamente para el entrenamiento incremental.
Asegúrese de pasar CheckpointFilename junto con CheckpointDatasetId.		 cuerda
checkpointFilename Nombre de archivo del punto de control entrenado previamente en FileDataset para el entrenamiento incremental.
Asegúrese de pasar CheckpointDatasetId junto con CheckpointFilename.		 cuerda
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointRunId Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. cuerda
distribuido Si se va a usar el entrenamiento distribuido. Bool
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. Bool
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 Int
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 Int
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. Bool
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. Int
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 Int
imageSize Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo.
Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 Int
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. Int
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". "Ninguno"
"Paso"
"WarmupCosine"
maxSize Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
minSize Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
modelSize Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge".
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 "ExtraLarge"
"Grande"
"Medio"
"Ninguno"
"Pequeño"
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. Int
multiescala Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%.
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 Bool
nesterov Habilite nesterov cuando el optimizador sea "sgd". Bool
nmsIouThreshold Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un float en el intervalo [0, 1]. Int
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. Int
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. Int
optimizador Tipo de optimizador. "Adam"
"Adamw"
"Ninguno"
"Sgd"
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. Int
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 Int
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. Int
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. Int
tileGridSize Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser
Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tileOverlapRatio Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1).
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
tilePredictionsNmsThreshold Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes.
Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1].
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 Int
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. Int
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. Int
validationIouThreshold Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. Int
validationMetricType Método de cálculo de métricas que se va a usar para las métricas de validación. "Coco"
"CocoVoc"
"Ninguno"
"Voc"
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. Int
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. Int
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Nombre Descripción Valor
amsGradient Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". cuerda
Aumentos Configuración para usar aumentos. cuerda
beta1 Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
beta2 Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. cuerda
boxDetectionsPerImage Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
boxScoreThreshold Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que
BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].		 cuerda
distribuido Si se va a usar el entrenamiento del distribuidor. cuerda
earlyStopping Habilite la lógica de detención temprana durante el entrenamiento. cuerda
earlyStoppingDelay Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales
se realiza un seguimiento de la detención temprana. Debe ser un entero positivo.		 cuerda
earlyStoppingPatience Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes
se detiene la ejecución. Debe ser un entero positivo.		 cuerda
enableOnnxNormalization Habilite la normalización al exportar el modelo ONNX. cuerda
evaluationFrequency Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. cuerda
gradientAccumulationStep La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin
actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar
los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.		 cuerda
imageSize Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo.
Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
layersToFreeze Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo.
Por ejemplo, pasar 2 como valor para "seresnext" significa
capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor
consulte: /azure/machine-learning/how-to-auto-train-image-models.		 cuerda
learningRate Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. cuerda
learningRateScheduler Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". cuerda
maxSize Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
minSize Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal.
Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
modelName Nombre del modelo que se va a usar para el entrenamiento.
Para obtener más información sobre los modelos disponibles, visite la documentación oficial:
/azure/machine-learning/how-to-auto-train-image-models.		 cuerda
modelSize Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge".
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
momento Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. cuerda
multiescala Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%.
Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU.
Nota: Esta configuración solo se admite para el algoritmo "yolov5".		 cuerda
nesterov Habilite nesterov cuando el optimizador sea "sgd". cuerda
nmsIouThreshold Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe estar flotante en el intervalo [0, 1]. cuerda
numberOfEpochs Número de épocas de entrenamiento. Debe ser un entero positivo. cuerda
numberOfWorkers Número de trabajos del cargador de datos. Debe ser un entero no negativo. cuerda
optimizador Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". cuerda
randomSeed Inicialización aleatoria que se usará al usar el entrenamiento determinista. cuerda
splitRatio Si no se definen los datos de validación, especifica la relación de división para la división.
entrenar datos en subconjuntos de entrenamiento y validación aleatorios. Debe ser un float en el intervalo [0, 1].		 cuerda
stepLRGamma Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. cuerda
stepLRStepSize Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. cuerda
tileGridSize Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser
Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tileOverlapRatio Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1).
Nota: Esta configuración no se admite para el algoritmo "yolov5".		 cuerda
tilePredictionsNmsThreshold Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes.
Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1].
Nota: Esta configuración no se admite para el algoritmo "yolov5".
NMS: supresión no máxima		 cuerda
trainingBatchSize Tamaño del lote de entrenamiento. Debe ser un entero positivo. cuerda
validationBatchSize Tamaño del lote de validación. Debe ser un entero positivo. cuerda
validationIouThreshold Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. cuerda
validationMetricType Método de cálculo de métricas que se va a usar para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc". cuerda
warmupCosineLRCycles Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. cuerda
warmupCosineLRWarmupEpochs Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. cuerda
weightDecay Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. cuerda

ImageObjectDetection

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageObjectDetection" (obligatorio)
dataSettings [Obligatorio] Colección de identificadores de conjunto de datos tabulares registrados y otras configuraciones de datos necesarias para entrenar y validar modelos. ImageVerticalDataSettings (obligatorio)
limitSettings [Obligatorio] Limite la configuración del trabajo de AutoML. ImageLimitSettings (obligatorio)
modelSettings Configuración que se usa para entrenar el modelo. ImageModelSettingsObjectDetection
primaryMetric Métrica principal para optimizar esta tarea. "MeanAveragePrecision"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Configuración relacionada con barrido de hiperparámetros y barrido de modelos. imageSweepSettings

Regresión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Regresión" (obligatorio)
allowedModels Modelos permitidos para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Modelos bloqueados para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Entradas de datos para AutoMLJob. TableVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
primaryMetric Métrica principal para la tarea de regresión. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. TrainingSettings

TextClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "TextClassification" (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica principal para Text-Classification tarea. "AUCWeighted"
"Precisión"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Nombre Descripción Valor
targetColumnName [Obligatorio] Nombre de columna de destino: se trata de la columna de valores de predicción.
También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
testData Prueba de la entrada de datos. testDataSettings
trainingData [Obligatorio] Entrada de datos de entrenamiento. TrainingDataSettings (obligatorio)
validationData Entradas de datos de validación. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Nombre Descripción Valor
datos MlTable de datos de validación. mlTableJobInput
validationDataSize La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación.
Valores entre (0,0 , 1,0)
Se aplica cuando no se proporciona el conjunto de datos de validación.
 Int

NlpVerticalFeaturizationSettings

Nombre Descripción Valor
datasetLanguage Idioma del conjunto de datos, útil para los datos de texto. cuerda

NlpVerticalLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Iteraciones de AutoML simultáneas máximas. Int
maxTrials Número de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda

TextClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "TextClassificationMultilabel" (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings

TextNer

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "TextNER" (obligatorio)
dataSettings Entradas de datos para AutoMLJob. NlpVerticalDataSettings
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings

CommandJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. "Command" (obligatorio)
codeId Identificador de recurso de ARM del recurso de código. cuerda
mandar [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]
distribución Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. DistributionConfiguration
environmentId [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
environmentVariables Variables de entorno incluidas en el trabajo. commandJobEnvironmentVariables
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. CommandJobInputs
Límites Límite de trabajos de comando. commandJobLimits
Salidas Asignación de enlaces de datos de salida usados en el trabajo. CommandJobOutputs
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration

DistributionConfiguration

Nombre Descripción Valor
distributionType Establecimiento del tipo de objeto Mpi
PyTorch
tensorFlow (obligatorio)

Mpi

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. "Mpi" (obligatorio)
processCountPerInstance Número de procesos por nodo MPI. Int

PyTorch

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. "PyTorch" (obligatorio)
processCountPerInstance Número de procesos por nodo. Int

TensorFlow

Nombre Descripción Valor
distributionType [Obligatorio] Especifica el tipo de marco de distribución. "TensorFlow" (obligatorio)
parameterServerCount Número de tareas del servidor de parámetros. Int
workerCount Número de trabajadores. Si no se especifica, el valor predeterminado será el recuento de instancias. Int

CommandJobEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

CommandJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

JobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType Establecimiento del tipo de objeto CustomModel
literal de
mlFlowModel
mlTable
TritonModel
 UriFile de
UriFolder (obligatorio)

CustomModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "CustomModel" (obligatorio)
modo Modo de entrega de recursos de entrada. "Directo"
"Descargar"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

LiteralJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "Literal" (obligatorio)
valor [Obligatorio] Valor literal de la entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

MLFlowModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "MLFlowModel" (obligatorio)
modo Modo de entrega de recursos de entrada. "Directo"
"Descargar"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

TritonModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "TritonModel" (obligatorio)
modo Modo de entrega de recursos de entrada. "Directo"
"Descargar"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

UriFileJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "UriFile" (obligatorio)
modo Modo de entrega de recursos de entrada. "Directo"
"Descargar"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

UriFolderJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "UriFolder" (obligatorio)
modo Modo de entrega de recursos de entrada. "Directo"
"Descargar"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Obligatorio] URI de recurso de entrada. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

CommandJobLimits

Nombre Descripción Valor
jobLimitsType [Obligatorio] Tipo JobLimit. "Comando"
"Barrido" (obligatorio)
interrupción Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. cuerda

CommandJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

PipelineJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. "Canalización" (obligatorio)
Entradas Entradas para el trabajo de canalización. pipelineJobInputs
Trabajos Los trabajos construyen el trabajo de canalización. PipelineJobJobs
Salidas Salidas para el trabajo de canalización pipelineJobOutputs
Configuración Configuración de canalización, para cosas como ContinueRunOnStepFailure etcetera.

PipelineJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

PipelineJobJobs

Nombre Descripción Valor
{propiedad personalizada}

PipelineJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SweepJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. "Barrido" (obligatorio)
earlyTermination Las directivas de terminación anticipada permiten cancelar ejecuciones con un rendimiento deficiente antes de que se completen. EarlyTerminationPolicy
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. sweepJobInputs
Límites Límite de trabajo de barrido. sweepJobLimits
objetivo [Obligatorio] Objetivo de optimización. objetivo (obligatorio)
Salidas Asignación de enlaces de datos de salida usados en el trabajo. SweepJobOutputs
samplingAlgorithm [Obligatorio] Algoritmo de muestreo de hiperparámetros samplingAlgorithm (obligatorio)
searchSpace [Obligatorio] Diccionario que contiene cada parámetro y su distribución. La clave de diccionario es el nombre del parámetro .
juicio [Obligatorio] Definición del componente de prueba. trialComponent (obligatorio)

SweepJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

SweepJobLimits

Nombre Descripción Valor
jobLimitsType [Obligatorio] Tipo JobLimit. "Comando"
"Barrido" (obligatorio)
maxConcurrentTrials Pruebas simultáneas máximas del trabajo de barrido. Int
maxTotalTrials Pruebas totales máximas del trabajo de barrido. Int
interrupción Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. cuerda
trialTimeout Valor de tiempo de espera de prueba del trabajo de barrido. cuerda

Objetivo

Nombre Descripción Valor
Gol [Obligatorio] Define los objetivos de métrica admitidos para el ajuste de hiperparámetros "Maximizar"
"Minimizar" (obligatorio)
primaryMetric [Obligatorio] Nombre de la métrica que se va a optimizar. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

SweepJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType Establecimiento del tipo de objeto bayesianos
grid de
aleatorio (obligatorio)

BayesianSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. "Bayesiano" (obligatorio)

GridSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. "Grid" (obligatorio)

RandomSamplingAlgorithm

Nombre Descripción Valor
samplingAlgorithmType [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. "Aleatorio" (obligatorio)
regla Tipo específico de algoritmo aleatorio "Aleatorio"
"Sobol"
semilla Entero opcional que se va a usar como inicialización para la generación de números aleatorios Int

TrialComponent

Nombre Descripción Valor
codeId Identificador de recurso de ARM del recurso de código. cuerda
mandar [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]
distribución Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. DistributionConfiguration
environmentId [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
environmentVariables Variables de entorno incluidas en el trabajo. TrialComponentEnvironmentVariables
Recursos Configuración de recursos de proceso para el trabajo. resourceConfiguration

TrialComponentEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda