Compartir a través de

Áreas de trabajo de Microsoft.MachineLearningServices/schedules 2022-12-01-preview

  • Artículo

Definición de recursos de Bicep

El tipo de recurso workspaces/schedules 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/schedules, agregue la siguiente bicep a la plantilla.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2022-12-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {}
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

Objetos ScheduleActionBase

Establezca la propiedad actionType para especificar el tipo de objeto.

Para CreateJob, use:

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

Para InvokeBatchEndpoint, use:

  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any()

Objetos JobBaseProperties

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: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, use:

  jobType: 'Command'
  autologgerSettings: {
    mlflowAutologger: 'string'
  }
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
    }
    shmSize: 'string'
  }

Para etiquetado, use:

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

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()
  sourceJobId: 'string'

Para spark, use:

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

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: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any()
      }
      shmSize: 'string'
    }
  }

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 de nodos

Establezca la propiedad nodesValueType para especificar el tipo de objeto.

Para Todos los, use:

  nodesValueType: 'All'

Objetos JobOutput

Establezca la propiedad jobOutputType para especificar el tipo de objeto.

Para custom_model, use:

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

Para mlflow_model, use:

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

Para mltable, use:

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

Para triton_model, use:

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

Para uri_file, use:

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

Para uri_folder, use:

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

Objetos AutoMLVertical

Establezca la propiedad taskType para especificar el tipo de objeto.

Para clasificación, use:

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

Para forecasting, use:

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

Para ImageClassification, use:

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

Para ImageClassificationMultilabel, use:

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

Para imageInstanceSegmentation, use:

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

Para ImageObjectDetection, use:

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

Para regresión, use:

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

Para TextClassification, use:

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

Para TextClassificationMultilabel, use:

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

Para TextNER, use:

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

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

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 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 custom_model, use:

  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'

Para literal, use:

  jobInputType: 'literal'
  value: 'string'

Para mlflow_model, use:

  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

Para mltable, use:

  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'

Para triton_model, use:

  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'

Para uri_file, use:

  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'

Para uri_folder, use:

  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Objetos LabelingJobMediaProperties

Establezca la propiedad mediaType para especificar el tipo de objeto.

Para Image, use:

  mediaType: 'Image'
  annotationType: 'string'

Para Text, use:

  mediaType: 'Text'
  annotationType: 'string'

Objetos MLAssistConfiguration

Establezca la propiedad mlAssist para especificar el tipo de objeto.

Para Deshabilitado, use:

  mlAssist: 'Disabled'

Para Habilitado, use:

  mlAssist: 'Enabled'
  inferencingComputeBinding: 'string'
  trainingComputeBinding: 'string'

Objetos SparkJobEntry

Establezca la sparkJobEntryType para especificar el tipo de objeto.

Para sparkJobPythonEntry, use:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Para SparkJobScalaEntry, use:

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: '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'
  logbase: 'string'
  rule: 'string'
  seed: int

Objetos TriggerBase

Establezca la propiedad triggerType para especificar el tipo de objeto.

Para Cron, use:

  triggerType: 'Cron'
  expression: 'string'

Para periodicidad, use:

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

Valores de propiedad

workspaces/schedules

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. ScheduleProperties (obligatorio)

ScheduleProperties

Nombre Descripción Valor
acción [Obligatorio] Especifica la acción de la programación. ScheduleActionBase (obligatorio)
descripción Texto de descripción del recurso. cuerda
displayName Nombre para mostrar de la programación. cuerda
isEnabled ¿Está habilitada la programación? Bool
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
Etiquetas Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. objeto
detonante [Obligatorio] Especifica los detalles del desencadenador. TriggerBase (obligatorio)

ScheduleActionBase

Nombre Descripción Valor
actionType Establecimiento del tipo de objeto CreateJob
InvokeBatchEndpoint (obligatorio)

JobScheduleAction

Nombre Descripción Valor
actionType [Obligatorio] Especifica el tipo de acción de la programación. 'CreateJob' (obligatorio)
jobDefinition [Obligatorio] Define los detalles de la definición de la acción Programar. JobBaseProperties (obligatorio)

JobBaseProperties

Nombre Descripción Valor
componentId Identificador de recurso de ARM del recurso de componente. cuerda
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
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 etiquetado
 de canalización de
spark
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

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
Nodos Nodos en los que el usuario desea iniciar el servicio.
Si los nodos no se establecen o se establecen en NULL, el servicio solo se iniciará en el nodo líder.		 nodos de
puerto Puerto para el punto de conexión establecido por el usuario. Int
Propiedades Propiedades adicionales que se van a establecer en el punto de conexión. JobServiceProperties

Nodos

Nombre Descripción Valor
nodesValueType Establecimiento del tipo de objeto todos los (obligatorio)

AllNodes

Nombre Descripción Valor
nodesValueType [Obligatorio] Tipo del valor nodos 'All' (obligatorio)

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. JobResourceConfiguration
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 custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatorio)

CustomModelJobOutput

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

MLFlowModelJobOutput

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

MLTableJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

JobResourceConfiguration

Nombre Descripción Valor
dockerArgs Argumentos adicionales para pasar al comando docker run. Esto invalidaría los parámetros ya establecidos por el sistema o en esta sección. Este parámetro solo se admite para los tipos de proceso de Azure ML. cuerda
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
shmSize Tamaño del bloque de memoria compartida del contenedor de Docker. Debe estar en el formato (número)(unidad) donde el número como mayor que 0 y la unidad puede ser uno de b(bytes), k(kilobytes), m(megabytes) o g(gigabytes). cuerda

Restricciones:
Patrón = \d+[bBkKmMgG]

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'
targetColumnName 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.		 cuerda
trainingData [Obligatorio] Entrada de datos de entrenamiento. mlTableJobInput (obligatorio)
taskType Establecimiento del tipo de objeto de clasificación de
de previsión
ImageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
 imageObjectDetection de
regresión
TextClassification
TextClassificationMultilabel
TextNER (obligatorio)

MLTableJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model"
'literal'
"mlflow_model"
'mltable'
"triton_model"
"uri_file"
'uri_folder' (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_]

Clasificación

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Clasificación' (obligatorio)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
positiveLabel Etiqueta positiva para el cálculo de métricas binarias. cuerda
primaryMetric Métrica principal de la tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. ClassificationTrainingSettings
validationData Entradas 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
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

TableVerticalFeaturizationSettings

Nombre Descripción Valor
blockedTransformers Estos transformadores no se utilizarán en la caracterización. Matriz de cadenas que contiene cualquiera de:
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
"OneHotEncoder"
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
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
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().

TableFixedParameters

Nombre Descripción Valor
booster Especifique el tipo de potenciación, por ejemplo, gbdt para XGBoost. cuerda
boostingType Especifique el tipo de potenciación, por ejemplo, gbdt para LightGBM. cuerda
growPolicy Especifique la directiva de crecimiento, que controla la forma en que se agregan nuevos nodos al árbol. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. Int
maxBin Especifique el número máximo de intervalos discretos en las características continuas del cubo . Int
maxDepth Especifique la profundidad máxima para limitar explícitamente la profundidad del árbol. Int
maxLeaves Especifique las hojas máximas para limitar las hojas de árbol explícitamente. Int
minDataInLeaf Número mínimo de datos por hoja. Int
minSplitGain Reducción mínima de pérdida necesaria para realizar una partición adicional en un nodo hoja del árbol. Int
modelName Nombre del modelo que se va a entrenar. cuerda
nEstimators Especifique el número de árboles (o redondeos) en un modelo. Int
numLeaves Especifique el número de hojas. Int
preprocessorName Nombre del preprocesador que se va a usar. cuerda
regAlpha Término de regularización L1 en pesos. Int
regLambda Término de regularización L2 en pesos. Int
Submuestra Proporción de subsample de la instancia de entrenamiento. Int
subsampleFreq Frecuencia de subsample. Int
treeMethod Especifique el método de árbol. cuerda
withMean Si es true, centre antes de escalar los datos con StandardScalar. Bool
withStd Si es true, escale los datos con Varianza unitaria con StandardScalar. Bool

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
maxNodes Número máximo de nodos que se van a usar para el experimento. Int
maxTrials Número de iteraciones. Int
sweepConcurrentTrials Número de ejecuciones de barrido simultáneas que el usuario quiere desencadenar. Int
sweepTrials Número de ejecuciones de barrido que el usuario quiere desencadenar. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera de iteración. cuerda

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)

TableParameterSubspace

Nombre Descripción Valor
booster Especifique el tipo de potenciación, por ejemplo, gbdt para XGBoost. cuerda
boostingType Especifique el tipo de potenciación, por ejemplo, gbdt para LightGBM. cuerda
growPolicy Especifique la directiva de crecimiento, que controla la forma en que se agregan nuevos nodos al árbol. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. cuerda
maxBin Especifique el número máximo de intervalos discretos en las características continuas del cubo . cuerda
maxDepth Especifique la profundidad máxima para limitar explícitamente la profundidad del árbol. cuerda
maxLeaves Especifique las hojas máximas para limitar las hojas de árbol explícitamente. cuerda
minDataInLeaf Número mínimo de datos por hoja. cuerda
minSplitGain Reducción mínima de pérdida necesaria para realizar una partición adicional en un nodo hoja del árbol. cuerda
modelName Nombre del modelo que se va a entrenar. cuerda
nEstimators Especifique el número de árboles (o redondeos) en un modelo. cuerda
numLeaves Especifique el número de hojas. cuerda
preprocessorName Nombre del preprocesador que se va a usar. cuerda
regAlpha Término de regularización L1 en pesos. cuerda
regLambda Término de regularización L2 en pesos. cuerda
Submuestra Proporción de subsample de la instancia de entrenamiento. cuerda
subsampleFreq Frecuencia de subsample cuerda
treeMethod Especifique el método de árbol. cuerda
withMean Si es true, centre antes de escalar los datos con StandardScalar. cuerda
withStd Si es true, escale los datos con Varianza unitaria con StandardScalar. cuerda

TableSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada para el trabajo de barrido. EarlyTerminationPolicy
samplingAlgorithm [Obligatorio] Tipo de algoritmo de muestreo. '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

ClassificationTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 'Auto'
"Distribuido"
'NonDistributed'

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)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
forecastingSettings Previsión de entradas específicas de la tarea. ForecastingSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrica principal para la tarea de previsión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. ForecastingTrainingSettings
validationData Entradas 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
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

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)

ForecastingTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 'Auto'
"Distribuido"
'NonDistributed'

ImageClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassification' (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
validationData Entradas 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
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointModel Modelo de punto de control entrenado previamente para el entrenamiento incremental. mlFlowModelJobInput
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
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

MLFlowModelJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model"
'literal'
"mlflow_model"
'mltable'
"triton_model"
"uri_file"
'uri_folder' (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_]

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
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
samplingAlgorithm [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. 'Bayesiano'
'Grid'
'Random' (obligatorio)

ImageClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassificationMultilabel' (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
validationData Entradas 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

ImageInstanceSegmentation

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageInstanceSegmentation' (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
validationData Entradas 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

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
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointModel Modelo de punto de control entrenado previamente para el entrenamiento incremental. mlFlowModelJobInput
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
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
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)
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
validationData Entradas 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

Regresión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Regresión' (obligatorio)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrica principal para la tarea de regresión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. RegressionTrainingSettings
validationData Entradas 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
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

RegressionTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms Modelos permitidos para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms Modelos bloqueados para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 'Auto'
"Distribuido"
'NonDistributed'

TextClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassification' (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica principal para Text-Classification tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

Nombre Descripción Valor
gradientAccumulationSteps Número de pasos para acumular degradados antes de ejecutar un paso hacia atrás. Int
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. Int
learningRateScheduler Tipo de programación de velocidad de aprendizaje que se va a usar durante el procedimiento de entrenamiento. 'Constante'
'ConstantWithWarmup'
'Coseno'
'CosineWithRestarts'
'Lineal'
'Ninguno'
'Polinomial'
modelName Nombre del modelo que se va a entrenar. cuerda
numberOfEpochs Número de épocas de entrenamiento. Int
trainingBatchSize Tamaño del lote para el procedimiento de entrenamiento. Int
validationBatchSize Tamaño del lote que se va a usar durante la evaluación. Int
warmupRatio La relación de preparación, usada junto con LrSchedulerType. Int
weightDecay La disminución del peso para el procedimiento de entrenamiento. Int

NlpVerticalLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Iteraciones de AutoML simultáneas máximas. Int
maxNodes Número máximo de nodos que se van a usar para el experimento. Int
maxTrials Número de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera para pruebas individuales de HD. cuerda

NlpParameterSubspace

Nombre Descripción Valor
gradientAccumulationSteps Número de pasos para acumular degradados antes de ejecutar un paso hacia atrás. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. cuerda
learningRateScheduler Tipo de programación de velocidad de aprendizaje que se va a usar durante el procedimiento de entrenamiento. cuerda
modelName Nombre del modelo que se va a entrenar. cuerda
numberOfEpochs Número de épocas de entrenamiento. cuerda
trainingBatchSize Tamaño del lote para el procedimiento de entrenamiento. cuerda
validationBatchSize Tamaño del lote que se va a usar durante la evaluación. cuerda
warmupRatio La relación de preparación, usada junto con LrSchedulerType. cuerda
weightDecay La disminución del peso para el procedimiento de entrenamiento. cuerda

NlpSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada para el trabajo de barrido. EarlyTerminationPolicy
samplingAlgorithm [Obligatorio] Tipo de algoritmo de muestreo. 'Bayesiano'
'Grid'
'Random' (obligatorio)

TextClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassificationMultilabel' (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

TextNer

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextNER' (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

CommandJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Command' (obligatorio)
autologgerSettings Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. AutologgerSettings
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. JobResourceConfiguration

AutologgerSettings

Nombre Descripción Valor
mlflowAutologger [Obligatorio] Indica si el registrador automático de mlflow está habilitado. 'Deshabilitado'
'Habilitado' (obligatorio)

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 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatorio)

CustomModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'custom_model' (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_]

TritonModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'triton_model' (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. 'uri_file' (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. 'uri_folder' (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

LabelingJobProperties

Nombre Descripción Valor
componentId Identificador de recurso de ARM del recurso de componente. cuerda
computeId Identificador de recurso de ARM del recurso de proceso. cuerda
dataConfiguration Configuración de datos usados en el trabajo. LabelingDataConfiguration
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
jobInstructions Etiquetado de instrucciones del trabajo. LabelingJobInstructions
jobType [Obligatorio] Especifica el tipo de trabajo. 'AutoML'
'Command'
"Etiquetado"
"Canalización"
"Spark"
'Barrido' (obligatorio)
labelCategories Categorías de etiqueta del trabajo. labelingJobLabelCategories
labelingJobMediaProperties Propiedades específicas del tipo de medio en el trabajo. LabelingJobMediaProperties
mlAssistConfiguration Configuración de la característica MLAssist en el trabajo. mlAssistConfiguration
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
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

LabelingDataConfiguration

Nombre Descripción Valor
dataId Identificador de recurso del recurso de datos para realizar el etiquetado. cuerda
incrementalDataRefresh Indica si se va a habilitar la actualización incremental de datos. 'Deshabilitado'
'Habilitado'

LabelingJobInstructions

Nombre Descripción Valor
Uri Vínculo a una página con instrucciones de etiquetado detalladas para los etiquetadores. cuerda

LabelingJobLabelCategories

Nombre Descripción Valor
{propiedad personalizada} LabelCategory de

LabelCategory

Nombre Descripción Valor
Clases Diccionario de clases de etiqueta en esta categoría. LabelCategoryClasses
displayName Nombre para mostrar de la categoría de etiqueta. cuerda
multiSelect Indica si se permite seleccionar varias clases en esta categoría. 'Deshabilitado'
'Habilitado'

LabelCategoryClasses

Nombre Descripción Valor
{propiedad personalizada} labelClass

LabelClass

Nombre Descripción Valor
displayName Nombre para mostrar de la clase de etiqueta. cuerda
Subclases Diccionario de subclases de la clase de etiqueta. labelClassSubclasses

LabelClassSubclasses

Nombre Descripción Valor
{propiedad personalizada} labelClass

LabelingJobMediaProperties

Nombre Descripción Valor
mediaType Establecimiento del tipo de objeto de imagen de
de texto (obligatorio)

LabelingJobImageProperties

Nombre Descripción Valor
mediaType [Obligatorio] Tipo de medio del trabajo. 'Image' (obligatorio)
annotationType Tipo de anotación del trabajo de etiquetado de imágenes. 'BoundingBox'
'Clasificación'
'InstanceSegmentation'

LabelingJobTextProperties

Nombre Descripción Valor
mediaType [Obligatorio] Tipo de medio del trabajo. 'Text' (obligatorio)
annotationType Tipo de anotación del trabajo de etiquetado de texto. 'Clasificación'
'NamedEntityRecognition'

MLAssistConfiguration

Nombre Descripción Valor
mlAssist Establecimiento del tipo de objeto deshabilitado
habilitado (obligatorio)

MLAssistConfigurationDisabled

Nombre Descripción Valor
mlAssist [Obligatorio] Indica si la característica MLAssist está habilitada. 'Disabled' (obligatorio)

MLAssistConfigurationEnabled

Nombre Descripción Valor
mlAssist [Obligatorio] Indica si la característica MLAssist está habilitada. 'Habilitado' (obligatorio)
inferencingComputeBinding [Obligatorio] Enlace de proceso de AML usado en la inferencia. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
trainingComputeBinding [Obligatorio] Enlace de proceso de AML usado en el entrenamiento. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

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().
sourceJobId Identificador de recurso de ARM del trabajo de origen. cuerda

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

SparkJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Spark' (obligatorio)
archivo Archivar archivos usados en el trabajo. string[]
args Argumentos para el trabajo. cuerda
codeId [Obligatorio] Identificador de recurso de ARM del recurso de código. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
Conf Propiedades configuradas por Spark. sparkJobConf
entrada [Obligatorio] Entrada que se va a ejecutar al iniciar el trabajo. SparkJobEntry (obligatorio)
environmentId El identificador de recurso de ARM de la especificación del entorno para el trabajo. cuerda
Archivos Archivos usados en el trabajo. string[]
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. SparkJobInputs
Frascos Archivos Jar usados en el trabajo. string[]
Salidas Asignación de enlaces de datos de salida usados en el trabajo. SparkJobOutputs
pyFiles Archivos de Python usados en el trabajo. string[]
Recursos Configuración de recursos de proceso para el trabajo. SparkResourceConfiguration

SparkJobConf

Nombre Descripción Valor
{propiedad personalizada} cuerda

SparkJobEntry

Nombre Descripción Valor
sparkJobEntryType Establecimiento del tipo de objeto sparkJobPythonEntry
SparkJobScalaEntry (obligatorio)

SparkJobPythonEntry

Nombre Descripción Valor
sparkJobEntryType [Obligatorio] Tipo del punto de entrada del trabajo. 'SparkJobPythonEntry' (obligatorio)
archivo [Obligatorio] Ruta de acceso relativa del archivo de Python para el punto de entrada del trabajo. string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]

SparkJobScalaEntry

Nombre Descripción Valor
sparkJobEntryType [Obligatorio] Tipo del punto de entrada del trabajo. 'SparkJobScalaEntry' (obligatorio)
className [Obligatorio] Nombre de clase de Scala usado como punto de entrada. string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]

SparkJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

SparkJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SparkResourceConfiguration

Nombre Descripción Valor
instanceType Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. cuerda
runtimeVersion Versión del entorno de ejecución de Spark que se usa para el trabajo. cuerda

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)
logbase Número positivo opcional o e en formato de cadena que se va a usar como base para el muestreo aleatorio basado en registros cuerda
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. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

EndpointScheduleAction

Nombre Descripción Valor
actionType [Obligatorio] Especifica el tipo de acción de la programación. 'InvokeBatchEndpoint' (obligatorio)
endpointInvocationDefinition [Obligatorio] Define los detalles de la definición de la acción Programar.
{see href="TBD" /}

 Para Bicep, puede usar la función any() any(). (obligatorio)

TriggerBase

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones />		 cuerda
triggerType Establecimiento del tipo de objeto Cron
de periodicidad (obligatorio)

CronTrigger

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
expresión [Obligatorio] Especifica la expresión cron de la programación.
La expresión debe seguir el formato NCronTab.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones		 cuerda
triggerType [Obligatorio] 'Cron'
'Periodicidad' (obligatorio)

RecurrenceTrigger

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
frecuencia [Obligatorio] Frecuencia de desencadenamiento de la programación. 'Día'
'Hora'
'Minuto'
'Mes'
'Semana' (obligatorio)
intervalo [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. int (obligatorio)
horario Programación de periodicidad. RecurrenceSchedule
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones		 cuerda
triggerType [Obligatorio] 'Cron'
'Periodicidad' (obligatorio)

RecurrenceSchedule

Nombre Descripción Valor
horas [Obligatorio] Lista de horas para la programación. int[] (obligatorio)
acta [Obligatorio] Lista de minutos para la programación. int[] (obligatorio)
monthDays Lista de días del mes para la programación int[]
días entre semana Lista de días para la programación. Matriz de cadenas que contiene cualquiera de:
'Viernes'
"Lunes"
'Sábado'
'Domingo'
'Jueves'
"Martes"
'Miércoles'

Definición de recursos de plantilla de ARM

El tipo de recurso workspaces/schedules 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/schedules, agregue el siguiente json a la plantilla.

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2022-12-01-preview",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {},
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

Objetos ScheduleActionBase

Establezca la propiedad actionType para especificar el tipo de objeto.

Para CreateJob, use:

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

Para InvokeBatchEndpoint, use:

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

Objetos JobBaseProperties

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

Para Comando, use:

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

Para etiquetado, use:

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

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": {},
  "sourceJobId": "string"

Para spark, use:

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

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": {
      "dockerArgs": "string",
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }

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 de nodos

Establezca la propiedad nodesValueType para especificar el tipo de objeto.

Para Todos los, use:

  "nodesValueType": "All"

Objetos JobOutput

Establezca la propiedad jobOutputType para especificar el tipo de objeto.

Para custom_model, use:

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

Para mlflow_model, use:

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

Para mltable, use:

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

Para triton_model, use:

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

Para uri_file, use:

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

Para uri_folder, use:

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

Objetos AutoMLVertical

Establezca la propiedad taskType para especificar el tipo de objeto.

Para clasificación, use:

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

Para forecasting, use:

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

Para ImageClassification, use:

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

Para ImageClassificationMultilabel, use:

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

Para imageInstanceSegmentation, use:

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

Para ImageObjectDetection, use:

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

Para regresión, use:

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

Para TextClassification, use:

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

Para TextClassificationMultilabel, use:

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

Para TextNER, use:

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

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"

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 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 custom_model, use:

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

Para literal, use:

  "jobInputType": "literal",
  "value": "string"

Para mlflow_model, use:

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

Para mltable, use:

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

Para triton_model, use:

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

Para uri_file, use:

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

Para uri_folder, use:

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

Objetos LabelingJobMediaProperties

Establezca la propiedad mediaType para especificar el tipo de objeto.

Para Image, use:

  "mediaType": "Image",
  "annotationType": "string"

Para Text, use:

  "mediaType": "Text",
  "annotationType": "string"

Objetos MLAssistConfiguration

Establezca la propiedad mlAssist para especificar el tipo de objeto.

Para Deshabilitado, use:

  "mlAssist": "Disabled"

Para Habilitado, use:

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

Objetos SparkJobEntry

Establezca la sparkJobEntryType para especificar el tipo de objeto.

Para sparkJobPythonEntry, use:

  "sparkJobEntryType": "SparkJobPythonEntry",
  "file": "string"

Para SparkJobScalaEntry, use:

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "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",
  "logbase": "string",
  "rule": "string",
  "seed": "int"

Objetos TriggerBase

Establezca la propiedad triggerType para especificar el tipo de objeto.

Para Cron, use:

  "triggerType": "Cron",
  "expression": "string"

Para periodicidad, use:

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

Valores de propiedad

workspaces/schedules

Nombre Descripción Valor
tipo El tipo de recurso "Microsoft.MachineLearningServices/workspaces/schedules"
apiVersion La versión de la API de recursos "2022-12-01-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. ScheduleProperties (obligatorio)

ScheduleProperties

Nombre Descripción Valor
acción [Obligatorio] Especifica la acción de la programación. ScheduleActionBase (obligatorio)
descripción Texto de descripción del recurso. cuerda
displayName Nombre para mostrar de la programación. cuerda
isEnabled ¿Está habilitada la programación? Bool
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
Etiquetas Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. objeto
detonante [Obligatorio] Especifica los detalles del desencadenador. TriggerBase (obligatorio)

ScheduleActionBase

Nombre Descripción Valor
actionType Establecimiento del tipo de objeto CreateJob
InvokeBatchEndpoint (obligatorio)

JobScheduleAction

Nombre Descripción Valor
actionType [Obligatorio] Especifica el tipo de acción de la programación. 'CreateJob' (obligatorio)
jobDefinition [Obligatorio] Define los detalles de la definición de la acción Programar. JobBaseProperties (obligatorio)

JobBaseProperties

Nombre Descripción Valor
componentId Identificador de recurso de ARM del recurso de componente. cuerda
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
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 etiquetado
 de canalización de
spark
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

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
Nodos Nodos en los que el usuario desea iniciar el servicio.
Si los nodos no se establecen o se establecen en NULL, el servicio solo se iniciará en el nodo líder.		 nodos de
puerto Puerto para el punto de conexión establecido por el usuario. Int
Propiedades Propiedades adicionales que se van a establecer en el punto de conexión. JobServiceProperties

Nodos

Nombre Descripción Valor
nodesValueType Establecimiento del tipo de objeto todos los (obligatorio)

AllNodes

Nombre Descripción Valor
nodesValueType [Obligatorio] Tipo del valor nodos 'All' (obligatorio)

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. JobResourceConfiguration
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 custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatorio)

CustomModelJobOutput

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

MLFlowModelJobOutput

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

MLTableJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

JobResourceConfiguration

Nombre Descripción Valor
dockerArgs Argumentos adicionales para pasar al comando docker run. Esto invalidaría los parámetros ya establecidos por el sistema o en esta sección. Este parámetro solo se admite para los tipos de proceso de Azure ML. cuerda
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
shmSize Tamaño del bloque de memoria compartida del contenedor de Docker. Debe estar en el formato (número)(unidad) donde el número como mayor que 0 y la unidad puede ser uno de b(bytes), k(kilobytes), m(megabytes) o g(gigabytes). cuerda

Restricciones:
Patrón = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nombre Descripción Valor
{propiedad personalizada}

AutoMLVertical

Nombre Descripción Valor
logVerbosity Detalle del registro del trabajo. "Crítico"
"Depurar"
'Error'
'Info'
'NotSet'
'Advertencia'
targetColumnName 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.		 cuerda
trainingData [Obligatorio] Entrada de datos de entrenamiento. mlTableJobInput (obligatorio)
taskType Establecimiento del tipo de objeto de clasificación de
de previsión
ImageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
 imageObjectDetection de
regresión
TextClassification
TextClassificationMultilabel
TextNER (obligatorio)

MLTableJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model"
'literal'
"mlflow_model"
'mltable'
"triton_model"
"uri_file"
'uri_folder' (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_]

Clasificación

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Clasificación' (obligatorio)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
positiveLabel Etiqueta positiva para el cálculo de métricas binarias. cuerda
primaryMetric Métrica principal de la tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. ClassificationTrainingSettings
validationData Entradas 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
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

TableVerticalFeaturizationSettings

Nombre Descripción Valor
blockedTransformers Estos transformadores no se utilizarán en la caracterización. Matriz de cadenas que contiene cualquiera de:
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
"OneHotEncoder"
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
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
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.

TableFixedParameters

Nombre Descripción Valor
booster Especifique el tipo de potenciación, por ejemplo, gbdt para XGBoost. cuerda
boostingType Especifique el tipo de potenciación, por ejemplo, gbdt para LightGBM. cuerda
growPolicy Especifique la directiva de crecimiento, que controla la forma en que se agregan nuevos nodos al árbol. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. Int
maxBin Especifique el número máximo de intervalos discretos en las características continuas del cubo . Int
maxDepth Especifique la profundidad máxima para limitar explícitamente la profundidad del árbol. Int
maxLeaves Especifique las hojas máximas para limitar las hojas de árbol explícitamente. Int
minDataInLeaf Número mínimo de datos por hoja. Int
minSplitGain Reducción mínima de pérdida necesaria para realizar una partición adicional en un nodo hoja del árbol. Int
modelName Nombre del modelo que se va a entrenar. cuerda
nEstimators Especifique el número de árboles (o redondeos) en un modelo. Int
numLeaves Especifique el número de hojas. Int
preprocessorName Nombre del preprocesador que se va a usar. cuerda
regAlpha Término de regularización L1 en pesos. Int
regLambda Término de regularización L2 en pesos. Int
Submuestra Proporción de subsample de la instancia de entrenamiento. Int
subsampleFreq Frecuencia de subsample. Int
treeMethod Especifique el método de árbol. cuerda
withMean Si es true, centre antes de escalar los datos con StandardScalar. Bool
withStd Si es true, escale los datos con Varianza unitaria con StandardScalar. Bool

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
maxNodes Número máximo de nodos que se van a usar para el experimento. Int
maxTrials Número de iteraciones. Int
sweepConcurrentTrials Número de ejecuciones de barrido simultáneas que el usuario quiere desencadenar. Int
sweepTrials Número de ejecuciones de barrido que el usuario quiere desencadenar. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera de iteración. cuerda

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)

TableParameterSubspace

Nombre Descripción Valor
booster Especifique el tipo de potenciación, por ejemplo, gbdt para XGBoost. cuerda
boostingType Especifique el tipo de potenciación, por ejemplo, gbdt para LightGBM. cuerda
growPolicy Especifique la directiva de crecimiento, que controla la forma en que se agregan nuevos nodos al árbol. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. cuerda
maxBin Especifique el número máximo de intervalos discretos en las características continuas del cubo . cuerda
maxDepth Especifique la profundidad máxima para limitar explícitamente la profundidad del árbol. cuerda
maxLeaves Especifique las hojas máximas para limitar las hojas de árbol explícitamente. cuerda
minDataInLeaf Número mínimo de datos por hoja. cuerda
minSplitGain Reducción mínima de pérdida necesaria para realizar una partición adicional en un nodo hoja del árbol. cuerda
modelName Nombre del modelo que se va a entrenar. cuerda
nEstimators Especifique el número de árboles (o redondeos) en un modelo. cuerda
numLeaves Especifique el número de hojas. cuerda
preprocessorName Nombre del preprocesador que se va a usar. cuerda
regAlpha Término de regularización L1 en pesos. cuerda
regLambda Término de regularización L2 en pesos. cuerda
Submuestra Proporción de subsample de la instancia de entrenamiento. cuerda
subsampleFreq Frecuencia de subsample cuerda
treeMethod Especifique el método de árbol. cuerda
withMean Si es true, centre antes de escalar los datos con StandardScalar. cuerda
withStd Si es true, escale los datos con Varianza unitaria con StandardScalar. cuerda

TableSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada para el trabajo de barrido. EarlyTerminationPolicy
samplingAlgorithm [Obligatorio] Tipo de algoritmo de muestreo. '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

ClassificationTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 'Auto'
"Distribuido"
'NonDistributed'

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)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
forecastingSettings Previsión de entradas específicas de la tarea. ForecastingSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrica principal para la tarea de previsión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. ForecastingTrainingSettings
validationData Entradas 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
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

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)

ForecastingTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 'Auto'
"Distribuido"
'NonDistributed'

ImageClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassification' (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
validationData Entradas 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
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointModel Modelo de punto de control entrenado previamente para el entrenamiento incremental. mlFlowModelJobInput
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
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

MLFlowModelJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model"
'literal'
"mlflow_model"
'mltable'
"triton_model"
"uri_file"
'uri_folder' (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_]

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
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
samplingAlgorithm [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. 'Bayesiano'
'Grid'
'Random' (obligatorio)

ImageClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageClassificationMultilabel' (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
validationData Entradas 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

ImageInstanceSegmentation

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'ImageInstanceSegmentation' (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
validationData Entradas 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

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
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointModel Modelo de punto de control entrenado previamente para el entrenamiento incremental. mlFlowModelJobInput
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
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
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)
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
validationData Entradas 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

Regresión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'Regresión' (obligatorio)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrica principal para la tarea de regresión. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. RegressionTrainingSettings
validationData Entradas 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
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

RegressionTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms Modelos permitidos para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms Modelos bloqueados para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
'DecisionTree'
"ElasticNet"
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 'Auto'
"Distribuido"
'NonDistributed'

TextClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassification' (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica principal para Text-Classification tarea. "AUCWeighted"
'Precisión'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

Nombre Descripción Valor
gradientAccumulationSteps Número de pasos para acumular degradados antes de ejecutar un paso hacia atrás. Int
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. Int
learningRateScheduler Tipo de programación de velocidad de aprendizaje que se va a usar durante el procedimiento de entrenamiento. 'Constante'
'ConstantWithWarmup'
'Coseno'
'CosineWithRestarts'
'Lineal'
'Ninguno'
'Polinomial'
modelName Nombre del modelo que se va a entrenar. cuerda
numberOfEpochs Número de épocas de entrenamiento. Int
trainingBatchSize Tamaño del lote para el procedimiento de entrenamiento. Int
validationBatchSize Tamaño del lote que se va a usar durante la evaluación. Int
warmupRatio La relación de preparación, usada junto con LrSchedulerType. Int
weightDecay La disminución del peso para el procedimiento de entrenamiento. Int

NlpVerticalLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Iteraciones de AutoML simultáneas máximas. Int
maxNodes Número máximo de nodos que se van a usar para el experimento. Int
maxTrials Número de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera para pruebas individuales de HD. cuerda

NlpParameterSubspace

Nombre Descripción Valor
gradientAccumulationSteps Número de pasos para acumular degradados antes de ejecutar un paso hacia atrás. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. cuerda
learningRateScheduler Tipo de programación de velocidad de aprendizaje que se va a usar durante el procedimiento de entrenamiento. cuerda
modelName Nombre del modelo que se va a entrenar. cuerda
numberOfEpochs Número de épocas de entrenamiento. cuerda
trainingBatchSize Tamaño del lote para el procedimiento de entrenamiento. cuerda
validationBatchSize Tamaño del lote que se va a usar durante la evaluación. cuerda
warmupRatio La relación de preparación, usada junto con LrSchedulerType. cuerda
weightDecay La disminución del peso para el procedimiento de entrenamiento. cuerda

NlpSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada para el trabajo de barrido. EarlyTerminationPolicy
samplingAlgorithm [Obligatorio] Tipo de algoritmo de muestreo. 'Bayesiano'
'Grid'
'Random' (obligatorio)

TextClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextClassificationMultilabel' (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

TextNer

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. 'TextNER' (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

CommandJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Command' (obligatorio)
autologgerSettings Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. AutologgerSettings
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. JobResourceConfiguration

AutologgerSettings

Nombre Descripción Valor
mlflowAutologger [Obligatorio] Indica si el registrador automático de mlflow está habilitado. 'Deshabilitado'
'Habilitado' (obligatorio)

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 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatorio)

CustomModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'custom_model' (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_]

TritonModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. 'triton_model' (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. 'uri_file' (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. 'uri_folder' (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

LabelingJobProperties

Nombre Descripción Valor
componentId Identificador de recurso de ARM del recurso de componente. cuerda
computeId Identificador de recurso de ARM del recurso de proceso. cuerda
dataConfiguration Configuración de datos usados en el trabajo. LabelingDataConfiguration
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
jobInstructions Etiquetado de instrucciones del trabajo. LabelingJobInstructions
jobType [Obligatorio] Especifica el tipo de trabajo. 'AutoML'
'Command'
"Etiquetado"
"Canalización"
"Spark"
'Barrido' (obligatorio)
labelCategories Categorías de etiqueta del trabajo. labelingJobLabelCategories
labelingJobMediaProperties Propiedades específicas del tipo de medio en el trabajo. LabelingJobMediaProperties
mlAssistConfiguration Configuración de la característica MLAssist en el trabajo. mlAssistConfiguration
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
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

LabelingDataConfiguration

Nombre Descripción Valor
dataId Identificador de recurso del recurso de datos para realizar el etiquetado. cuerda
incrementalDataRefresh Indica si se va a habilitar la actualización incremental de datos. 'Deshabilitado'
'Habilitado'

LabelingJobInstructions

Nombre Descripción Valor
Uri Vínculo a una página con instrucciones de etiquetado detalladas para los etiquetadores. cuerda

LabelingJobLabelCategories

Nombre Descripción Valor
{propiedad personalizada} LabelCategory de

LabelCategory

Nombre Descripción Valor
Clases Diccionario de clases de etiqueta en esta categoría. LabelCategoryClasses
displayName Nombre para mostrar de la categoría de etiqueta. cuerda
multiSelect Indica si se permite seleccionar varias clases en esta categoría. 'Deshabilitado'
'Habilitado'

LabelCategoryClasses

Nombre Descripción Valor
{propiedad personalizada} labelClass

LabelClass

Nombre Descripción Valor
displayName Nombre para mostrar de la clase de etiqueta. cuerda
Subclases Diccionario de subclases de la clase de etiqueta. labelClassSubclasses

LabelClassSubclasses

Nombre Descripción Valor
{propiedad personalizada} labelClass

LabelingJobMediaProperties

Nombre Descripción Valor
mediaType Establecimiento del tipo de objeto de imagen de
de texto (obligatorio)

LabelingJobImageProperties

Nombre Descripción Valor
mediaType [Obligatorio] Tipo de medio del trabajo. 'Image' (obligatorio)
annotationType Tipo de anotación del trabajo de etiquetado de imágenes. 'BoundingBox'
'Clasificación'
'InstanceSegmentation'

LabelingJobTextProperties

Nombre Descripción Valor
mediaType [Obligatorio] Tipo de medio del trabajo. 'Text' (obligatorio)
annotationType Tipo de anotación del trabajo de etiquetado de texto. 'Clasificación'
'NamedEntityRecognition'

MLAssistConfiguration

Nombre Descripción Valor
mlAssist Establecimiento del tipo de objeto deshabilitado
habilitado (obligatorio)

MLAssistConfigurationDisabled

Nombre Descripción Valor
mlAssist [Obligatorio] Indica si la característica MLAssist está habilitada. 'Disabled' (obligatorio)

MLAssistConfigurationEnabled

Nombre Descripción Valor
mlAssist [Obligatorio] Indica si la característica MLAssist está habilitada. 'Habilitado' (obligatorio)
inferencingComputeBinding [Obligatorio] Enlace de proceso de AML usado en la inferencia. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
trainingComputeBinding [Obligatorio] Enlace de proceso de AML usado en el entrenamiento. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

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.
sourceJobId Identificador de recurso de ARM del trabajo de origen. cuerda

PipelineJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

PipelineJobJobs

Nombre Descripción Valor
{propiedad personalizada}

PipelineJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SparkJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. 'Spark' (obligatorio)
archivo Archivar archivos usados en el trabajo. string[]
args Argumentos para el trabajo. cuerda
codeId [Obligatorio] Identificador de recurso de ARM del recurso de código. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
Conf Propiedades configuradas por Spark. sparkJobConf
entrada [Obligatorio] Entrada que se va a ejecutar al iniciar el trabajo. SparkJobEntry (obligatorio)
environmentId El identificador de recurso de ARM de la especificación del entorno para el trabajo. cuerda
Archivos Archivos usados en el trabajo. string[]
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. SparkJobInputs
Frascos Archivos Jar usados en el trabajo. string[]
Salidas Asignación de enlaces de datos de salida usados en el trabajo. SparkJobOutputs
pyFiles Archivos de Python usados en el trabajo. string[]
Recursos Configuración de recursos de proceso para el trabajo. SparkResourceConfiguration

SparkJobConf

Nombre Descripción Valor
{propiedad personalizada} cuerda

SparkJobEntry

Nombre Descripción Valor
sparkJobEntryType Establecimiento del tipo de objeto sparkJobPythonEntry
SparkJobScalaEntry (obligatorio)

SparkJobPythonEntry

Nombre Descripción Valor
sparkJobEntryType [Obligatorio] Tipo del punto de entrada del trabajo. 'SparkJobPythonEntry' (obligatorio)
archivo [Obligatorio] Ruta de acceso relativa del archivo de Python para el punto de entrada del trabajo. string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]

SparkJobScalaEntry

Nombre Descripción Valor
sparkJobEntryType [Obligatorio] Tipo del punto de entrada del trabajo. 'SparkJobScalaEntry' (obligatorio)
className [Obligatorio] Nombre de clase de Scala usado como punto de entrada. string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]

SparkJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

SparkJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SparkResourceConfiguration

Nombre Descripción Valor
instanceType Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. cuerda
runtimeVersion Versión del entorno de ejecución de Spark que se usa para el trabajo. cuerda

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)
logbase Número positivo opcional o e en formato de cadena que se va a usar como base para el muestreo aleatorio basado en registros cuerda
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. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

EndpointScheduleAction

Nombre Descripción Valor
actionType [Obligatorio] Especifica el tipo de acción de la programación. 'InvokeBatchEndpoint' (obligatorio)
endpointInvocationDefinition [Obligatorio] Define los detalles de la definición de la acción Programar.
{see href="TBD" /}

TriggerBase

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones />		 cuerda
triggerType Establecimiento del tipo de objeto Cron
de periodicidad (obligatorio)

CronTrigger

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
expresión [Obligatorio] Especifica la expresión cron de la programación.
La expresión debe seguir el formato NCronTab.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones		 cuerda
triggerType [Obligatorio] 'Cron'
'Periodicidad' (obligatorio)

RecurrenceTrigger

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
frecuencia [Obligatorio] Frecuencia de desencadenamiento de la programación. 'Día'
'Hora'
'Minuto'
'Mes'
'Semana' (obligatorio)
intervalo [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. int (obligatorio)
horario Programación de periodicidad. RecurrenceSchedule
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones		 cuerda
triggerType [Obligatorio] 'Cron'
'Periodicidad' (obligatorio)

RecurrenceSchedule

Nombre Descripción Valor
horas [Obligatorio] Lista de horas para la programación. int[] (obligatorio)
acta [Obligatorio] Lista de minutos para la programación. int[] (obligatorio)
monthDays Lista de días del mes para la programación int[]
días entre semana Lista de días para la programación. Matriz de cadenas que contiene cualquiera de:
'Viernes'
"Lunes"
'Sábado'
'Domingo'
'Jueves'
"Martes"
'Miércoles'

Definición de recursos de Terraform (proveedor AzAPI)

El tipo de recurso workspaces/schedules 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/schedules, agregue el siguiente terraform a la plantilla.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2022-12-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {}
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  })
}

Objetos ScheduleActionBase

Establezca la propiedad actionType para especificar el tipo de objeto.

Para CreateJob, use:

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

Para InvokeBatchEndpoint, use:

  actionType = "InvokeBatchEndpoint"

Objetos JobBaseProperties

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 = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

Para Comando, use:

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

Para etiquetado, use:

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

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
    }
  }
  sourceJobId = "string"

Para spark, use:

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

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 = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      properties = {}
      shmSize = "string"
    }
  }

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 de nodos

Establezca la propiedad nodesValueType para especificar el tipo de objeto.

Para Todos los, use:

  nodesValueType = "All"

Objetos JobOutput

Establezca la propiedad jobOutputType para especificar el tipo de objeto.

Para custom_model, use:

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

Para mlflow_model, use:

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

Para mltable, use:

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

Para triton_model, use:

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

Para uri_file, use:

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

Para uri_folder, use:

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

Objetos AutoMLVertical

Establezca la propiedad taskType para especificar el tipo de objeto.

Para clasificación, use:

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

Para forecasting, use:

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

Para ImageClassification, use:

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

Para ImageClassificationMultilabel, use:

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

Para imageInstanceSegmentation, use:

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

Para ImageObjectDetection, use:

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

Para regresión, use:

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

Para TextClassification, use:

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

Para TextClassificationMultilabel, use:

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

Para TextNER, use:

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

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

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 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 custom_model, use:

  jobInputType = "custom_model"
  mode = "string"
  uri = "string"

Para literal, use:

  jobInputType = "literal"
  value = "string"

Para mlflow_model, use:

  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"

Para mltable, use:

  jobInputType = "mltable"
  mode = "string"
  uri = "string"

Para triton_model, use:

  jobInputType = "triton_model"
  mode = "string"
  uri = "string"

Para uri_file, use:

  jobInputType = "uri_file"
  mode = "string"
  uri = "string"

Para uri_folder, use:

  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"

Objetos LabelingJobMediaProperties

Establezca la propiedad mediaType para especificar el tipo de objeto.

Para Image, use:

  mediaType = "Image"
  annotationType = "string"

Para Text, use:

  mediaType = "Text"
  annotationType = "string"

Objetos MLAssistConfiguration

Establezca la propiedad mlAssist para especificar el tipo de objeto.

Para Deshabilitado, use:

  mlAssist = "Disabled"

Para Habilitado, use:

  mlAssist = "Enabled"
  inferencingComputeBinding = "string"
  trainingComputeBinding = "string"

Objetos SparkJobEntry

Establezca la sparkJobEntryType para especificar el tipo de objeto.

Para sparkJobPythonEntry, use:

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

Para SparkJobScalaEntry, use:

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "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"
  logbase = "string"
  rule = "string"
  seed = int

Objetos TriggerBase

Establezca la propiedad triggerType para especificar el tipo de objeto.

Para Cron, use:

  triggerType = "Cron"
  expression = "string"

Para periodicidad, use:

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

Valores de propiedad

workspaces/schedules

Nombre Descripción Valor
tipo El tipo de recurso "Microsoft.MachineLearningServices/workspaces/schedules@2022-12-01-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. ScheduleProperties (obligatorio)

ScheduleProperties

Nombre Descripción Valor
acción [Obligatorio] Especifica la acción de la programación. ScheduleActionBase (obligatorio)
descripción Texto de descripción del recurso. cuerda
displayName Nombre para mostrar de la programación. cuerda
isEnabled ¿Está habilitada la programación? Bool
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
Etiquetas Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. objeto
detonante [Obligatorio] Especifica los detalles del desencadenador. TriggerBase (obligatorio)

ScheduleActionBase

Nombre Descripción Valor
actionType Establecimiento del tipo de objeto CreateJob
InvokeBatchEndpoint (obligatorio)

JobScheduleAction

Nombre Descripción Valor
actionType [Obligatorio] Especifica el tipo de acción de la programación. "CreateJob" (obligatorio)
jobDefinition [Obligatorio] Define los detalles de la definición de la acción Programar. JobBaseProperties (obligatorio)

JobBaseProperties

Nombre Descripción Valor
componentId Identificador de recurso de ARM del recurso de componente. cuerda
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
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 etiquetado
 de canalización de
spark
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

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
Nodos Nodos en los que el usuario desea iniciar el servicio.
Si los nodos no se establecen o se establecen en NULL, el servicio solo se iniciará en el nodo líder.		 nodos de
puerto Puerto para el punto de conexión establecido por el usuario. Int
Propiedades Propiedades adicionales que se van a establecer en el punto de conexión. JobServiceProperties

Nodos

Nombre Descripción Valor
nodesValueType Establecimiento del tipo de objeto todos los (obligatorio)

AllNodes

Nombre Descripción Valor
nodesValueType [Obligatorio] Tipo del valor nodos "All" (obligatorio)

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. JobResourceConfiguration
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 custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatorio)

CustomModelJobOutput

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

MLFlowModelJobOutput

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

MLTableJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

JobResourceConfiguration

Nombre Descripción Valor
dockerArgs Argumentos adicionales para pasar al comando docker run. Esto invalidaría los parámetros ya establecidos por el sistema o en esta sección. Este parámetro solo se admite para los tipos de proceso de Azure ML. cuerda
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
shmSize Tamaño del bloque de memoria compartida del contenedor de Docker. Debe estar en el formato (número)(unidad) donde el número como mayor que 0 y la unidad puede ser uno de b(bytes), k(kilobytes), m(megabytes) o g(gigabytes). cuerda

Restricciones:
Patrón = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nombre Descripción Valor
{propiedad personalizada}

AutoMLVertical

Nombre Descripción Valor
logVerbosity Detalle del registro del trabajo. "Crítico"
"Depurar"
"Error"
"Información"
"NotSet"
"Advertencia"
targetColumnName 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.		 cuerda
trainingData [Obligatorio] Entrada de datos de entrenamiento. mlTableJobInput (obligatorio)
taskType Establecimiento del tipo de objeto de clasificación de
de previsión
ImageClassification
imageClassificationMultilabel
ImageInstanceSegmentation
 imageObjectDetection de
regresión
TextClassification
TextClassificationMultilabel
TextNER (obligatorio)

MLTableJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model"
"literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (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_]

Clasificación

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Clasificación" (obligatorio)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
positiveLabel Etiqueta positiva para el cálculo de métricas binarias. cuerda
primaryMetric Métrica principal de la tarea. "AUCWeighted"
"Precisión"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. ClassificationTrainingSettings
validationData Entradas 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
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

TableVerticalFeaturizationSettings

Nombre Descripción Valor
blockedTransformers Estos transformadores no se utilizarán en la caracterización. Matriz de cadenas que contiene cualquiera de:
"CatTargetEncoder"
"CountVectorizer"
"HashOneHotEncoder"
"LabelEncoder"
"NaiveBayes"
"OneHotEncoder"
"TextTargetEncoder"
"TfIdf"
"WoETargetEncoder"
"WordEmbedding"
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
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.

TableFixedParameters

Nombre Descripción Valor
booster Especifique el tipo de potenciación, por ejemplo, gbdt para XGBoost. cuerda
boostingType Especifique el tipo de potenciación, por ejemplo, gbdt para LightGBM. cuerda
growPolicy Especifique la directiva de crecimiento, que controla la forma en que se agregan nuevos nodos al árbol. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. Int
maxBin Especifique el número máximo de intervalos discretos en las características continuas del cubo . Int
maxDepth Especifique la profundidad máxima para limitar explícitamente la profundidad del árbol. Int
maxLeaves Especifique las hojas máximas para limitar las hojas de árbol explícitamente. Int
minDataInLeaf Número mínimo de datos por hoja. Int
minSplitGain Reducción mínima de pérdida necesaria para realizar una partición adicional en un nodo hoja del árbol. Int
modelName Nombre del modelo que se va a entrenar. cuerda
nEstimators Especifique el número de árboles (o redondeos) en un modelo. Int
numLeaves Especifique el número de hojas. Int
preprocessorName Nombre del preprocesador que se va a usar. cuerda
regAlpha Término de regularización L1 en pesos. Int
regLambda Término de regularización L2 en pesos. Int
Submuestra Proporción de subsample de la instancia de entrenamiento. Int
subsampleFreq Frecuencia de subsample. Int
treeMethod Especifique el método de árbol. cuerda
withMean Si es true, centre antes de escalar los datos con StandardScalar. Bool
withStd Si es true, escale los datos con Varianza unitaria con StandardScalar. Bool

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
maxNodes Número máximo de nodos que se van a usar para el experimento. Int
maxTrials Número de iteraciones. Int
sweepConcurrentTrials Número de ejecuciones de barrido simultáneas que el usuario quiere desencadenar. Int
sweepTrials Número de ejecuciones de barrido que el usuario quiere desencadenar. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera de iteración. cuerda

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)

TableParameterSubspace

Nombre Descripción Valor
booster Especifique el tipo de potenciación, por ejemplo, gbdt para XGBoost. cuerda
boostingType Especifique el tipo de potenciación, por ejemplo, gbdt para LightGBM. cuerda
growPolicy Especifique la directiva de crecimiento, que controla la forma en que se agregan nuevos nodos al árbol. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. cuerda
maxBin Especifique el número máximo de intervalos discretos en las características continuas del cubo . cuerda
maxDepth Especifique la profundidad máxima para limitar explícitamente la profundidad del árbol. cuerda
maxLeaves Especifique las hojas máximas para limitar las hojas de árbol explícitamente. cuerda
minDataInLeaf Número mínimo de datos por hoja. cuerda
minSplitGain Reducción mínima de pérdida necesaria para realizar una partición adicional en un nodo hoja del árbol. cuerda
modelName Nombre del modelo que se va a entrenar. cuerda
nEstimators Especifique el número de árboles (o redondeos) en un modelo. cuerda
numLeaves Especifique el número de hojas. cuerda
preprocessorName Nombre del preprocesador que se va a usar. cuerda
regAlpha Término de regularización L1 en pesos. cuerda
regLambda Término de regularización L2 en pesos. cuerda
Submuestra Proporción de subsample de la instancia de entrenamiento. cuerda
subsampleFreq Frecuencia de subsample cuerda
treeMethod Especifique el método de árbol. cuerda
withMean Si es true, centre antes de escalar los datos con StandardScalar. cuerda
withStd Si es true, escale los datos con Varianza unitaria con StandardScalar. cuerda

TableSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada para el trabajo de barrido. EarlyTerminationPolicy
samplingAlgorithm [Obligatorio] Tipo de algoritmo de muestreo. "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

ClassificationTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms 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"
blockedTrainingAlgorithms 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"
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 "Automático"
"Distribuido"
"NonDistributed"

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)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
forecastingSettings Previsión de entradas específicas de la tarea. ForecastingSettings
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrica principal para la tarea de previsión. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. ForecastingTrainingSettings
validationData Entradas 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
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

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)

ForecastingTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms 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"
blockedTrainingAlgorithms 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"
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 "Automático"
"Distribuido"
"NonDistributed"

ImageClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageClassification" (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
validationData Entradas 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
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointModel Modelo de punto de control entrenado previamente para el entrenamiento incremental. mlFlowModelJobInput
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
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

MLFlowModelJobInput

Nombre Descripción Valor
descripción Descripción de la entrada. cuerda
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model"
"literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (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_]

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
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
samplingAlgorithm [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. "Bayesiano"
"Cuadrícula"
"Aleatorio" (obligatorio)

ImageClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageClassificationMultilabel" (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
validationData Entradas 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

ImageInstanceSegmentation

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "ImageInstanceSegmentation" (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
validationData Entradas 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

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
checkpointFrequency Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. Int
checkpointModel Modelo de punto de control entrenado previamente para el entrenamiento incremental. mlFlowModelJobInput
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
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
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)
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
validationData Entradas 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

Regresión

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "Regresión" (obligatorio)
cvSplitColumnNames Columnas que se van a usar para datos CVSplit. string[]
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. TableVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. TableFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrica principal para la tarea de regresión. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. tableParameterSubspace[]
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. tableSweepSettings
testData Prueba de la entrada 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
trainingSettings Entradas para la fase de entrenamiento de un trabajo de AutoML. RegressionTrainingSettings
validationData Entradas 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
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

RegressionTrainingSettings

Nombre Descripción Valor
allowedTrainingAlgorithms Modelos permitidos para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedTrainingAlgorithms Modelos bloqueados para la tarea de regresión. Matriz de cadenas que contiene cualquiera de:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
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
trainingMode Modo TrainingMode: establecer en "auto" es el mismo que establecerlo en "no distribuido", pero en el futuro puede dar lugar a la selección de modo mixto o heurística. El valor predeterminado es "auto".
Si "Distributed" solo se usa la caracterización distribuida y se eligen los algoritmos distribuidos.
Si "NonDistributed" solo se eligen algoritmos no distribuidos.
 "Automático"
"Distribuido"
"NonDistributed"

TextClassification

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "TextClassification" (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrica principal para Text-Classification tarea. "AUCWeighted"
"Precisión"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

Nombre Descripción Valor
gradientAccumulationSteps Número de pasos para acumular degradados antes de ejecutar un paso hacia atrás. Int
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. Int
learningRateScheduler Tipo de programación de velocidad de aprendizaje que se va a usar durante el procedimiento de entrenamiento. "Constante"
"ConstantWithWarmup"
"Coseno"
"CosineWithRestarts"
"Lineal"
"Ninguno"
"Polinomial"
modelName Nombre del modelo que se va a entrenar. cuerda
numberOfEpochs Número de épocas de entrenamiento. Int
trainingBatchSize Tamaño del lote para el procedimiento de entrenamiento. Int
validationBatchSize Tamaño del lote que se va a usar durante la evaluación. Int
warmupRatio La relación de preparación, usada junto con LrSchedulerType. Int
weightDecay La disminución del peso para el procedimiento de entrenamiento. Int

NlpVerticalLimitSettings

Nombre Descripción Valor
maxConcurrentTrials Iteraciones de AutoML simultáneas máximas. Int
maxNodes Número máximo de nodos que se van a usar para el experimento. Int
maxTrials Número de iteraciones de AutoML. Int
interrupción Tiempo de espera del trabajo de AutoML. cuerda
trialTimeout Tiempo de espera para pruebas individuales de HD. cuerda

NlpParameterSubspace

Nombre Descripción Valor
gradientAccumulationSteps Número de pasos para acumular degradados antes de ejecutar un paso hacia atrás. cuerda
learningRate Velocidad de aprendizaje para el procedimiento de entrenamiento. cuerda
learningRateScheduler Tipo de programación de velocidad de aprendizaje que se va a usar durante el procedimiento de entrenamiento. cuerda
modelName Nombre del modelo que se va a entrenar. cuerda
numberOfEpochs Número de épocas de entrenamiento. cuerda
trainingBatchSize Tamaño del lote para el procedimiento de entrenamiento. cuerda
validationBatchSize Tamaño del lote que se va a usar durante la evaluación. cuerda
warmupRatio La relación de preparación, usada junto con LrSchedulerType. cuerda
weightDecay La disminución del peso para el procedimiento de entrenamiento. cuerda

NlpSweepSettings

Nombre Descripción Valor
earlyTermination Tipo de directiva de terminación anticipada para el trabajo de barrido. EarlyTerminationPolicy
samplingAlgorithm [Obligatorio] Tipo de algoritmo de muestreo. "Bayesiano"
"Cuadrícula"
"Aleatorio" (obligatorio)

TextClassificationMultilabel

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "TextClassificationMultilabel" (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

TextNer

Nombre Descripción Valor
taskType [Obligatorio] Tipo de tarea para AutoMLJob. "TextNER" (obligatorio)
featurizationSettings Entradas de caracterización necesarias para el trabajo de AutoML. NlpVerticalFeaturizationSettings
fixedParameters Parámetros de modelo y entrenamiento que permanecerán constantes durante el entrenamiento. NlpFixedParameters
limitSettings Restricciones de ejecución para AutoMLJob. NlpVerticalLimitSettings
searchSpace Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. NlpParameterSubspace []
sweepSettings Configuración del barrido de modelos y ajuste de hiperparámetros. NlpSweepSettings
validationData Entradas de datos de validación. mlTableJobInput

CommandJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. "Command" (obligatorio)
autologgerSettings Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. AutologgerSettings
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. JobResourceConfiguration

AutologgerSettings

Nombre Descripción Valor
mlflowAutologger [Obligatorio] Indica si el registrador automático de mlflow está habilitado. "Deshabilitado"
"Habilitado" (obligatorio)

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 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatorio)

CustomModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "custom_model" (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_]

TritonModelJobInput

Nombre Descripción Valor
jobInputType [Obligatorio] Especifica el tipo de trabajo. "triton_model" (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. "uri_file" (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. "uri_folder" (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

LabelingJobProperties

Nombre Descripción Valor
componentId Identificador de recurso de ARM del recurso de componente. cuerda
computeId Identificador de recurso de ARM del recurso de proceso. cuerda
dataConfiguration Configuración de datos usados en el trabajo. LabelingDataConfiguration
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
jobInstructions Etiquetado de instrucciones del trabajo. LabelingJobInstructions
jobType [Obligatorio] Especifica el tipo de trabajo. "AutoML"
"Comando"
"Etiquetado"
"Canalización"
"Spark"
"Barrido" (obligatorio)
labelCategories Categorías de etiqueta del trabajo. labelingJobLabelCategories
labelingJobMediaProperties Propiedades específicas del tipo de medio en el trabajo. LabelingJobMediaProperties
mlAssistConfiguration Configuración de la característica MLAssist en el trabajo. mlAssistConfiguration
Propiedades Diccionario de propiedades de recurso. ResourceBaseProperties
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

LabelingDataConfiguration

Nombre Descripción Valor
dataId Identificador de recurso del recurso de datos para realizar el etiquetado. cuerda
incrementalDataRefresh Indica si se va a habilitar la actualización incremental de datos. "Deshabilitado"
"Habilitado"

LabelingJobInstructions

Nombre Descripción Valor
Uri Vínculo a una página con instrucciones de etiquetado detalladas para los etiquetadores. cuerda

LabelingJobLabelCategories

Nombre Descripción Valor
{propiedad personalizada} LabelCategory de

LabelCategory

Nombre Descripción Valor
Clases Diccionario de clases de etiqueta en esta categoría. LabelCategoryClasses
displayName Nombre para mostrar de la categoría de etiqueta. cuerda
multiSelect Indica si se permite seleccionar varias clases en esta categoría. "Deshabilitado"
"Habilitado"

LabelCategoryClasses

Nombre Descripción Valor
{propiedad personalizada} labelClass

LabelClass

Nombre Descripción Valor
displayName Nombre para mostrar de la clase de etiqueta. cuerda
Subclases Diccionario de subclases de la clase de etiqueta. labelClassSubclasses

LabelClassSubclasses

Nombre Descripción Valor
{propiedad personalizada} labelClass

LabelingJobMediaProperties

Nombre Descripción Valor
mediaType Establecimiento del tipo de objeto de imagen de
de texto (obligatorio)

LabelingJobImageProperties

Nombre Descripción Valor
mediaType [Obligatorio] Tipo de medio del trabajo. "Imagen" (obligatorio)
annotationType Tipo de anotación del trabajo de etiquetado de imágenes. "BoundingBox"
"Clasificación"
"InstanceSegmentation"

LabelingJobTextProperties

Nombre Descripción Valor
mediaType [Obligatorio] Tipo de medio del trabajo. "Texto" (obligatorio)
annotationType Tipo de anotación del trabajo de etiquetado de texto. "Clasificación"
"NamedEntityRecognition"

MLAssistConfiguration

Nombre Descripción Valor
mlAssist Establecimiento del tipo de objeto deshabilitado
habilitado (obligatorio)

MLAssistConfigurationDisabled

Nombre Descripción Valor
mlAssist [Obligatorio] Indica si la característica MLAssist está habilitada. "Deshabilitado" (obligatorio)

MLAssistConfigurationEnabled

Nombre Descripción Valor
mlAssist [Obligatorio] Indica si la característica MLAssist está habilitada. "Habilitado" (obligatorio)
inferencingComputeBinding [Obligatorio] Enlace de proceso de AML usado en la inferencia. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
trainingComputeBinding [Obligatorio] Enlace de proceso de AML usado en el entrenamiento. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]

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.
sourceJobId Identificador de recurso de ARM del trabajo de origen. cuerda

PipelineJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

PipelineJobJobs

Nombre Descripción Valor
{propiedad personalizada}

PipelineJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SparkJob

Nombre Descripción Valor
jobType [Obligatorio] Especifica el tipo de trabajo. "Spark" (obligatorio)
archivo Archivar archivos usados en el trabajo. string[]
args Argumentos para el trabajo. cuerda
codeId [Obligatorio] Identificador de recurso de ARM del recurso de código. string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
Conf Propiedades configuradas por Spark. sparkJobConf
entrada [Obligatorio] Entrada que se va a ejecutar al iniciar el trabajo. SparkJobEntry (obligatorio)
environmentId El identificador de recurso de ARM de la especificación del entorno para el trabajo. cuerda
Archivos Archivos usados en el trabajo. string[]
Entradas Asignación de enlaces de datos de entrada usados en el trabajo. SparkJobInputs
Frascos Archivos Jar usados en el trabajo. string[]
Salidas Asignación de enlaces de datos de salida usados en el trabajo. SparkJobOutputs
pyFiles Archivos de Python usados en el trabajo. string[]
Recursos Configuración de recursos de proceso para el trabajo. SparkResourceConfiguration

SparkJobConf

Nombre Descripción Valor
{propiedad personalizada} cuerda

SparkJobEntry

Nombre Descripción Valor
sparkJobEntryType Establecimiento del tipo de objeto sparkJobPythonEntry
SparkJobScalaEntry (obligatorio)

SparkJobPythonEntry

Nombre Descripción Valor
sparkJobEntryType [Obligatorio] Tipo del punto de entrada del trabajo. "SparkJobPythonEntry" (obligatorio)
archivo [Obligatorio] Ruta de acceso relativa del archivo de Python para el punto de entrada del trabajo. string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]

SparkJobScalaEntry

Nombre Descripción Valor
sparkJobEntryType [Obligatorio] Tipo del punto de entrada del trabajo. "SparkJobScalaEntry" (obligatorio)
className [Obligatorio] Nombre de clase de Scala usado como punto de entrada. string (obligatorio)

Restricciones:
Longitud mínima = 1
Patrón = [a-zA-Z0-9_]

SparkJobInputs

Nombre Descripción Valor
{propiedad personalizada} JobInput

SparkJobOutputs

Nombre Descripción Valor
{propiedad personalizada} JobOutput

SparkResourceConfiguration

Nombre Descripción Valor
instanceType Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. cuerda
runtimeVersion Versión del entorno de ejecución de Spark que se usa para el trabajo. cuerda

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)
logbase Número positivo opcional o e en formato de cadena que se va a usar como base para el muestreo aleatorio basado en registros cuerda
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. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nombre Descripción Valor
{propiedad personalizada} cuerda

EndpointScheduleAction

Nombre Descripción Valor
actionType [Obligatorio] Especifica el tipo de acción de la programación. "InvokeBatchEndpoint" (obligatorio)
endpointInvocationDefinition [Obligatorio] Define los detalles de la definición de la acción Programar.
{see href="TBD" /}

TriggerBase

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones />		 cuerda
triggerType Establecimiento del tipo de objeto Cron
de periodicidad (obligatorio)

CronTrigger

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
expresión [Obligatorio] Especifica la expresión cron de la programación.
La expresión debe seguir el formato NCronTab.		 string (obligatorio)

Restricciones:
Patrón = [a-zA-Z0-9_]
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones		 cuerda
triggerType [Obligatorio] "Cron"
"Periodicidad" (obligatorio)

RecurrenceTrigger

Nombre Descripción Valor
endTime Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601.
El formato recommented sería "2022-06-01T00:00:01"
Si no está presente, la programación se ejecutará indefinidamente.		 cuerda
frecuencia [Obligatorio] Frecuencia de desencadenamiento de la programación. "Día"
"Hora"
"Minuto"
"Mes"
"Semana" (obligatorio)
intervalo [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. int (obligatorio)
horario Programación de periodicidad. RecurrenceSchedule
startTime Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. cuerda
timeZone Especifica la zona horaria en la que se ejecuta la programación.
TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones		 cuerda
triggerType [Obligatorio] "Cron"
"Periodicidad" (obligatorio)

RecurrenceSchedule

Nombre Descripción Valor
horas [Obligatorio] Lista de horas para la programación. int[] (obligatorio)
acta [Obligatorio] Lista de minutos para la programación. int[] (obligatorio)
monthDays Lista de días del mes para la programación int[]
días entre semana Lista de días para la programación. Matriz de cadenas que contiene cualquiera de:
"Viernes"
"Lunes"
"Sábado"
"Domingo"
"Jueves"
"Martes"
"Miércoles"