Partager via

Espaces de travail Microsoft.MachineLearningServices/jobs 2022-10-01-preview

  • Article

Définition de ressource Bicep

Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le bicep suivant à votre modèle.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    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
  }
}

Objets JobBaseProperties

Définissez la propriété jobType pour spécifier le type d’objet.

Pour AutoML, utilisez :

  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
  }

Pour commande, utilisez :

  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'
  }

Pour d’étiquetage, utilisez :

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

Pour pipeline, utilisez :

  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'

Pour Spark, utilisez :

  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'
  }

Pour de balayage, utilisez :

  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'
    }
  }

Objets IdentityConfiguration

Définissez la propriété identityType pour spécifier le type d’objet.

Pour AMLToken, utilisez :

  identityType: 'AMLToken'

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

  identityType: 'UserIdentity'

Objets nœuds

Définissez la propriété nodeValueType pour spécifier le type d’objet.

Pour tous les, utilisez :

  nodesValueType: 'All'

Objets JobOutput

Définissez la propriété jobOutputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'

Pour mlflow_model, utilisez :

  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

Pour mltable, utilisez :

  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'

Pour triton_model, utilisez :

  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'

Pour uri_file, utilisez :

  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'

Pour uri_folder, utilisez :

  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Objets AutoMLVertical

Définissez la propriété taskType pour spécifier le type d’objet.

Pour de classification, utilisez :

  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
    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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Pour prévision, utilisez :

  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
    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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Pour ImageClassification, utilisez :

  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

Pour ImageClassificationMultilabel, utilisez :

  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

Pour ImageInstanceSegmentation, utilisez :

  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

Pour ImageObjectDetection, utilisez :

  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

Pour régression, utilisez :

  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
    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'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Pour TextClassification, utilisez :

  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'
  }

Pour TextClassificationMultilabel, utilisez :

  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'
  }

Pour TextNER, utilisez :

  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'
  }

Objets NCrossValidations

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets EarlyTerminationPolicy

Définissez la propriété policyType pour spécifier le type d’objet.

Pour Bandit, utilisez :

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Pour médiane, utilisez :

  policyType: 'MedianStopping'

Pour truncationSelection, utilisez :

  policyType: 'TruncationSelection'
  truncationPercentage: int

Objets ForecastHorizon

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets de saisonnalité

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets TargetLags

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  values: [
    int
  ]

Objets TargetRollingWindowSize

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets DistributionConfiguration

Définissez la propriété distributionType pour spécifier le type d’objet.

Pour Mpi, utilisez :

  distributionType: 'Mpi'
  processCountPerInstance: int

Pour PyTorch, utilisez :

  distributionType: 'PyTorch'
  processCountPerInstance: int

Pour TensorFlow, utilisez :

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

Objets JobInput

Définissez la propriété jobInputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

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

Pour littéral, utilisez :

  jobInputType: 'literal'
  value: 'string'

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets LabelingJobMediaProperties

Définissez la propriété mediaType pour spécifier le type d’objet.

Pour image, utilisez :

  mediaType: 'Image'
  annotationType: 'string'

Pour texte, utilisez :

  mediaType: 'Text'
  annotationType: 'string'

Objets MLAssistConfiguration

Définissez la propriété mlAssist pour spécifier le type d’objet.

Pour désactivé, utilisez :

  mlAssist: 'Disabled'

Pour activé, utilisez :

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

Objets SparkJobEntry

Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.

Pour SparkJobPythonEntry, utilisez :

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Pour SparkJobScalaEntry, utilisez :

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

Objets SamplingAlgorithm

Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.

Pour bayésien, utilisez :

  samplingAlgorithmType: 'Bayesian'

Pour grille, utilisez :

  samplingAlgorithmType: 'Grid'

Pour aléatoire, utilisez :

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

Valeurs de propriété

espaces de travail/travaux

Nom Description Valeur
nom Nom de la ressource

Découvrez comment définir des noms et des types pour les ressources enfants dans Bicep.		 chaîne (obligatoire)
parent Dans Bicep, vous pouvez spécifier la ressource parente d’une ressource enfant. Vous devez uniquement ajouter cette propriété lorsque la ressource enfant est déclarée en dehors de la ressource parente.

Pour plus d’informations, consultez ressource enfant en dehors de la ressource parente.		 Nom symbolique de la ressource de type : espaces de travail
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. jobBaseProperties (obligatoire)

JobBaseProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. corde
computeId ID de ressource ARM de la ressource de calcul. corde
description Texte de description de la ressource. corde
displayName Nom complet du travail. corde
experimentName Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». corde
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 IdentityConfiguration
isArchived La ressource est-elle archivée ? Bool
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
services Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. objet
jobType Définir le type d’objet AutoML
commande
d’étiquetage
pipeline
spark
de balayage (obligatoire)

IdentityConfiguration

Nom Description Valeur
identityType Définir le type d’objet AMLToken
managed
UserIdentity (obligatoire)

AmlToken

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. 'AMLToken' (obligatoire)

ManagedIdentity

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. 'Managed' (obligatoire)
clientId Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. corde

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. corde

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. corde

UserIdentity

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. 'UserIdentity' (obligatoire)

ResourceBaseProperties

Nom Description Valeur
{propriété personnalisée} corde

JobBaseServices

Nom Description Valeur
{propriété personnalisée} JobService

JobService

Nom Description Valeur
extrémité URL du point de terminaison. corde
jobServiceType Type de point de terminaison. corde
Nœuds Nœuds sur lesquels l’utilisateur souhaite démarrer le service.
Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.		 nœuds
port Port du point de terminaison défini par l’utilisateur. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

Nœuds

Nom Description Valeur
nodeValueType Définir le type d’objet Toutes les (obligatoires)

AllNodes

Nom Description Valeur
nodeValueType [Obligatoire] Type de la valeur nœuds 'All' (obligatoire)

JobServiceProperties

Nom Description Valeur
{propriété personnalisée} corde

AutoMLJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail.
Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.		 corde
environmentVariables Variables d’environnement incluses dans le travail. AutoMLJobEnvironmentVariables
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration
taskDetails [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image AutoMLVertical (obligatoire)

AutoMLJobEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

AutoMLJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

JobOutput

Nom Description Valeur
description Description de la sortie. corde
jobOutputType Définir le type d’objet custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

MLFlowModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

MLTableJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

TritonModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

UriFileJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

UriFolderJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

JobResourceConfiguration

Nom Description Valeur
dockerArgs Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. corde
instanceCount Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. Int
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. corde
Propriétés Conteneur de propriétés supplémentaires. ResourceConfigurationProperties
shmSize Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). corde

Contraintes:
Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom Description Valeur
{propriété personnalisée} Pour Bicep, vous pouvez utiliser la fonction any().

AutoMLVertical

Nom Description Valeur
logVerbosity Journaliser les verbes du travail. 'Critique'
'Déboguer'
'Erreur'
'Info'
'NotSet'
'Avertissement'
targetColumnName Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction.
Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.		 corde
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)
taskType Définir le type d’objet classification
de prévision
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
régression
TextClassification
TextClassificationMultilabel
TextNER (obligatoire)

MLTableJobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

Classification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
positiveLabel Étiquette positive pour le calcul des métriques binaires. corde
primaryMetric Métrique principale de la tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

TableVerticalFeaturizationSettings

Nom Description Valeur
blockedTransformers Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
columnNameAndTypes Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Langage du jeu de données, utile pour les données de texte. corde
enableDnnFeaturization Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. Bool
mode Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation.
Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée.
Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée.		 'Auto'
'Custom'
'Off'
transformerParams L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom Description Valeur
{propriété personnalisée} corde

TableVerticalFeaturizationSettingsTransformerParams

Nom Description Valeur
{propriété personnalisée} columnTransformer[]

ColumnTransformer

Nom Description Valeur
champs Champs sur utilisant la logique de transformateur. string[]
Paramètres Différentes propriétés à passer au transformateur.
L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON.
 Pour Bicep, vous pouvez utiliser la fonction any().

TableFixedParameters

Nom Description Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. corde
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. corde
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. Int
maxDepth Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. Int
maxLeaves Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. Int
minDataInLeaf Nombre minimal de données par feuille. Int
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. Int
modelName Nom du modèle à entraîner. corde
nEstimators Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. Int
numLeaves Spécifiez le nombre de feuilles. Int
preprocessorName Nom du préprocesseur à utiliser. corde
regAlpha Terme de régularisation L1 sur les poids. Int
regLambda Terme de régularisation L2 sur les poids. Int
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. Int
subsampleFreq Fréquence de sous-échantillonnage. Int
treeMethod Spécifiez la méthode d’arborescence. corde
withMean Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. Bool
withStd Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. Bool

TableVerticalLimitSettings

Nom Description Valeur
enableEarlyTermination Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations. Bool
exitScore Score de sortie pour le travail AutoML. Int
maxConcurrentTrials Nombre maximal d’itérations simultanées. Int
maxCoresPerTrial Nombre maximal de cœurs par itération. Int
maxTrials Nombre d’itérations. Int
sweepConcurrentTrials Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. Int
sweepTrials Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. Int
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration de l’itération. corde

NCrossValidations

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoNCrossValidations

Nom Description Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Auto' (obligatoire)

CustomNCrossValidations

Nom Description Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de validation n-croisée. int (obligatoire)

TableParameterSubspace

Nom Description Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. corde
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. corde
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. corde
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. corde
maxDepth Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. corde
maxLeaves Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. corde
minDataInLeaf Nombre minimal de données par feuille. corde
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. corde
modelName Nom du modèle à entraîner. corde
nEstimators Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. corde
numLeaves Spécifiez le nombre de feuilles. corde
preprocessorName Nom du préprocesseur à utiliser. corde
regAlpha Terme de régularisation L1 sur les poids. corde
regLambda Terme de régularisation L2 sur les poids. corde
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. corde
subsampleFreq Fréquence de sous-échantillonnage corde
treeMethod Spécifiez la méthode d’arborescence. corde
withMean Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. corde
withStd Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. corde

TableSweepSettings

Nom Description Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
'Grid'
'Random' (obligatoire)

EarlyTerminationPolicy

Nom Description Valeur
delayEvaluation Nombre d’intervalles par lesquels retarder la première évaluation. Int
evaluationInterval Intervalle (nombre d’exécutions) entre les évaluations de stratégie. Int
policyType Définir le type d’objet Bandit
medianStopping
TruncationSelection (obligatoire)

BanditPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'Bandit' (obligatoire)
slackAmount Distance absolue autorisée à partir de la meilleure exécution. Int
slackFactor Ratio de la distance autorisée par rapport à la meilleure exécution. Int

MedianStoppingPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'MedianStopping' (obligatoire)

TruncationSelectionPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'TruncationSelection' (obligatoire)
troncationPercentage Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. Int

ClassificationTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

StackEnsembleSettings

Nom Description Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. Pour Bicep, vous pouvez utiliser la fonction any().
stackMetaLearnerTrainPercentage Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2. Int
stackMetaLearnerType Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

Prévision

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
forecastingSettings Prévision d’entrées spécifiques à une tâche. ForecastingSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
primaryMetric Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ForecastingTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

ForecastingSettings

Nom Description Valeur
countryOrRegionForHolidays Pays ou région pour les vacances pour les tâches de prévision.
Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».		 corde
cvStepSize Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour
par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli sera
trois jours à part.		 Int
featureLags Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. 'Auto'
'None'
forecastHorizon Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. ForecastHorizon
fréquence Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. corde
Saisonnalité Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série.
Si la saisonnalité est définie sur « auto », elle sera déduite.		 saisonnalité
shortSeriesHandlingConfig Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer à une fréquence spécifiée par l’utilisateur.
Si TargetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cible possibles sont : « somme », « max », « min » et « moyenne ».		 'Max'
'Moyenne'
'Min'
'None'
'Somme'
targetLags Nombre de périodes passées à décalager à partir de la colonne cible. TargetLags
targetRollingWindowSize Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. TargetRollingWindowSize
timeColumnName Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. corde
timeSeriesIdColumnNames Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries.
Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.		 string[]
useStl Configurez la décomposition STL de la colonne cible de série chronologique. 'None'
'Saison'
'SeasonTrend'

ForecastHorizon

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoForecastHorizon

Nom Description Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Auto' (obligatoire)

CustomForecastHorizon

Nom Description Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de l’horizon de prévision. int (obligatoire)

Saisonnalité

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. 'Auto' (obligatoire)

CustomSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de saisonnalité. int (obligatoire)

TargetLags

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoTargetLags

Nom Description Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Auto' (obligatoire)

CustomTargetLags

Nom Description Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Custom' (obligatoire)
Valeurs [Obligatoire] Définissez les valeurs des décalages cibles. int[] (obligatoire)

TargetRollingWindowSize

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoTargetRollingWindowSize

Nom Description Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Auto' (obligatoire)

CustomTargetRollingWindowSize

Nom Description Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur TargetRollingWindowSize. int (obligatoire)

ForecastingTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'Prophète'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'Prophète'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

ImageClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaryMetric Métrique principale à optimiser pour cette tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageLimitSettings

Nom Description Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxTrials Nombre maximal d’itérations AutoML. Int
Timeout Délai d’expiration du travail AutoML. corde

ImageModelSettingsClassification

Nom Description Valeur
advancedSettings Paramètres des scénarios avancés. corde
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
checkpointFrequency Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
checkpointRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. corde
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. Int
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». 'None'
'Étape'
'WarmupCosine'
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. Int
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
Optimiseur Type d’optimiseur. 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. Int
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. Int
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.
 Int

MLFlowModelJobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Nom Description Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». corde
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
distribué Indique s’il faut utiliser la formation du répartiteur. corde
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. corde
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 corde
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 corde
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. corde
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. corde
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 corde
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 corde
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. corde
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». corde
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. corde
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». corde
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. corde
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. corde
Optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». corde
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. corde
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. corde
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. corde
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. corde
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. corde
validationBatchSize Taille du lot de validation. Doit être un entier positif. corde
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. corde
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. corde
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. corde
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. corde
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. corde
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.
 corde

ImageSweepSettings

Nom Description Valeur
earlyTermination Type de stratégie d’arrêt anticipé. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres. 'Bayésien'
'Grid'
'Random' (obligatoire)

ImageClassificationMultilabel

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaryMetric Métrique principale à optimiser pour cette tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageInstanceSegmentation

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaryMetric Métrique principale à optimiser pour cette tâche. 'MeanAveragePrecision'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageModelSettingsObjectDetection

Nom Description Valeur
advancedSettings Paramètres des scénarios avancés. corde
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 Int
checkpointFrequency Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
checkpointRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. corde
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. Int
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
imageSize Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Int
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». 'None'
'Étape'
'WarmupCosine'
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Bool
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. Int
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. Int
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
Optimiseur Type d’optimiseur. 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. Int
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. 'Coco'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Nom Description Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». corde
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 corde
distribué Indique s’il faut utiliser la formation du répartiteur. corde
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. corde
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 corde
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 corde
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. corde
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. corde
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 corde
imageSize Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 corde
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. corde
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». corde
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. corde
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». corde
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. corde
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. corde
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. corde
Optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». corde
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. corde
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. corde
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. corde
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
NMS : suppression non maximale		 corde
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. corde
validationBatchSize Taille du lot de validation. Doit être un entier positif. corde
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. corde
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». corde
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. corde
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. corde
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. corde

ImageObjectDetection

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaryMetric Métrique principale à optimiser pour cette tâche. 'MeanAveragePrecision'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

Régression

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
primaryMetric Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. RegressionTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

RegressionTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

TextClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrique principale pour Text-Classification tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

NlpVerticalFeaturizationSettings

Nom Description Valeur
datasetLanguage Langage du jeu de données, utile pour les données de texte. corde

NlpFixedParameters

Nom Description Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. Int
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. 'Constant'
'ConstantWithWarmup'
'Cosine'
'CosineWithRestarts'
'Linéaire'
'None'
'Polynomial'
modelName Nom du modèle à entraîner. corde
numberOfEpochs Nombre d’époques d’entraînement. Int
trainingBatchSize Taille du lot pour la procédure d’entraînement. Int
validationBatchSize Taille du lot à utiliser pendant l’évaluation. Int
warmupRatio Rapport de préchauffage utilisé avec LrSchedulerType. Int
weightDecay La dégradation du poids pour la procédure d’entraînement. Int

NlpVerticalLimitSettings

Nom Description Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxNodes Nombre maximal de nœuds à tirer parti de l’entraînement dans n’importe quelle version d’évaluation unique. Contrôle l’entraînement distribué à plusieurs nœuds. Int
maxTrials Nombre d’itérations AutoML. Int
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration pour les essais HD individuels. corde

NlpParameterSubspace

Nom Description Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. corde
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. corde
modelName Nom du modèle à entraîner. corde
numberOfEpochs Nombre d’époques d’entraînement. corde
trainingBatchSize Taille du lot pour la procédure d’entraînement. corde
validationBatchSize Taille du lot à utiliser pendant l’évaluation. corde
warmupRatio Rapport de préchauffage utilisé avec LrSchedulerType. corde
weightDecay La dégradation du poids pour la procédure d’entraînement. corde

NlpSweepSettings

Nom Description Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
'Grid'
'Random' (obligatoire)

TextClassificationMultilabel

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

CommandJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
autologgerSettings Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. AutologgerSettings
codeId ID de ressource ARM de la ressource de code. corde
commander [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
environmentVariables Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
Limites Limite du travail de commande. CommandJobLimits
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

AutologgerSettings

Nom Description Valeur
mlflowAutologger [Obligatoire] Indique si l’autologger mlflow est activé. 'Désactivé'
'Enabled' (obligatoire)

DistributionConfiguration

Nom Description Valeur
distributionType Définir le type d’objet Mpi
PyTorch
TensorFlow (obligatoire)

Mpi

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Mpi' (obligatoire)
processCountPerInstance Nombre de processus par nœud MPI. Int

PyTorch

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'PyTorch' (obligatoire)
processCountPerInstance Nombre de processus par nœud. Int

TensorFlow

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'TensorFlow' (obligatoire)
parameterServerCount Nombre de tâches de serveur de paramètres. Int
workerCount Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. Int

CommandJobEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

CommandJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

JobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType Définir le type d’objet custom_model
littéral
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

LiteralJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'littéral' (obligatoire)
valeur [Obligatoire] Valeur littérale de l’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

UriFileJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

UriFolderJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

CommandJobLimits

Nom Description Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Command'
'Balayage' (obligatoire)
Timeout Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. corde

CommandJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

LabelingJobProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. corde
computeId ID de ressource ARM de la ressource de calcul. corde
dataConfiguration Configuration des données utilisées dans le travail. labelingDataConfiguration
description Texte de description de la ressource. corde
displayName Nom complet du travail. corde
experimentName Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». corde
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 IdentityConfiguration
isArchived La ressource est-elle archivée ? Bool
jobInstructions Instructions d’étiquetage du travail. LabelingJobInstructions
jobType [Obligatoire] Spécifie le type de travail. 'AutoML'
'Command'
'Étiquetage'
'Pipeline'
'Spark'
'Balayage' (obligatoire)
labelCategories Catégories d’étiquettes du travail. LabelingJobLabelCategories
labelingJobMediaProperties Propriétés spécifiques du type de média dans le travail. LabelingJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. mlAssistConfiguration
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
services Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. objet

LabelingDataConfiguration

Nom Description Valeur
dataId ID de ressource de la ressource de données pour effectuer l’étiquetage. corde
incrementalDataRefreshEnabled Indique s’il faut activer l’actualisation incrémentielle des données. Bool

LabelingJobInstructions

Nom Description Valeur
URI Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. corde

LabelingJobLabelCategories

Nom Description Valeur
{propriété personnalisée} LabelCategory

LabelCategory

Nom Description Valeur
Classes Dictionnaire de classes d’étiquettes dans cette catégorie. LabelCategoryClasses
displayName Nom complet de la catégorie d’étiquette. corde
multiSelectEnabled Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. Bool

LabelCategoryClasses

Nom Description Valeur
{propriété personnalisée} labelClass

LabelClass

Nom Description Valeur
displayName Nom complet de la classe d’étiquette. corde
Sous-classes Dictionnaire de sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Description Valeur
{propriété personnalisée} labelClass

LabelingJobMediaProperties

Nom Description Valeur
mediaType Définir le type d’objet image
texte (obligatoire)

LabelingJobImageProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Image' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage d’image. 'BoundingBox'
'Classification'
'InstanceSegmentation'

LabelingJobTextProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Text' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage de texte. 'Classification'
'NamedEntityRecognition'

MLAssistConfiguration

Nom Description Valeur
mlAssist Définir le type d’objet désactivé
activé (obligatoire)

MLAssistConfigurationDisabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Disabled' (obligatoire)

MLAssistConfigurationEnabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
inferencingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

PipelineJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Pipeline' (obligatoire)
Entrées Entrées pour le travail de pipeline. pipelineJobInputs
Emplois Les travaux construisent le travail de pipeline. pipelineJobJobs
Sorties Sorties du travail de pipeline pipelineJobOutputs
Paramètres Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. Pour Bicep, vous pouvez utiliser la fonction any().
sourceJobId ID de ressource ARM du travail source. corde

PipelineJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

PipelineJobJobs

Nom Description Valeur
{propriété personnalisée} Pour Bicep, vous pouvez utiliser la fonction any().

PipelineJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SparkJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
archives Archiver les fichiers utilisés dans le travail. string[]
args Arguments du travail. corde
codeId [Obligatoire] ID de ressource ARM de la ressource de code. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
Conf Propriétés configurées par Spark. sparkJobConf
entrée [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. corde
Fichiers Fichiers utilisés dans le travail. string[]
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
Pots Fichiers jar utilisés dans le travail. string[]
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. string[]
ressources Configuration des ressources de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Description Valeur
{propriété personnalisée} corde

SparkJobEntry

Nom Description Valeur
sparkJobEntryType Définir le type d’objet SparkJobPythonEntry
SparkJobScalaEntry (obligatoire)

SparkJobPythonEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)
lime [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)
className [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SparkJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SparkResourceConfiguration

Nom Description Valeur
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. corde
runtimeVersion Version du runtime Spark utilisée pour le travail. corde

SweepJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
earlyTermination Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent EarlyTerminationPolicy
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SweepJobInputs
Limites Limite du travail de balayage. sweepJobLimits
objectif [Obligatoire] Objectif d’optimisation. objective (obligatoire)
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. SweepJobOutputs
samplingAlgorithm [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres SamplingAlgorithm (obligatoire)
searchSpace [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre Pour Bicep, vous pouvez utiliser la fonction any(). (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. trialComponent (obligatoire)

SweepJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SweepJobLimits

Nom Description Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Command'
'Balayage' (obligatoire)
maxConcurrentTrials Nombre maximal d’essais simultanés du travail de balayage. Int
maxTotalTrials Nombre maximal d’essais du travail de balayage. Int
Timeout Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. corde
trialTimeout Valeur du délai d’expiration du délai d’expiration du travail de balayage. corde

Objectif

Nom Description Valeur
but [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres 'Agrandir'
'Réduire' (obligatoire)
primaryMetric [Obligatoire] Nom de la métrique à optimiser. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

SweepJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType Définir le type d’objet bayésien
grille
aléatoire (obligatoire)

BayesianSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Bayésien' (obligatoire)

GridSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Grid' (obligatoire)

RandomSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Random' (obligatoire)
règle Type spécifique d’algorithme aléatoire 'Random'
'Sobol'
Graines Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires Int

TrialComponent

Nom Description Valeur
codeId ID de ressource ARM de la ressource de code. corde
commander [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
environmentVariables Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

Modèles de démarrage rapide

Les modèles de démarrage rapide suivants déploient ce type de ressource.

Modèle Description
Créer un travail de classification AutoML Azure Machine Learning

Déployer sur Azure 		Ce modèle crée un travail de classification AutoML Azure Machine Learning pour déterminer le meilleur modèle pour prédire si un client s’abonnera à un dépôt à terme fixe auprès d’une institution financière.
créer un travail de commande Azure Machine Learning

Déployer sur Azure 		Ce modèle crée un travail de commande Azure Machine Learning avec un script de base hello_world
créer un travail De balayage Azure Machine Learning

Déployer sur Azure 		Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.

Définition de ressource de modèle ARM

Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le code JSON suivant à votre modèle.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-10-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "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
  }
}

Objets JobBaseProperties

Définissez la propriété jobType pour spécifier le type d’objet.

Pour AutoML, utilisez :

  "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
  }

Pour commande, utilisez :

  "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"
  }

Pour d’étiquetage, utilisez :

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

Pour pipeline, utilisez :

  "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"

Pour Spark, utilisez :

  "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"
  }

Pour de balayage, utilisez :

  "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"
    }
  }

Objets IdentityConfiguration

Définissez la propriété identityType pour spécifier le type d’objet.

Pour AMLToken, utilisez :

  "identityType": "AMLToken"

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

  "identityType": "UserIdentity"

Objets nœuds

Définissez la propriété nodeValueType pour spécifier le type d’objet.

Pour tous les, utilisez :

  "nodesValueType": "All"

Objets JobOutput

Définissez la propriété jobOutputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

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

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets AutoMLVertical

Définissez la propriété taskType pour spécifier le type d’objet.

Pour de classification, utilisez :

  "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",
    "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Pour prévision, utilisez :

  "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",
    "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Pour ImageClassification, utilisez :

  "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"

Pour ImageClassificationMultilabel, utilisez :

  "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"

Pour ImageInstanceSegmentation, utilisez :

  "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"

Pour ImageObjectDetection, utilisez :

  "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"

Pour régression, utilisez :

  "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",
    "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"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Pour TextClassification, utilisez :

  "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"
  }

Pour TextClassificationMultilabel, utilisez :

  "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"
  }

Pour TextNER, utilisez :

  "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"
  }

Objets NCrossValidations

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets EarlyTerminationPolicy

Définissez la propriété policyType pour spécifier le type d’objet.

Pour Bandit, utilisez :

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

Pour médiane, utilisez :

  "policyType": "MedianStopping"

Pour truncationSelection, utilisez :

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

Objets ForecastHorizon

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets de saisonnalité

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets TargetLags

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets TargetRollingWindowSize

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets DistributionConfiguration

Définissez la propriété distributionType pour spécifier le type d’objet.

Pour Mpi, utilisez :

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

Pour PyTorch, utilisez :

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

Pour TensorFlow, utilisez :

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

Objets JobInput

Définissez la propriété jobInputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

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

Pour littéral, utilisez :

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

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets LabelingJobMediaProperties

Définissez la propriété mediaType pour spécifier le type d’objet.

Pour image, utilisez :

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

Pour texte, utilisez :

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

Objets MLAssistConfiguration

Définissez la propriété mlAssist pour spécifier le type d’objet.

Pour désactivé, utilisez :

  "mlAssist": "Disabled"

Pour activé, utilisez :

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

Objets SparkJobEntry

Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.

Pour SparkJobPythonEntry, utilisez :

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

Pour SparkJobScalaEntry, utilisez :

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "string"

Objets SamplingAlgorithm

Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.

Pour bayésien, utilisez :

  "samplingAlgorithmType": "Bayesian"

Pour grille, utilisez :

  "samplingAlgorithmType": "Grid"

Pour aléatoire, utilisez :

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

Valeurs de propriété

espaces de travail/travaux

Nom Description Valeur
type Type de ressource 'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion Version de l’API de ressource '2022-10-01-preview'
nom Nom de la ressource

Découvrez comment définir des noms et des types pour les ressources enfants dans modèles ARM JSON.		 chaîne (obligatoire)
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. jobBaseProperties (obligatoire)

JobBaseProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. corde
computeId ID de ressource ARM de la ressource de calcul. corde
description Texte de description de la ressource. corde
displayName Nom complet du travail. corde
experimentName Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». corde
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 IdentityConfiguration
isArchived La ressource est-elle archivée ? Bool
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
services Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. objet
jobType Définir le type d’objet AutoML
commande
d’étiquetage
pipeline
spark
de balayage (obligatoire)

IdentityConfiguration

Nom Description Valeur
identityType Définir le type d’objet AMLToken
managed
UserIdentity (obligatoire)

AmlToken

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. 'AMLToken' (obligatoire)

ManagedIdentity

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. 'Managed' (obligatoire)
clientId Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. corde

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. corde

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. corde

UserIdentity

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. 'UserIdentity' (obligatoire)

ResourceBaseProperties

Nom Description Valeur
{propriété personnalisée} corde

JobBaseServices

Nom Description Valeur
{propriété personnalisée} JobService

JobService

Nom Description Valeur
extrémité URL du point de terminaison. corde
jobServiceType Type de point de terminaison. corde
Nœuds Nœuds sur lesquels l’utilisateur souhaite démarrer le service.
Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.		 nœuds
port Port du point de terminaison défini par l’utilisateur. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

Nœuds

Nom Description Valeur
nodeValueType Définir le type d’objet Toutes les (obligatoires)

AllNodes

Nom Description Valeur
nodeValueType [Obligatoire] Type de la valeur nœuds 'All' (obligatoire)

JobServiceProperties

Nom Description Valeur
{propriété personnalisée} corde

AutoMLJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail.
Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.		 corde
environmentVariables Variables d’environnement incluses dans le travail. AutoMLJobEnvironmentVariables
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration
taskDetails [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image AutoMLVertical (obligatoire)

AutoMLJobEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

AutoMLJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

JobOutput

Nom Description Valeur
description Description de la sortie. corde
jobOutputType Définir le type d’objet custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

MLFlowModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

MLTableJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

TritonModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

UriFileJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

UriFolderJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. corde

JobResourceConfiguration

Nom Description Valeur
dockerArgs Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. corde
instanceCount Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. Int
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. corde
Propriétés Conteneur de propriétés supplémentaires. ResourceConfigurationProperties
shmSize Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). corde

Contraintes:
Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom Description Valeur
{propriété personnalisée}

AutoMLVertical

Nom Description Valeur
logVerbosity Journaliser les verbes du travail. 'Critique'
'Déboguer'
'Erreur'
'Info'
'NotSet'
'Avertissement'
targetColumnName Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction.
Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.		 corde
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)
taskType Définir le type d’objet classification
de prévision
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
régression
TextClassification
TextClassificationMultilabel
TextNER (obligatoire)

MLTableJobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

Classification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
positiveLabel Étiquette positive pour le calcul des métriques binaires. corde
primaryMetric Métrique principale de la tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

TableVerticalFeaturizationSettings

Nom Description Valeur
blockedTransformers Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
columnNameAndTypes Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Langage du jeu de données, utile pour les données de texte. corde
enableDnnFeaturization Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. Bool
mode Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation.
Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée.
Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée.		 'Auto'
'Custom'
'Off'
transformerParams L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom Description Valeur
{propriété personnalisée} corde

TableVerticalFeaturizationSettingsTransformerParams

Nom Description Valeur
{propriété personnalisée} columnTransformer[]

ColumnTransformer

Nom Description Valeur
champs Champs sur utilisant la logique de transformateur. string[]
Paramètres Différentes propriétés à passer au transformateur.
L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON.

TableFixedParameters

Nom Description Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. corde
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. corde
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. Int
maxDepth Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. Int
maxLeaves Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. Int
minDataInLeaf Nombre minimal de données par feuille. Int
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. Int
modelName Nom du modèle à entraîner. corde
nEstimators Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. Int
numLeaves Spécifiez le nombre de feuilles. Int
preprocessorName Nom du préprocesseur à utiliser. corde
regAlpha Terme de régularisation L1 sur les poids. Int
regLambda Terme de régularisation L2 sur les poids. Int
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. Int
subsampleFreq Fréquence de sous-échantillonnage. Int
treeMethod Spécifiez la méthode d’arborescence. corde
withMean Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. Bool
withStd Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. Bool

TableVerticalLimitSettings

Nom Description Valeur
enableEarlyTermination Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations. Bool
exitScore Score de sortie pour le travail AutoML. Int
maxConcurrentTrials Nombre maximal d’itérations simultanées. Int
maxCoresPerTrial Nombre maximal de cœurs par itération. Int
maxTrials Nombre d’itérations. Int
sweepConcurrentTrials Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. Int
sweepTrials Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. Int
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration de l’itération. corde

NCrossValidations

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoNCrossValidations

Nom Description Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Auto' (obligatoire)

CustomNCrossValidations

Nom Description Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de validation n-croisée. int (obligatoire)

TableParameterSubspace

Nom Description Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. corde
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. corde
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. corde
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. corde
maxDepth Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. corde
maxLeaves Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. corde
minDataInLeaf Nombre minimal de données par feuille. corde
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. corde
modelName Nom du modèle à entraîner. corde
nEstimators Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. corde
numLeaves Spécifiez le nombre de feuilles. corde
preprocessorName Nom du préprocesseur à utiliser. corde
regAlpha Terme de régularisation L1 sur les poids. corde
regLambda Terme de régularisation L2 sur les poids. corde
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. corde
subsampleFreq Fréquence de sous-échantillonnage corde
treeMethod Spécifiez la méthode d’arborescence. corde
withMean Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. corde
withStd Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. corde

TableSweepSettings

Nom Description Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
'Grid'
'Random' (obligatoire)

EarlyTerminationPolicy

Nom Description Valeur
delayEvaluation Nombre d’intervalles par lesquels retarder la première évaluation. Int
evaluationInterval Intervalle (nombre d’exécutions) entre les évaluations de stratégie. Int
policyType Définir le type d’objet Bandit
medianStopping
TruncationSelection (obligatoire)

BanditPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'Bandit' (obligatoire)
slackAmount Distance absolue autorisée à partir de la meilleure exécution. Int
slackFactor Ratio de la distance autorisée par rapport à la meilleure exécution. Int

MedianStoppingPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'MedianStopping' (obligatoire)

TruncationSelectionPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'TruncationSelection' (obligatoire)
troncationPercentage Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. Int

ClassificationTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'DecisionTree'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
'SVM'
'XGBoostClassifier'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

StackEnsembleSettings

Nom Description Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant.
stackMetaLearnerTrainPercentage Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2. Int
stackMetaLearnerType Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. 'ElasticNet'
'ElasticNetCV'
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
'LogisticRegression'
'LogisticRegressionCV'
'None'

Prévision

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
forecastingSettings Prévision d’entrées spécifiques à une tâche. ForecastingSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
primaryMetric Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ForecastingTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

ForecastingSettings

Nom Description Valeur
countryOrRegionForHolidays Pays ou région pour les vacances pour les tâches de prévision.
Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».		 corde
cvStepSize Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour
par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli sera
trois jours à part.		 Int
featureLags Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. 'Auto'
'None'
forecastHorizon Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. ForecastHorizon
fréquence Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. corde
Saisonnalité Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série.
Si la saisonnalité est définie sur « auto », elle sera déduite.		 saisonnalité
shortSeriesHandlingConfig Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. 'Auto'
'Drop'
'None'
'Pad'
targetAggregateFunction Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer à une fréquence spécifiée par l’utilisateur.
Si TargetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cible possibles sont : « somme », « max », « min » et « moyenne ».		 'Max'
'Moyenne'
'Min'
'None'
'Somme'
targetLags Nombre de périodes passées à décalager à partir de la colonne cible. TargetLags
targetRollingWindowSize Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. TargetRollingWindowSize
timeColumnName Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. corde
timeSeriesIdColumnNames Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries.
Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.		 string[]
useStl Configurez la décomposition STL de la colonne cible de série chronologique. 'None'
'Saison'
'SeasonTrend'

ForecastHorizon

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoForecastHorizon

Nom Description Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Auto' (obligatoire)

CustomForecastHorizon

Nom Description Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de l’horizon de prévision. int (obligatoire)

Saisonnalité

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. 'Auto' (obligatoire)

CustomSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de saisonnalité. int (obligatoire)

TargetLags

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoTargetLags

Nom Description Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Auto' (obligatoire)

CustomTargetLags

Nom Description Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Custom' (obligatoire)
Valeurs [Obligatoire] Définissez les valeurs des décalages cibles. int[] (obligatoire)

TargetRollingWindowSize

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoTargetRollingWindowSize

Nom Description Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Auto' (obligatoire)

CustomTargetRollingWindowSize

Nom Description Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur TargetRollingWindowSize. int (obligatoire)

ForecastingTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'Prophète'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
'Average'
'DecisionTree'
'ElasticNet'
'ExponentialSmoothing'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Naive'
'Prophète'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

ImageClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaryMetric Métrique principale à optimiser pour cette tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageLimitSettings

Nom Description Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxTrials Nombre maximal d’itérations AutoML. Int
Timeout Délai d’expiration du travail AutoML. corde

ImageModelSettingsClassification

Nom Description Valeur
advancedSettings Paramètres des scénarios avancés. corde
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
checkpointFrequency Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
checkpointRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. corde
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. Int
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». 'None'
'Étape'
'WarmupCosine'
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. Int
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
Optimiseur Type d’optimiseur. 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. Int
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. Int
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.
 Int

MLFlowModelJobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Nom Description Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». corde
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
distribué Indique s’il faut utiliser la formation du répartiteur. corde
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. corde
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 corde
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 corde
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. corde
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. corde
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 corde
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 corde
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. corde
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». corde
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. corde
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». corde
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. corde
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. corde
Optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». corde
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. corde
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. corde
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. corde
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. corde
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. corde
validationBatchSize Taille du lot de validation. Doit être un entier positif. corde
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. corde
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. corde
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. corde
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. corde
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. corde
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.
 corde

ImageSweepSettings

Nom Description Valeur
earlyTermination Type de stratégie d’arrêt anticipé. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres. 'Bayésien'
'Grid'
'Random' (obligatoire)

ImageClassificationMultilabel

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaryMetric Métrique principale à optimiser pour cette tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'IOU'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageInstanceSegmentation

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaryMetric Métrique principale à optimiser pour cette tâche. 'MeanAveragePrecision'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageModelSettingsObjectDetection

Nom Description Valeur
advancedSettings Paramètres des scénarios avancés. corde
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 Int
checkpointFrequency Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
checkpointRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. corde
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. Int
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
imageSize Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Int
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». 'None'
'Étape'
'WarmupCosine'
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 'ExtraLarge'
'Large'
'Medium'
'None'
'Small'
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Bool
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. Int
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. Int
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
Optimiseur Type d’optimiseur. 'Adam'
'Adamw'
'None'
'Sgd'
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. Int
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. 'Coco'
'CocoVoc'
'None'
'Voc'
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Nom Description Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». corde
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 corde
distribué Indique s’il faut utiliser la formation du répartiteur. corde
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. corde
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 corde
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 corde
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. corde
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. corde
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 corde
imageSize Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 corde
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. corde
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». corde
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. corde
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». corde
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. corde
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. corde
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. corde
Optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». corde
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. corde
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. corde
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. corde
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
NMS : suppression non maximale		 corde
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. corde
validationBatchSize Taille du lot de validation. Doit être un entier positif. corde
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. corde
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». corde
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. corde
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. corde
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. corde

ImageObjectDetection

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaryMetric Métrique principale à optimiser pour cette tâche. 'MeanAveragePrecision'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

Régression

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
primaryMetric Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. RegressionTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

RegressionTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'DecisionTree'
'ElasticNet'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

TextClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrique principale pour Text-Classification tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

NlpVerticalFeaturizationSettings

Nom Description Valeur
datasetLanguage Langage du jeu de données, utile pour les données de texte. corde

NlpFixedParameters

Nom Description Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. Int
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. 'Constant'
'ConstantWithWarmup'
'Cosine'
'CosineWithRestarts'
'Linéaire'
'None'
'Polynomial'
modelName Nom du modèle à entraîner. corde
numberOfEpochs Nombre d’époques d’entraînement. Int
trainingBatchSize Taille du lot pour la procédure d’entraînement. Int
validationBatchSize Taille du lot à utiliser pendant l’évaluation. Int
warmupRatio Rapport de préchauffage utilisé avec LrSchedulerType. Int
weightDecay La dégradation du poids pour la procédure d’entraînement. Int

NlpVerticalLimitSettings

Nom Description Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxNodes Nombre maximal de nœuds à tirer parti de l’entraînement dans n’importe quelle version d’évaluation unique. Contrôle l’entraînement distribué à plusieurs nœuds. Int
maxTrials Nombre d’itérations AutoML. Int
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration pour les essais HD individuels. corde

NlpParameterSubspace

Nom Description Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. corde
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. corde
modelName Nom du modèle à entraîner. corde
numberOfEpochs Nombre d’époques d’entraînement. corde
trainingBatchSize Taille du lot pour la procédure d’entraînement. corde
validationBatchSize Taille du lot à utiliser pendant l’évaluation. corde
warmupRatio Rapport de préchauffage utilisé avec LrSchedulerType. corde
weightDecay La dégradation du poids pour la procédure d’entraînement. corde

NlpSweepSettings

Nom Description Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
'Grid'
'Random' (obligatoire)

TextClassificationMultilabel

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

CommandJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
autologgerSettings Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. AutologgerSettings
codeId ID de ressource ARM de la ressource de code. corde
commander [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
environmentVariables Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
Limites Limite du travail de commande. CommandJobLimits
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

AutologgerSettings

Nom Description Valeur
mlflowAutologger [Obligatoire] Indique si l’autologger mlflow est activé. 'Désactivé'
'Enabled' (obligatoire)

DistributionConfiguration

Nom Description Valeur
distributionType Définir le type d’objet Mpi
PyTorch
TensorFlow (obligatoire)

Mpi

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Mpi' (obligatoire)
processCountPerInstance Nombre de processus par nœud MPI. Int

PyTorch

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'PyTorch' (obligatoire)
processCountPerInstance Nombre de processus par nœud. Int

TensorFlow

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'TensorFlow' (obligatoire)
parameterServerCount Nombre de tâches de serveur de paramètres. Int
workerCount Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. Int

CommandJobEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

CommandJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

JobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType Définir le type d’objet custom_model
littéral
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

LiteralJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'littéral' (obligatoire)
valeur [Obligatoire] Valeur littérale de l’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

UriFileJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

UriFolderJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

CommandJobLimits

Nom Description Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Command'
'Balayage' (obligatoire)
Timeout Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. corde

CommandJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

LabelingJobProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. corde
computeId ID de ressource ARM de la ressource de calcul. corde
dataConfiguration Configuration des données utilisées dans le travail. labelingDataConfiguration
description Texte de description de la ressource. corde
displayName Nom complet du travail. corde
experimentName Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». corde
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 IdentityConfiguration
isArchived La ressource est-elle archivée ? Bool
jobInstructions Instructions d’étiquetage du travail. LabelingJobInstructions
jobType [Obligatoire] Spécifie le type de travail. 'AutoML'
'Command'
'Étiquetage'
'Pipeline'
'Spark'
'Balayage' (obligatoire)
labelCategories Catégories d’étiquettes du travail. LabelingJobLabelCategories
labelingJobMediaProperties Propriétés spécifiques du type de média dans le travail. LabelingJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. mlAssistConfiguration
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
services Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. objet

LabelingDataConfiguration

Nom Description Valeur
dataId ID de ressource de la ressource de données pour effectuer l’étiquetage. corde
incrementalDataRefreshEnabled Indique s’il faut activer l’actualisation incrémentielle des données. Bool

LabelingJobInstructions

Nom Description Valeur
URI Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. corde

LabelingJobLabelCategories

Nom Description Valeur
{propriété personnalisée} LabelCategory

LabelCategory

Nom Description Valeur
Classes Dictionnaire de classes d’étiquettes dans cette catégorie. LabelCategoryClasses
displayName Nom complet de la catégorie d’étiquette. corde
multiSelectEnabled Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. Bool

LabelCategoryClasses

Nom Description Valeur
{propriété personnalisée} labelClass

LabelClass

Nom Description Valeur
displayName Nom complet de la classe d’étiquette. corde
Sous-classes Dictionnaire de sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Description Valeur
{propriété personnalisée} labelClass

LabelingJobMediaProperties

Nom Description Valeur
mediaType Définir le type d’objet image
texte (obligatoire)

LabelingJobImageProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Image' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage d’image. 'BoundingBox'
'Classification'
'InstanceSegmentation'

LabelingJobTextProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Text' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage de texte. 'Classification'
'NamedEntityRecognition'

MLAssistConfiguration

Nom Description Valeur
mlAssist Définir le type d’objet désactivé
activé (obligatoire)

MLAssistConfigurationDisabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Disabled' (obligatoire)

MLAssistConfigurationEnabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
inferencingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

PipelineJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Pipeline' (obligatoire)
Entrées Entrées pour le travail de pipeline. pipelineJobInputs
Emplois Les travaux construisent le travail de pipeline. pipelineJobJobs
Sorties Sorties du travail de pipeline pipelineJobOutputs
Paramètres Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc.
sourceJobId ID de ressource ARM du travail source. corde

PipelineJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

PipelineJobJobs

Nom Description Valeur
{propriété personnalisée}

PipelineJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SparkJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
archives Archiver les fichiers utilisés dans le travail. string[]
args Arguments du travail. corde
codeId [Obligatoire] ID de ressource ARM de la ressource de code. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
Conf Propriétés configurées par Spark. sparkJobConf
entrée [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. corde
Fichiers Fichiers utilisés dans le travail. string[]
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
Pots Fichiers jar utilisés dans le travail. string[]
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. string[]
ressources Configuration des ressources de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Description Valeur
{propriété personnalisée} corde

SparkJobEntry

Nom Description Valeur
sparkJobEntryType Définir le type d’objet SparkJobPythonEntry
SparkJobScalaEntry (obligatoire)

SparkJobPythonEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)
lime [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)
className [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SparkJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SparkResourceConfiguration

Nom Description Valeur
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. corde
runtimeVersion Version du runtime Spark utilisée pour le travail. corde

SweepJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
earlyTermination Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent EarlyTerminationPolicy
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SweepJobInputs
Limites Limite du travail de balayage. sweepJobLimits
objectif [Obligatoire] Objectif d’optimisation. objective (obligatoire)
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. SweepJobOutputs
samplingAlgorithm [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres SamplingAlgorithm (obligatoire)
searchSpace [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre
procès [Obligatoire] Définition du composant d’évaluation. trialComponent (obligatoire)

SweepJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SweepJobLimits

Nom Description Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Command'
'Balayage' (obligatoire)
maxConcurrentTrials Nombre maximal d’essais simultanés du travail de balayage. Int
maxTotalTrials Nombre maximal d’essais du travail de balayage. Int
Timeout Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. corde
trialTimeout Valeur du délai d’expiration du délai d’expiration du travail de balayage. corde

Objectif

Nom Description Valeur
but [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres 'Agrandir'
'Réduire' (obligatoire)
primaryMetric [Obligatoire] Nom de la métrique à optimiser. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

SweepJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType Définir le type d’objet bayésien
grille
aléatoire (obligatoire)

BayesianSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Bayésien' (obligatoire)

GridSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Grid' (obligatoire)

RandomSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Random' (obligatoire)
règle Type spécifique d’algorithme aléatoire 'Random'
'Sobol'
Graines Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires Int

TrialComponent

Nom Description Valeur
codeId ID de ressource ARM de la ressource de code. corde
commander [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
environmentVariables Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

Modèles de démarrage rapide

Les modèles de démarrage rapide suivants déploient ce type de ressource.

Modèle Description
Créer un travail de classification AutoML Azure Machine Learning

Déployer sur Azure 		Ce modèle crée un travail de classification AutoML Azure Machine Learning pour déterminer le meilleur modèle pour prédire si un client s’abonnera à un dépôt à terme fixe auprès d’une institution financière.
créer un travail de commande Azure Machine Learning

Déployer sur Azure 		Ce modèle crée un travail de commande Azure Machine Learning avec un script de base hello_world
créer un travail De balayage Azure Machine Learning

Déployer sur Azure 		Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.

Définition de ressource Terraform (fournisseur AzAPI)

Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :

  • groupes de ressources

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le terraform suivant à votre modèle.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      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
    }
  })
}

Objets JobBaseProperties

Définissez la propriété jobType pour spécifier le type d’objet.

Pour AutoML, utilisez :

  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
  }

Pour commande, utilisez :

  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"
  }

Pour d’étiquetage, utilisez :

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

Pour pipeline, utilisez :

  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"

Pour Spark, utilisez :

  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"
  }

Pour de balayage, utilisez :

  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"
    }
  }

Objets IdentityConfiguration

Définissez la propriété identityType pour spécifier le type d’objet.

Pour AMLToken, utilisez :

  identityType = "AMLToken"

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

  identityType = "UserIdentity"

Objets nœuds

Définissez la propriété nodeValueType pour spécifier le type d’objet.

Pour tous les, utilisez :

  nodesValueType = "All"

Objets JobOutput

Définissez la propriété jobOutputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"

Pour mlflow_model, utilisez :

  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"

Pour mltable, utilisez :

  jobOutputType = "mltable"
  mode = "string"
  uri = "string"

Pour triton_model, utilisez :

  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"

Pour uri_file, utilisez :

  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"

Pour uri_folder, utilisez :

  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"

Objets AutoMLVertical

Définissez la propriété taskType pour spécifier le type d’objet.

Pour de classification, utilisez :

  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
    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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Pour prévision, utilisez :

  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
    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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Pour ImageClassification, utilisez :

  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

Pour ImageClassificationMultilabel, utilisez :

  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

Pour ImageInstanceSegmentation, utilisez :

  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

Pour ImageObjectDetection, utilisez :

  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

Pour régression, utilisez :

  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
    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"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Pour TextClassification, utilisez :

  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"
  }

Pour TextClassificationMultilabel, utilisez :

  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"
  }

Pour TextNER, utilisez :

  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"
  }

Objets NCrossValidations

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets EarlyTerminationPolicy

Définissez la propriété policyType pour spécifier le type d’objet.

Pour Bandit, utilisez :

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Pour médiane, utilisez :

  policyType = "MedianStopping"

Pour truncationSelection, utilisez :

  policyType = "TruncationSelection"
  truncationPercentage = int

Objets ForecastHorizon

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets de saisonnalité

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets TargetLags

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  values = [
    int
  ]

Objets TargetRollingWindowSize

Définissez la propriété mode pour spécifier le type d’objet.

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets DistributionConfiguration

Définissez la propriété distributionType pour spécifier le type d’objet.

Pour Mpi, utilisez :

  distributionType = "Mpi"
  processCountPerInstance = int

Pour PyTorch, utilisez :

  distributionType = "PyTorch"
  processCountPerInstance = int

Pour TensorFlow, utilisez :

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Objets JobInput

Définissez la propriété jobInputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

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

Pour littéral, utilisez :

  jobInputType = "literal"
  value = "string"

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets LabelingJobMediaProperties

Définissez la propriété mediaType pour spécifier le type d’objet.

Pour image, utilisez :

  mediaType = "Image"
  annotationType = "string"

Pour texte, utilisez :

  mediaType = "Text"
  annotationType = "string"

Objets MLAssistConfiguration

Définissez la propriété mlAssist pour spécifier le type d’objet.

Pour désactivé, utilisez :

  mlAssist = "Disabled"

Pour activé, utilisez :

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

Objets SparkJobEntry

Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.

Pour SparkJobPythonEntry, utilisez :

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

Pour SparkJobScalaEntry, utilisez :

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "string"

Objets SamplingAlgorithm

Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.

Pour bayésien, utilisez :

  samplingAlgorithmType = "Bayesian"

Pour grille, utilisez :

  samplingAlgorithmType = "Grid"

Pour aléatoire, utilisez :

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

Valeurs de propriété

espaces de travail/travaux

Nom Description Valeur
type Type de ressource « Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-preview »
nom Nom de la ressource chaîne (obligatoire)
parent_id ID de la ressource qui est le parent de cette ressource. ID de ressource de type : espaces de travail
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. jobBaseProperties (obligatoire)

JobBaseProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. corde
computeId ID de ressource ARM de la ressource de calcul. corde
description Texte de description de la ressource. corde
displayName Nom complet du travail. corde
experimentName Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». corde
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 IdentityConfiguration
isArchived La ressource est-elle archivée ? Bool
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
services Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. objet
jobType Définir le type d’objet AutoML
commande
d’étiquetage
pipeline
spark
de balayage (obligatoire)

IdentityConfiguration

Nom Description Valeur
identityType Définir le type d’objet AMLToken
managed
UserIdentity (obligatoire)

AmlToken

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. « AMLToken » (obligatoire)

ManagedIdentity

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. « Géré » (obligatoire)
clientId Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. corde

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. corde

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. corde

UserIdentity

Nom Description Valeur
identityType [Obligatoire] Spécifie le type d’infrastructure d’identité. « UserIdentity » (obligatoire)

ResourceBaseProperties

Nom Description Valeur
{propriété personnalisée} corde

JobBaseServices

Nom Description Valeur
{propriété personnalisée} JobService

JobService

Nom Description Valeur
extrémité URL du point de terminaison. corde
jobServiceType Type de point de terminaison. corde
Nœuds Nœuds sur lesquels l’utilisateur souhaite démarrer le service.
Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.		 nœuds
port Port du point de terminaison défini par l’utilisateur. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

Nœuds

Nom Description Valeur
nodeValueType Définir le type d’objet Toutes les (obligatoires)

AllNodes

Nom Description Valeur
nodeValueType [Obligatoire] Type de la valeur nœuds « All » (obligatoire)

JobServiceProperties

Nom Description Valeur
{propriété personnalisée} corde

AutoMLJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. « AutoML » (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail.
Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.		 corde
environmentVariables Variables d’environnement incluses dans le travail. AutoMLJobEnvironmentVariables
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration
taskDetails [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image AutoMLVertical (obligatoire)

AutoMLJobEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

AutoMLJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

JobOutput

Nom Description Valeur
description Description de la sortie. corde
jobOutputType Définir le type d’objet custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « custom_model » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. corde

MLFlowModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « mlflow_model » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. corde

MLTableJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « mltable » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. corde

TritonModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « triton_model » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. corde

UriFileJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « uri_file » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. corde

UriFolderJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « uri_folder » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. corde

JobResourceConfiguration

Nom Description Valeur
dockerArgs Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. corde
instanceCount Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. Int
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. corde
Propriétés Conteneur de propriétés supplémentaires. ResourceConfigurationProperties
shmSize Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). corde

Contraintes:
Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom Description Valeur
{propriété personnalisée}

AutoMLVertical

Nom Description Valeur
logVerbosity Journaliser les verbes du travail. « Critique »
« Déboguer »
« Erreur »
« Info »
« NotSet »
« Avertissement »
targetColumnName Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction.
Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.		 corde
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)
taskType Définir le type d’objet classification
de prévision
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
régression
TextClassification
TextClassificationMultilabel
TextNER (obligatoire)

MLTableJobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType [Obligatoire] Spécifie le type de travail. « custom_model »
« littéral »
« mlflow_model »
« mltable »
« triton_model »
« uri_file »
« uri_folder » (obligatoire)
mode Mode de remise des ressources d’entrée. « Direct »
« Télécharger »
« EvalDownload »
« EvalMount »
« ReadOnlyMount »
« ReadWriteMount »
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

Classification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « Classification » (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
positiveLabel Étiquette positive pour le calcul des métriques binaires. corde
primaryMetric Métrique principale de la tâche. « AUCWeighted »
« Précision »
« AveragePrecisionScoreWeighted »
« NormMacroRecall »
« PrecisionScoreWeighted »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

TableVerticalFeaturizationSettings

Nom Description Valeur
blockedTransformers Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
« CatTargetEncoder »
« CountVectorizer »
« HashOneHotEncoder »
« LabelEncoder »
« NaiveBayes »
« OneHotEncoder »
« TextTargetEncoder »
« TfIdf »
« WoETargetEncoder »
« WordEmbedding »
columnNameAndTypes Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Langage du jeu de données, utile pour les données de texte. corde
enableDnnFeaturization Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. Bool
mode Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation.
Si « Désactivé » est sélectionné, aucune caractérisation n’est effectuée.
Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée.		 « Auto »
« Personnalisé »
« Désactivé »
transformerParams L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom Description Valeur
{propriété personnalisée} corde

TableVerticalFeaturizationSettingsTransformerParams

Nom Description Valeur
{propriété personnalisée} columnTransformer[]

ColumnTransformer

Nom Description Valeur
champs Champs sur utilisant la logique de transformateur. string[]
Paramètres Différentes propriétés à passer au transformateur.
L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON.

TableFixedParameters

Nom Description Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. corde
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. corde
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. Int
maxDepth Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. Int
maxLeaves Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. Int
minDataInLeaf Nombre minimal de données par feuille. Int
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. Int
modelName Nom du modèle à entraîner. corde
nEstimators Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. Int
numLeaves Spécifiez le nombre de feuilles. Int
preprocessorName Nom du préprocesseur à utiliser. corde
regAlpha Terme de régularisation L1 sur les poids. Int
regLambda Terme de régularisation L2 sur les poids. Int
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. Int
subsampleFreq Fréquence de sous-échantillonnage. Int
treeMethod Spécifiez la méthode d’arborescence. corde
withMean Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. Bool
withStd Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. Bool

TableVerticalLimitSettings

Nom Description Valeur
enableEarlyTermination Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score dans les 20 dernières itérations. Bool
exitScore Score de sortie pour le travail AutoML. Int
maxConcurrentTrials Nombre maximal d’itérations simultanées. Int
maxCoresPerTrial Nombre maximal de cœurs par itération. Int
maxTrials Nombre d’itérations. Int
sweepConcurrentTrials Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. Int
sweepTrials Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. Int
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration de l’itération. corde

NCrossValidations

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoNCrossValidations

Nom Description Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. « Auto » (obligatoire)

CustomNCrossValidations

Nom Description Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. « Personnalisé » (obligatoire)
valeur [Obligatoire] Valeur de validation n-croisée. int (obligatoire)

TableParameterSubspace

Nom Description Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. corde
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. corde
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. corde
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. corde
maxDepth Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. corde
maxLeaves Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. corde
minDataInLeaf Nombre minimal de données par feuille. corde
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. corde
modelName Nom du modèle à entraîner. corde
nEstimators Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. corde
numLeaves Spécifiez le nombre de feuilles. corde
preprocessorName Nom du préprocesseur à utiliser. corde
regAlpha Terme de régularisation L1 sur les poids. corde
regLambda Terme de régularisation L2 sur les poids. corde
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. corde
subsampleFreq Fréquence de sous-échantillonnage corde
treeMethod Spécifiez la méthode d’arborescence. corde
withMean Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. corde
withStd Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. corde

TableSweepSettings

Nom Description Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type d’algorithme d’échantillonnage. « Bayésien »
« Grid »
« Random » (obligatoire)

EarlyTerminationPolicy

Nom Description Valeur
delayEvaluation Nombre d’intervalles par lesquels retarder la première évaluation. Int
evaluationInterval Intervalle (nombre d’exécutions) entre les évaluations de stratégie. Int
policyType Définir le type d’objet Bandit
medianStopping
TruncationSelection (obligatoire)

BanditPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie « Bandit » (obligatoire)
slackAmount Distance absolue autorisée à partir de la meilleure exécution. Int
slackFactor Ratio de la distance autorisée par rapport à la meilleure exécution. Int

MedianStoppingPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie « MedianStopping » (obligatoire)

TruncationSelectionPolicy

Nom Description Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie « TruncationSelection » (obligatoire)
troncationPercentage Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. Int

ClassificationTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
« BernoulliNaiveBayes »
« DecisionTree »
« ExtremeRandomTrees »
« GradientBoosting »
« KNN »
« LightGBM »
« LinearSVM »
« LogisticRegression »
« MultinomialNaiveBayes »
« RandomForest »
« SGD »
« SVM »
« XGBoostClassifier »
blockedTrainingAlgorithms Modèles bloqués pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
« BernoulliNaiveBayes »
« DecisionTree »
« ExtremeRandomTrees »
« GradientBoosting »
« KNN »
« LightGBM »
« LinearSVM »
« LogisticRegression »
« MultinomialNaiveBayes »
« RandomForest »
« SGD »
« SVM »
« XGBoostClassifier »
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

StackEnsembleSettings

Nom Description Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant.
stackMetaLearnerTrainPercentage Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour l’entraînement du méta-apprenant. La valeur par défaut est 0.2. Int
stackMetaLearnerType Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. « ElasticNet »
« ElasticNetCV »
« LightGBMClassifier »
« LightGBMRegressor »
« LinearRegression »
« LogisticRegression »
« LogisticRegressionCV »
« Aucun »

Prévision

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « Prévision » (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
forecastingSettings Prévision d’entrées spécifiques à une tâche. ForecastingSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
primaryMetric Métrique principale pour la tâche de prévision. « NormalizedMeanAbsoluteError »
« NormalizedRootMeanSquaredError »
« R2Score »
« SpearmanCorrelation »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ForecastingTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

ForecastingSettings

Nom Description Valeur
countryOrRegionForHolidays Pays ou région pour les vacances pour les tâches de prévision.
Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».		 corde
cvStepSize Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour
par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli sera
trois jours à part.		 Int
featureLags Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. « Auto »
« Aucun »
forecastHorizon Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. ForecastHorizon
fréquence Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. corde
Saisonnalité Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série.
Si la saisonnalité est définie sur « auto », elle sera déduite.		 saisonnalité
shortSeriesHandlingConfig Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. « Auto »
« Drop »
« Aucun »
« Pad »
targetAggregateFunction Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer à une fréquence spécifiée par l’utilisateur.
Si TargetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cible possibles sont : « somme », « max », « min » et « moyenne ».		 « Max »
« Moyenne »
« Min »
« Aucun »
« Somme »
targetLags Nombre de périodes passées à décalager à partir de la colonne cible. TargetLags
targetRollingWindowSize Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. TargetRollingWindowSize
timeColumnName Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. corde
timeSeriesIdColumnNames Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries.
Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.		 string[]
useStl Configurez la décomposition STL de la colonne cible de série chronologique. « Aucun »
« Saison »
« SeasonTrend »

ForecastHorizon

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoForecastHorizon

Nom Description Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. « Auto » (obligatoire)

CustomForecastHorizon

Nom Description Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. « Personnalisé » (obligatoire)
valeur [Obligatoire] Valeur de l’horizon de prévision. int (obligatoire)

Saisonnalité

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. « Auto » (obligatoire)

CustomSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. « Personnalisé » (obligatoire)
valeur [Obligatoire] Valeur de saisonnalité. int (obligatoire)

TargetLags

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoTargetLags

Nom Description Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom « Auto » (obligatoire)

CustomTargetLags

Nom Description Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom « Personnalisé » (obligatoire)
Valeurs [Obligatoire] Définissez les valeurs des décalages cibles. int[] (obligatoire)

TargetRollingWindowSize

Nom Description Valeur
mode Définir le type d’objet automatique
personnalisé (obligatoire)

AutoTargetRollingWindowSize

Nom Description Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. « Auto » (obligatoire)

CustomTargetRollingWindowSize

Nom Description Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. « Personnalisé » (obligatoire)
valeur [Obligatoire] Valeur TargetRollingWindowSize. int (obligatoire)

ForecastingTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
« Arimax »
« AutoArima »
« Moyenne »
« DecisionTree »
« ElasticNet »
« ExponentielSmoothing »
« ExtremeRandomTrees »
« GradientBoosting »
« KNN »
« LassoLars »
« LightGBM »
« Naive »
« Prophète »
« RandomForest »
« SGD »
« SeasonalAverage »
« SeasonalNaive »
« TCNForecaster »
« XGBoostRegressor »
blockedTrainingAlgorithms Modèles bloqués pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
« Arimax »
« AutoArima »
« Moyenne »
« DecisionTree »
« ElasticNet »
« ExponentielSmoothing »
« ExtremeRandomTrees »
« GradientBoosting »
« KNN »
« LassoLars »
« LightGBM »
« Naive »
« Prophète »
« RandomForest »
« SGD »
« SeasonalAverage »
« SeasonalNaive »
« TCNForecaster »
« XGBoostRegressor »
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

ImageClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « ImageClassification » (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaryMetric Métrique principale à optimiser pour cette tâche. « AUCWeighted »
« Précision »
« AveragePrecisionScoreWeighted »
« NormMacroRecall »
« PrecisionScoreWeighted »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageLimitSettings

Nom Description Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxTrials Nombre maximal d’itérations AutoML. Int
Timeout Délai d’expiration du travail AutoML. corde

ImageModelSettingsClassification

Nom Description Valeur
advancedSettings Paramètres des scénarios avancés. corde
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
checkpointFrequency Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
checkpointRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. corde
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. Int
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
« Étape »
« WarmupCosine »
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. Int
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
Optimiseur Type d’optimiseur. « Adam »
« Adamw »
« Aucun »
« Sgd »
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. Int
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. Int
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.
 Int

MLFlowModelJobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType [Obligatoire] Spécifie le type de travail. « custom_model »
« littéral »
« mlflow_model »
« mltable »
« triton_model »
« uri_file »
« uri_folder » (obligatoire)
mode Mode de remise des ressources d’entrée. « Direct »
« Télécharger »
« EvalDownload »
« EvalMount »
« ReadOnlyMount »
« ReadWriteMount »
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Nom Description Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». corde
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
distribué Indique s’il faut utiliser la formation du répartiteur. corde
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. corde
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 corde
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 corde
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. corde
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. corde
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 corde
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 corde
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. corde
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». corde
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. corde
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». corde
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. corde
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. corde
Optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». corde
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. corde
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. corde
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. corde
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. corde
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. corde
validationBatchSize Taille du lot de validation. Doit être un entier positif. corde
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. corde
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. corde
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. corde
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. corde
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. corde
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.
 corde

ImageSweepSettings

Nom Description Valeur
earlyTermination Type de stratégie d’arrêt anticipé. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres. « Bayésien »
« Grid »
« Random » (obligatoire)

ImageClassificationMultilabel

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « ImageClassificationMultilabel » (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaryMetric Métrique principale à optimiser pour cette tâche. « AUCWeighted »
« Précision »
« AveragePrecisionScoreWeighted »
« IOU »
« NormMacroRecall »
« PrecisionScoreWeighted »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageInstanceSegmentation

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « ImageInstanceSegmentation » (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaryMetric Métrique principale à optimiser pour cette tâche. « MeanAveragePrecision »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

ImageModelSettingsObjectDetection

Nom Description Valeur
advancedSettings Paramètres des scénarios avancés. corde
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 Int
checkpointFrequency Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
checkpointRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. corde
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. Int
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
imageSize Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Int
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
« Étape »
« WarmupCosine »
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 « ExtraLarge »
« Grand »
« Moyen »
« Aucun »
« Petit »
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Bool
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. Int
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. Int
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
Optimiseur Type d’optimiseur. « Adam »
« Adamw »
« Aucun »
« Sgd »
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. Int
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. « Coco »
« CocoVoc »
« Aucun »
« Voc »
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Nom Description Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». corde
augmentations Paramètres d’utilisation des augmentations. corde
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. corde
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 corde
distribué Indique s’il faut utiliser la formation du répartiteur. corde
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. corde
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 corde
earlyStoppingPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 corde
enableOnnxNormalization Activez la normalisation lors de l’exportation du modèle ONNX. corde
evaluationFrequency Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. corde
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 corde
imageSize Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
layersToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 corde
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. corde
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». corde
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 corde
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. corde
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 corde
nesterov Activez nesterov lorsque l’optimiseur est « sgd ». corde
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. corde
numberOfEpochs Nombre d’époques d’entraînement. Doit être un entier positif. corde
numberOfWorkers Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. corde
Optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». corde
randomSeed Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. corde
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. corde
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. corde
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 corde
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
NMS : suppression non maximale		 corde
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. corde
validationBatchSize Taille du lot de validation. Doit être un entier positif. corde
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. corde
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». corde
warmupCosineLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. corde
warmupCosineLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. corde
weightDecay Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. corde

ImageObjectDetection

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « ImageObjectDetection » (obligatoire)
limitSettings [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaryMetric Métrique principale à optimiser pour cette tâche. « MeanAveragePrecision »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.
 Int

Régression

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « Régression » (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
nCrossValidations Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement
lorsque le jeu de données de validation n’est pas fourni.		 NCrossValidations
primaryMetric Métrique principale pour la tâche de régression. « NormalizedMeanAbsoluteError »
« NormalizedRootMeanSquaredError »
« R2Score »
« SpearmanCorrelation »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. RegressionTrainingSettings
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis de côté à des fins de validation.
Valeurs comprises entre (0.0 , 1.0)
Appliqué lorsque le jeu de données de validation n’est pas fourni.		 Int
weightColumnName Nom de l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. corde

RegressionTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
« DecisionTree »
« ElasticNet »
« ExtremeRandomTrees »
« GradientBoosting »
« KNN »
« LassoLars »
« LightGBM »
« RandomForest »
« SGD »
« XGBoostRegressor »
blockedTrainingAlgorithms Modèles bloqués pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
« DecisionTree »
« ElasticNet »
« ExtremeRandomTrees »
« GradientBoosting »
« KNN »
« LassoLars »
« LightGBM »
« RandomForest »
« SGD »
« XGBoostRegressor »
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication sur le meilleur modèle. Bool
enableOnnxCompatibleModels Indicateur pour l’activation des modèles compatibles onnx. Bool
enableStackEnsemble Activez l’exécution de l’ensemble de piles. Bool
enableVoteEnsemble Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 corde
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings

TextClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « TextClassification » (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrique principale pour Text-Classification tâche. « AUCWeighted »
« Précision »
« AveragePrecisionScoreWeighted »
« NormMacroRecall »
« PrecisionScoreWeighted »
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

NlpVerticalFeaturizationSettings

Nom Description Valeur
datasetLanguage Langage du jeu de données, utile pour les données de texte. corde

NlpFixedParameters

Nom Description Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. Int
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. « Constante »
« ConstantWithWarmup »
« Cosinus »
« CosineWithRestarts »
« Linéaire »
« Aucun »
« Polynomial »
modelName Nom du modèle à entraîner. corde
numberOfEpochs Nombre d’époques d’entraînement. Int
trainingBatchSize Taille du lot pour la procédure d’entraînement. Int
validationBatchSize Taille du lot à utiliser pendant l’évaluation. Int
warmupRatio Rapport de préchauffage utilisé avec LrSchedulerType. Int
weightDecay La dégradation du poids pour la procédure d’entraînement. Int

NlpVerticalLimitSettings

Nom Description Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxNodes Nombre maximal de nœuds à tirer parti de l’entraînement dans n’importe quelle version d’évaluation unique. Contrôle l’entraînement distribué à plusieurs nœuds. Int
maxTrials Nombre d’itérations AutoML. Int
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration pour les essais HD individuels. corde

NlpParameterSubspace

Nom Description Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. corde
learningRate Taux d’apprentissage de la procédure d’entraînement. corde
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. corde
modelName Nom du modèle à entraîner. corde
numberOfEpochs Nombre d’époques d’entraînement. corde
trainingBatchSize Taille du lot pour la procédure d’entraînement. corde
validationBatchSize Taille du lot à utiliser pendant l’évaluation. corde
warmupRatio Rapport de préchauffage utilisé avec LrSchedulerType. corde
weightDecay La dégradation du poids pour la procédure d’entraînement. corde

NlpSweepSettings

Nom Description Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. EarlyTerminationPolicy
samplingAlgorithm [Obligatoire] Type d’algorithme d’échantillonnage. « Bayésien »
« Grid »
« Random » (obligatoire)

TextClassificationMultilabel

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « TextClassificationMultilabel » (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « TextNER » (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
searchSpace Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
sweepSettings Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
validationData Entrées de données de validation. MLTableJobInput

CommandJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. « Command » (obligatoire)
autologgerSettings Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. AutologgerSettings
codeId ID de ressource ARM de la ressource de code. corde
commander [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
environmentVariables Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
Limites Limite du travail de commande. CommandJobLimits
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

AutologgerSettings

Nom Description Valeur
mlflowAutologger [Obligatoire] Indique si l’autologger mlflow est activé. « Désactivé »
« Activé » (obligatoire)

DistributionConfiguration

Nom Description Valeur
distributionType Définir le type d’objet Mpi
PyTorch
TensorFlow (obligatoire)

Mpi

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. « Mpi » (obligatoire)
processCountPerInstance Nombre de processus par nœud MPI. Int

PyTorch

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. « PyTorch » (obligatoire)
processCountPerInstance Nombre de processus par nœud. Int

TensorFlow

Nom Description Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. « TensorFlow » (obligatoire)
parameterServerCount Nombre de tâches de serveur de paramètres. Int
workerCount Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. Int

CommandJobEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde

CommandJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

JobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType Définir le type d’objet custom_model
littéral
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « custom_model » (obligatoire)
mode Mode de remise des ressources d’entrée. « Direct »
« Télécharger »
« EvalDownload »
« EvalMount »
« ReadOnlyMount »
« ReadWriteMount »
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

LiteralJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « littéral » (obligatoire)
valeur [Obligatoire] Valeur littérale de l’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « triton_model » (obligatoire)
mode Mode de remise des ressources d’entrée. « Direct »
« Télécharger »
« EvalDownload »
« EvalMount »
« ReadOnlyMount »
« ReadWriteMount »
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

UriFileJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « uri_file » (obligatoire)
mode Mode de remise des ressources d’entrée. « Direct »
« Télécharger »
« EvalDownload »
« EvalMount »
« ReadOnlyMount »
« ReadWriteMount »
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

UriFolderJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « uri_folder » (obligatoire)
mode Mode de remise des ressources d’entrée. « Direct »
« Télécharger »
« EvalDownload »
« EvalMount »
« ReadOnlyMount »
« ReadWriteMount »
URI [Obligatoire] URI de ressource d’entrée. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

CommandJobLimits

Nom Description Valeur
jobLimitsType [Obligatoire] Type JobLimit. « Command »
« Balayage » (obligatoire)
Timeout Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. corde

CommandJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

LabelingJobProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. corde
computeId ID de ressource ARM de la ressource de calcul. corde
dataConfiguration Configuration des données utilisées dans le travail. labelingDataConfiguration
description Texte de description de la ressource. corde
displayName Nom complet du travail. corde
experimentName Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». corde
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 IdentityConfiguration
isArchived La ressource est-elle archivée ? Bool
jobInstructions Instructions d’étiquetage du travail. LabelingJobInstructions
jobType [Obligatoire] Spécifie le type de travail. « AutoML »
« Command »
« Étiquetage »
« Pipeline »
« Spark »
« Balayage » (obligatoire)
labelCategories Catégories d’étiquettes du travail. LabelingJobLabelCategories
labelingJobMediaProperties Propriétés spécifiques du type de média dans le travail. LabelingJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. mlAssistConfiguration
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
services Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. objet

LabelingDataConfiguration

Nom Description Valeur
dataId ID de ressource de la ressource de données pour effectuer l’étiquetage. corde
incrementalDataRefreshEnabled Indique s’il faut activer l’actualisation incrémentielle des données. Bool

LabelingJobInstructions

Nom Description Valeur
URI Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. corde

LabelingJobLabelCategories

Nom Description Valeur
{propriété personnalisée} LabelCategory

LabelCategory

Nom Description Valeur
Classes Dictionnaire de classes d’étiquettes dans cette catégorie. LabelCategoryClasses
displayName Nom complet de la catégorie d’étiquette. corde
multiSelectEnabled Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. Bool

LabelCategoryClasses

Nom Description Valeur
{propriété personnalisée} labelClass

LabelClass

Nom Description Valeur
displayName Nom complet de la classe d’étiquette. corde
Sous-classes Dictionnaire de sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Description Valeur
{propriété personnalisée} labelClass

LabelingJobMediaProperties

Nom Description Valeur
mediaType Définir le type d’objet image
texte (obligatoire)

LabelingJobImageProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. « Image » (obligatoire)
annotationType Type d’annotation du travail d’étiquetage d’image. « BoundingBox »
« Classification »
« InstanceSegmentation »

LabelingJobTextProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. « Text » (obligatoire)
annotationType Type d’annotation du travail d’étiquetage de texte. « Classification »
« NamedEntityRecognition »

MLAssistConfiguration

Nom Description Valeur
mlAssist Définir le type d’objet désactivé
activé (obligatoire)

MLAssistConfigurationDisabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. « Désactivé » (obligatoire)

MLAssistConfigurationEnabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. « Activé » (obligatoire)
inferencingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

PipelineJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. « Pipeline » (obligatoire)
Entrées Entrées pour le travail de pipeline. pipelineJobInputs
Emplois Les travaux construisent le travail de pipeline. pipelineJobJobs
Sorties Sorties du travail de pipeline pipelineJobOutputs
Paramètres Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc.
sourceJobId ID de ressource ARM du travail source. corde

PipelineJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

PipelineJobJobs

Nom Description Valeur
{propriété personnalisée}

PipelineJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SparkJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. « Spark » (obligatoire)
archives Archiver les fichiers utilisés dans le travail. string[]
args Arguments du travail. corde
codeId [Obligatoire] ID de ressource ARM de la ressource de code. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
Conf Propriétés configurées par Spark. sparkJobConf
entrée [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. corde
Fichiers Fichiers utilisés dans le travail. string[]
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
Pots Fichiers jar utilisés dans le travail. string[]
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. string[]
ressources Configuration des ressources de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Description Valeur
{propriété personnalisée} corde

SparkJobEntry

Nom Description Valeur
sparkJobEntryType Définir le type d’objet SparkJobPythonEntry
SparkJobScalaEntry (obligatoire)

SparkJobPythonEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. « SparkJobPythonEntry » (obligatoire)
lime [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. « SparkJobScalaEntry » (obligatoire)
className [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SparkJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SparkResourceConfiguration

Nom Description Valeur
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. corde
runtimeVersion Version du runtime Spark utilisée pour le travail. corde

SweepJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. « Balayage » (obligatoire)
earlyTermination Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent EarlyTerminationPolicy
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SweepJobInputs
Limites Limite du travail de balayage. sweepJobLimits
objectif [Obligatoire] Objectif d’optimisation. objective (obligatoire)
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. SweepJobOutputs
samplingAlgorithm [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres SamplingAlgorithm (obligatoire)
searchSpace [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre
procès [Obligatoire] Définition du composant d’évaluation. trialComponent (obligatoire)

SweepJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SweepJobLimits

Nom Description Valeur
jobLimitsType [Obligatoire] Type JobLimit. « Command »
« Balayage » (obligatoire)
maxConcurrentTrials Nombre maximal d’essais simultanés du travail de balayage. Int
maxTotalTrials Nombre maximal d’essais du travail de balayage. Int
Timeout Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. corde
trialTimeout Valeur du délai d’expiration du délai d’expiration du travail de balayage. corde

Objectif

Nom Description Valeur
but [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres « Agrandir »
« Réduire » (obligatoire)
primaryMetric [Obligatoire] Nom de la métrique à optimiser. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]

SweepJobOutputs

Nom Description Valeur
{propriété personnalisée} jobOutput

SamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType Définir le type d’objet bayésien
grille
aléatoire (obligatoire)

BayesianSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration « Bayésien » (obligatoire)

GridSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration « Grid » (obligatoire)

RandomSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration « Random » (obligatoire)
règle Type spécifique d’algorithme aléatoire « Random »
« Sobol »
Graines Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires Int

TrialComponent

Nom Description Valeur
codeId ID de ressource ARM de la ressource de code. corde
commander [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne (obligatoire)

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne (obligatoire)

Contraintes:
Modèle = [a-zA-Z0-9_]
environmentVariables Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} corde