Partager via

Espaces de travail Microsoft.MachineLearningServices/planifications 2023-10-01

  • Article

Définition de ressource Bicep

Le type de ressource espaces de travail/planifications 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/schedules, ajoutez le bicep suivant à votre modèle.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

Objets MonitoringInputDataBase

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

Pour fixe, utilisez :

{
  inputDataType: 'Fixed'
}

Pour propagée, utilisez :

{
  inputDataType: 'Rolling'
  preprocessingComponentId: 'string'
  windowOffset: 'string'
  windowSize: 'string'
}

Pour statique, utilisez :

{
  inputDataType: 'Static'
  preprocessingComponentId: 'string'
  windowEnd: 'string'
  windowStart: 'string'
}

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 PredictionDriftMetricThresholdBase

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

Pour catégorie, utilisez :

{
  dataType: 'Categorical'
  metric: 'string'
}

Pour numérique, utilisez :

{
  dataType: 'Numerical'
  metric: 'string'
}

Objets MonitoringFeatureFilterBase

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

Pour allFeatures, utilisez :

{
  filterType: 'AllFeatures'
}

Pour FeatureSubset, utilisez :

{
  features: [
    'string'
  ]
  filterType: 'FeatureSubset'
}

Pour TopNByAttribution, utilisez :

{
  filterType: 'TopNByAttribution'
  top: int
}

Objets ScheduleActionBase

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

Pour createJob, utilisez :

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

Pour CreateMonitor, utilisez :

{
  actionType: 'CreateMonitor'
  monitorDefinition: {
    alertNotificationSettings: {
      emailNotificationSettings: {
        emails: [
          'string'
        ]
      }
    }
    computeConfiguration: {
      computeType: 'string'
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget: {
      deploymentId: 'string'
      modelId: 'string'
      taskType: 'string'
    }
    signals: {
      {customized property}: {
        notificationTypes: [
          'string'
        ]
        properties: {
          {customized property}: 'string'
        }
        signalType: 'string'
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

Pour InvokeBatchEndpoint, utilisez :

{
  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any(Azure.Bicep.Types.Concrete.AnyType)
}

Objets MonitoringSignalBase

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

Pour personnalisé, utilisez :

{
  componentId: 'string'
  inputAssets: {
    {customized property}: {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds: [
    {
      metric: 'string'
      threshold: {
        value: int
      }
    }
  ]
  signalType: 'Custom'
}

Pour DataDrift, utilisez :

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'DataDrift'
}

Pour DataQuality, utilisez :

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'DataQuality'
}

Pour FeatureAttributionDrift, utilisez :

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  metricThreshold: {
    metric: 'string'
    threshold: {
      value: int
    }
  }
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'FeatureAttributionDrift'
}

Pour PredictionDrift, utilisez :

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'PredictionDrift'
}

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 IdentityConfiguration

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

Pour AMLToken, utilisez :

{
  identityType: 'AMLToken'
}

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

{
  identityType: 'UserIdentity'
}

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 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 SamplingAlgorithm

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

Pour bayésien, utilisez :

{
  samplingAlgorithmType: 'Bayesian'
}

Pour grille, utilisez :

{
  samplingAlgorithmType: 'Grid'
}

Pour aléatoire, utilisez :

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

Objets nœuds

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

Pour tous les, utilisez :

{
  nodesValueType: 'All'
}

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 TriggerBase

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

Pour Cron, utilisez :

{
  expression: 'string'
  triggerType: 'Cron'
}

Pour périodicité, utilisez :

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

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 MonitorComputeConfigurationBase

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

Pour serverlessSpark, utilisez :

{
  computeIdentity: {
    computeIdentityType: 'string'
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  computeType: 'ServerlessSpark'
  instanceType: 'string'
  runtimeVersion: 'string'
}

Objets DataQualityMetricThresholdBase

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

Pour catégorie, utilisez :

{
  dataType: 'Categorical'
  metric: 'string'
}

Pour numérique, utilisez :

{
  dataType: 'Numerical'
  metric: 'string'
}

Objets AutoMLVertical

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

Pour de classification, utilisez :

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(Azure.Bicep.Types.Concrete.AnyType)
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  taskType: 'Classification'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pour prévision, utilisez :

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(Azure.Bicep.Types.Concrete.AnyType)
        }
      ]
    }
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  taskType: 'Forecasting'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

Objets MonitorComputeIdentityBase

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

Pour AmlToken, utilisez :

{
  computeIdentityType: 'AmlToken'
}

Pour ManagedIdentity, utilisez :

{
  computeIdentityType: 'ManagedIdentity'
  identity: {
    type: 'string'
    userAssignedIdentities: {
      {customized property}: {}
    }
  }
}

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 JobBaseProperties

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

Pour AutoML, utilisez :

{
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  jobType: 'AutoML'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }
}

Pour commande, utilisez :

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

Pour pipeline, utilisez :

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

Pour de balayage, utilisez :

{
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobType: 'Sweep'
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  samplingAlgorithm: {
    samplingAlgorithmType: 'string'
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace: any(Azure.Bicep.Types.Concrete.AnyType)
  trial: {
    codeId: 'string'
    command: 'string'
    distribution: {
      distributionType: 'string'
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId: 'string'
    environmentVariables: {
      {customized property}: 'string'
    }
    resources: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
      }
      shmSize: '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 DataDriftMetricThresholdBase

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

Pour catégorie, utilisez :

{
  dataType: 'Categorical'
  metric: 'string'
}

Pour numérique, utilisez :

{
  dataType: 'Numerical'
  metric: 'string'
}

Valeurs de propriété

AllFeatures

Nom Description Valeur
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'AllFeatures' (obligatoire)

AllNodes

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

AmlToken

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

AmlTokenComputeIdentity

Nom Description Valeur
computeIdentityType [Obligatoire] Spécifie le type d’identité à utiliser dans les travaux de surveillance. 'AmlToken' (obligatoire)

AutoForecastHorizon

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

AutoMLJob

Nom Description Valeur
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
jobType [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
queueSettings Paramètres de file d’attente du travail QueueSettings
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

AutoMLJobOutputs

Nom Description Valeur

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
taskType Défini sur « Classification » pour le type Classification. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Défini sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour le type régression. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Défini sur « TextNER » pour le type TextNer. 'Classification'
'Prévision'
'ImageClassification'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
'Régression'
'TextClassification'
'TextClassificationMultilabel'
'TextNER' (obligatoire)
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)

AutoNCrossValidations

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

AutoSeasonality

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

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BayesianSamplingAlgorithm

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

CategoricalDataDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de dérive de données catégorielles à calculer. 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (obligatoire)

CategoricalDataQualityMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de qualité des données catégorielles à calculer. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (obligatoire)

CategoricalPredictionDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de dérive de prédiction catégorielle à calculer. 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (obligatoire)

Classification

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
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

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

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.		 quelconque

CommandJob

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 » corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
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. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
environmentVariables Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
jobType [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
Limites Limite du travail de commande. CommandJobLimits
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
queueSettings Paramètres de file d’attente du travail QueueSettings
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

CommandJobEnvironmentVariables

Nom Description Valeur

CommandJobInputs

Nom Description Valeur

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

CreateMonitorAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'CreateMonitor' (obligatoire)
monitorDefinition [Obligatoire] Définit le moniteur. MonitorDefinition (obligatoire)

CronTrigger

Nom Description Valeur
expression [Obligatoire] Spécifie l’expression cron de la planification.
L’expression doit suivre le format NCronTab.		 corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
triggerType [Obligatoire] 'Cron' (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)

CustomMetricThreshold

Nom Description Valeur
métrique [Obligatoire] Métrique définie par l’utilisateur à calculer. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

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. corde

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

CustomModelJobOutput

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

CustomMonitoringSignal

Nom Description Valeur
componentId [Obligatoire] Référence à la ressource de composant utilisée pour calculer les métriques personnalisées. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
inputAssets Surveillance des ressources à prendre en tant qu’entrée. La clé est le nom du port d’entrée du composant, la valeur est la ressource de données. CustomMonitoringSignalInputAssets
Entrées Paramètres de composant supplémentaires à prendre en tant qu’entrée. La clé est le nom du port d’entrée littéral du composant, la valeur est la valeur du paramètre. CustomMonitoringSignalInputs
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. CustomMetricThreshold[] (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'Custom' (obligatoire)

CustomMonitoringSignalInputAssets

Nom Description Valeur

CustomMonitoringSignalInputs

Nom Description Valeur

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetRollingWindowSize

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

DataDriftMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalDataDriftMetricThreshold. Défini sur « Numérique » pour le type NumericalDataDriftMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

DataDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings
fonctionnalités Filtre de caractéristiques qui identifie la fonctionnalité sur laquelle calculer la dérive. MonitoringFeatureFilterBase
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. DataDriftMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'DataDrift' (obligatoire)

DataDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

DataQualityMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalDataQualityMetricThreshold. Défini sur « Numérique » pour le type NumericalDataQualityMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

DataQualityMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings
fonctionnalités Fonctionnalités permettant de calculer la dérive. MonitoringFeatureFilterBase
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. DataQualityMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données produites par le service de production pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'DataQuality' (obligatoire)

DataQualityMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

DistributionConfiguration

Nom Description Valeur
distributionType Défini sur « Mpi » pour le type Mpi . Défini sur « PyTorch » pour le type PyTorch . Défini sur « TensorFlow » pour le type TensorFlow. 'Mpi'
'PyTorch'
'TensorFlow' (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 Défini sur « Bandit » pour le type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. 'Bandit'
'MedianStopping'
'TruncationSelection' (obligatoire)

EndpointScheduleAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'InvokeBatchEndpoint' (obligatoire)
endpointInvocationDefinition [Obligatoire] Définit les détails de définition d’action de planification.
<voir href="TBD » />		 tout (obligatoire)

FeatureAttributionDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings [Obligatoire] Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings (obligatoire)
metricThreshold [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. FeatureAttributionMetricThreshold (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase[] (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'FeatureAttributionDrift' (obligatoire)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

FeatureAttributionMetricThreshold

Nom Description Valeur
métrique [Obligatoire] Métrique d’attribution de fonctionnalité à calculer. 'NormalizedDiscountedCumulativeGain' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

FeatureImportanceSettings

Nom Description Valeur
mode Mode d’opération pour l’importance des fonctionnalités informatiques. 'Désactivé'
'Activé'
targetColumn Nom de la colonne cible dans la ressource de données d’entrée. corde

FeatureSubset

Nom Description Valeur
fonctionnalités [Obligatoire] Liste des fonctionnalités à inclure. string[] (obligatoire)
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'FeatureSubset' (obligatoire)

FixedInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Fixed' (obligatoire)

ForecastHorizon

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. 'Auto'
'Custom' (obligatoire)

Prévision

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
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'

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'
'SeasonalAverage'
'SeasonalNaive'
'SGD'
'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'
'SeasonalAverage'
'SeasonalNaive'
'SGD'
'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

GridSamplingAlgorithm

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

IdentityConfiguration

Nom Description Valeur
identityType Défini sur « AMLToken » pour le type AmlToken . Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. 'AMLToken'
'Managed'
'UserIdentity' (obligatoire)

ImageClassification

Nom Description Valeur
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. 'Précision'
'AUCWeighted'
'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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
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

ImageClassificationMultilabel

Nom Description Valeur
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. 'Précision'
'AUCWeighted'
'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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
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
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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
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

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

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

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

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

ImageObjectDetection

Nom Description Valeur
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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
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

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)

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
jobType Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Balayage » pour le type Balayage. 'AutoML'
'Command'
'Pipeline'
'Balayage' (obligatoire)
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. ResourceBaseTags

JobBaseServices

Nom Description Valeur

JobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobOutput

Nom Description Valeur
description Description de la sortie. corde
jobOutputType Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. 'custom_model'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

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]

JobScheduleAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'CreateJob' (obligatoire)
jobDefinition [Obligatoire] Définit les détails de définition d’action de planification. jobBaseProperties (obligatoire)

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. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

JobServiceProperties

Nom Description Valeur

LiteralJobInput

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

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

ManagedComputeIdentity

Nom Description Valeur
computeIdentityType [Obligatoire] Spécifie le type d’identité à utiliser dans les travaux de surveillance. 'ManagedIdentity' (obligatoire)
identité Identité qui sera exploitée par les travaux de surveillance. ManagedServiceIdentity

ManagedIdentity

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

ManagedServiceIdentity

Nom Description Valeur
type Type d’identité de service managé (où les types SystemAssigned et UserAssigned sont autorisés). 'None'
'SystemAssigned'
'SystemAssigned,UserAssigned'
'UserAssigned' (obligatoire)
userAssignedIdentities Ensemble d’identités affectées par l’utilisateur associées à la ressource. Les clés de dictionnaire userAssignedIdentities seront des ID de ressource ARM sous la forme : « /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Les valeurs de dictionnaire peuvent être des objets vides ({}) dans les requêtes. UserAssignedIdentities

MedianStoppingPolicy

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

Microsoft.MachineLearningServices/workspaces/schedules

Nom Description Valeur
nom Nom de la ressource corde

Contraintes:
Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (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. ScheduleProperties (obligatoire)

MLFlowModelJobInput

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

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

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. corde

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

MLFlowModelJobOutput

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

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. corde

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

MLTableJobInput

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

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

MLTableJobOutput

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

MonitorComputeConfigurationBase

Nom Description Valeur
computeType Défini sur « ServerlessSpark » pour le type MonitorServerlessSparkCompute. 'ServerlessSpark' (obligatoire)

MonitorComputeIdentityBase

Nom Description Valeur
computeIdentityType Défini sur « AmlToken » pour le type AmlTokenComputeIdentity. Défini sur « ManagedIdentity » pour le type ManagedComputeIdentity. 'AmlToken'
'ManagedIdentity' (obligatoire)

MonitorDefinition

Nom Description Valeur
alertNotificationSettings Paramètres de notification du moniteur. MonitorNotificationSettings
computeConfiguration [Obligatoire] ID de ressource ARM de la ressource de calcul sur laquelle exécuter le travail de surveillance. MonitorComputeConfigurationBase (obligatoire)
monitoringTarget Entités ciblées par le moniteur. MonitoringTarget
signalisations [Obligatoire] Signaux à surveiller. MonitorDefinitionSignals (obligatoire)

MonitorDefinitionSignals

Nom Description Valeur

MonitorEmailNotificationSettings

Nom Description Valeur
e-mails Liste des destinataires de messagerie qui a une limitation de 499 caractères au total. string[]

MonitoringFeatureFilterBase

Nom Description Valeur
filterType Défini sur « AllFeatures » pour le type AllFeatures. Défini sur « FeatureSubset » pour le type FeatureSubset. Défini sur « TopNByAttribution » pour le type TopNFeaturesByAttribution. 'AllFeatures'
'FeatureSubset'
'TopNByAttribution' (obligatoire)

MonitoringInputDataBase

Nom Description Valeur
colonnes Mappage des noms de colonnes à des utilisations spéciales. MonitoringInputDataBaseColumns
dataContext Métadonnées de contexte de la source de données. corde
inputDataType Défini sur « Fixed » pour le type FixedInputData. Défini sur « Rolling » pour le type RollingInputData. Défini sur « Static » pour le type StaticInputData. 'Fixe'
'Rolling'
'Static' (obligatoire)
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
URI [Obligatoire] URI de ressource d’entrée. corde

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

MonitoringInputDataBaseColumns

Nom Description Valeur

MonitoringSignalBase

Nom Description Valeur
notificationTypes Mode de notification actuel pour ce signal. Tableau de chaînes contenant l’un des éléments suivants :
'AmlNotification'
Propriétés Dictionnaire de propriétés. Les propriétés peuvent être ajoutées, mais pas supprimées ou modifiées. MonitoringSignalBaseProperties
signalType Défini sur « Custom » pour le type CustomMonitoringSignal. Défini sur « DataDrift » pour le type DataDriftMonitoringSignal. Défini sur « DataQuality » pour le type DataQualityMonitoringSignal. Défini sur « FeatureAttributionDrift » pour le type FeatureAttributionDriftMonitoringSignal. Défini sur « PredictionDrift » pour le type PredictionDriftMonitoringSignal. 'Custom'
'DataDrift'
'DataQuality'
'FeatureAttributionDrift'
'PredictionDrift' (obligatoire)

MonitoringSignalBaseProperties

Nom Description Valeur

MonitoringTarget

Nom Description Valeur
deploymentId Référence à la ressource de déploiement ciblée par ce moniteur. corde
modelId Référence à la ressource de modèle ciblée par ce moniteur. corde
taskType [Obligatoire] Type de tâche Machine Learning du modèle supervisé. 'Classification'
'Régression' (obligatoire)

MonitoringThreshold

Nom Description Valeur
valeur Valeur de seuil. Si la valeur est Null, la valeur par défaut définie dépend du type de métrique. Int

MonitorNotificationSettings

Nom Description Valeur
emailNotificationSettings Paramètres d’e-mail de notification AML. MonitorEmailNotificationSettings

MonitorServerlessSparkCompute

Nom Description Valeur
computeIdentity [Obligatoire] Le schéma d’identité utilisé par les travaux Spark s’exécutant sur Spark serverless. MonitorComputeIdentityBase (obligatoire)
computeType [Obligatoire] Spécifie le type de signal à surveiller. 'ServerlessSpark' (obligatoire)
instanceType [Obligatoire] Type d’instance exécutant le travail Spark. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
runtimeVersion [Obligatoire] Version du runtime Spark. corde

Contraintes:
Longueur minimale = 1
Modèle = ^[0-9]+\.[0-9]+$ (obligatoire)

Mpi

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

NCrossValidations

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. 'Auto'
'Custom' (obligatoire)

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

Nœuds

Nom Description Valeur
nodeValueType Défini sur « All » pour le type AllNodes. 'All' (obligatoire)

NumericalDataDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de dérive de données numériques à calculer. 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (obligatoire)

NumericalDataQualityMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de qualité des données numériques à calculer. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (obligatoire)

NumericalPredictionDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de dérive de prédiction numérique à calculer. 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (obligatoire)

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. corde

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

PipelineJob

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

PipelineJobInputs

Nom Description Valeur

PipelineJobJobs

Nom Description Valeur

PipelineJobOutputs

Nom Description Valeur

PredictionDriftMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalPredictionDriftMetricThreshold. Défini sur « Numérique » pour le type NumericalPredictionDriftMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

PredictionDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. PredictionDriftMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'PredictionDrift' (obligatoire)

PredictionDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

PyTorch

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

QueueSettings

Nom Description Valeur
jobTier Contrôle le niveau de travail de calcul 'De base'
'Null'
'Premium'
'Spot'
'Standard'

RandomSamplingAlgorithm

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

Périodicité

Nom Description Valeur
Heures [Obligatoire] Liste des heures pour la planification. int[] (obligatoire)
compte-rendu [Obligatoire] Liste des minutes de la planification. int[] (obligatoire)
monthDays Liste des jours de mois pour la planification int[]
Semaine Liste des jours de la planification. Tableau de chaînes contenant l’un des éléments suivants :
'Vendredi'
'Lundi'
'Samedi'
'Dimanche'
'jeudi'
'Mardi'
'Mercredi'

RecurrenceTrigger

Nom Description Valeur
fréquence [Obligatoire] Fréquence de déclenchement de la planification. 'Day'
'Heure'
'Minute'
'Month'
'Semaine' (obligatoire)
intervalle [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence int (obligatoire)
horaire Planification de périodicité. périodicité
triggerType [Obligatoire] 'Périodicité' (obligatoire)

Régression

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
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

ResourceBaseProperties

Nom Description Valeur

ResourceBaseProperties

Nom Description Valeur

ResourceBaseTags

Nom Description Valeur

ResourceBaseTags

Nom Description Valeur

ResourceConfigurationProperties

Nom Description Valeur

RollingInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Rolling' (obligatoire)
preprocessingComponentId Référence à la ressource de composant utilisée pour prétraiter les données. corde
windowOffset [Obligatoire] Décalage de temps entre la fin de la fenêtre de données et l’heure d’exécution actuelle du moniteur. chaîne (obligatoire)
windowSize [Obligatoire] Taille de la fenêtre de données propagées. chaîne (obligatoire)

SamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType Défini sur « Bayésien » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour le type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. 'Bayésien'
'Grid'
'Random' (obligatoire)

ScheduleActionBase

Nom Description Valeur
actionType Défini sur « CreateJob » pour le type JobScheduleAction. Défini sur « CreateMonitor » pour le type CreateMonitorAction. Défini sur « InvokeBatchEndpoint » pour le type EndpointScheduleAction. 'CreateJob'
'CreateMonitor'
'InvokeBatchEndpoint' (obligatoire)

ScheduleProperties

Nom Description Valeur
action [Obligatoire] Spécifie l’action de la planification ScheduleActionBase (obligatoire)
description Texte de description de la ressource. corde
displayName Nom complet de la planification. corde
isEnabled La planification est-elle activée ? Bool
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. ResourceBaseTags
gâchette [Obligatoire] Spécifie les détails du déclencheur TriggerBase (obligatoire)

Saisonnalité

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. 'Auto'
'Custom' (obligatoire)

StackEnsembleSettings

Nom Description Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. quelconque
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'

StaticInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Static' (obligatoire)
preprocessingComponentId Référence à la ressource de composant utilisée pour prétraiter les données. corde
windowEnd [Obligatoire] Date de fin de la fenêtre de données. chaîne (obligatoire)
windowStart [Obligatoire] Date de début de la fenêtre de données. chaîne (obligatoire)

SweepJob

Nom Description Valeur
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
jobType [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
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
queueSettings Paramètres de file d’attente du travail QueueSettings
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 tout (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. trialComponent (obligatoire)

SweepJobInputs

Nom Description Valeur

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

SweepJobOutputs

Nom Description Valeur

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

TableVerticalFeaturizationSettingsTransformerParams

Nom Description Valeur

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
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration de l’itération. corde

TargetLags

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoTargetLags. Défini sur « Custom » pour le type CustomTargetLags. 'Auto'
'Custom' (obligatoire)

TargetRollingWindowSize

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. 'Auto'
'Custom' (obligatoire)

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

TextClassification

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrique principale pour Text-Classification tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextClassificationMultilabel

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TopNFeaturesByAttribution

Nom Description Valeur
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'TopNByAttribution' (obligatoire)
Retour au début Nombre de principales fonctionnalités à inclure. 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 » corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
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. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
environmentVariables Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur

TriggerBase

Nom Description Valeur
endTime Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.
Le format recommenté serait « 2022-06-01T00:00:01 »
S’il n’est pas présent, la planification s’exécute indéfiniment		 corde
startTime Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. corde
timeZone Spécifie le fuseau horaire dans lequel la planification s’exécute.
TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous : /windows-hardware/manufacture/desktop/default-time-zones ?view=windows-11		 corde
triggerType Défini sur « Cron » pour le type CronTrigger. Défini sur « Périodicité » pour le type RecurrenceTrigger. 'Cron'
'Périodicité' (obligatoire)

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. corde

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

TritonModelJobOutput

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

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

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. corde

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

UriFileJobOutput

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

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. corde

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

UriFolderJobOutput

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

UserAssignedIdentities

Nom Description Valeur

UserAssignedIdentity

Nom Description Valeur

UserIdentity

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

Définition de ressource de modèle ARM

Le type de ressource espaces de travail/planifications 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/schedules, ajoutez le code JSON suivant à votre modèle.

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2023-10-01",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {
      "{customized property}": "string"
    },
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

Objets MonitoringInputDataBase

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

Pour fixe, utilisez :

{
  "inputDataType": "Fixed"
}

Pour propagée, utilisez :

{
  "inputDataType": "Rolling",
  "preprocessingComponentId": "string",
  "windowOffset": "string",
  "windowSize": "string"
}

Pour statique, utilisez :

{
  "inputDataType": "Static",
  "preprocessingComponentId": "string",
  "windowEnd": "string",
  "windowStart": "string"
}

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 PredictionDriftMetricThresholdBase

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

Pour catégorie, utilisez :

{
  "dataType": "Categorical",
  "metric": "string"
}

Pour numérique, utilisez :

{
  "dataType": "Numerical",
  "metric": "string"
}

Objets MonitoringFeatureFilterBase

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

Pour allFeatures, utilisez :

{
  "filterType": "AllFeatures"
}

Pour FeatureSubset, utilisez :

{
  "features": [ "string" ],
  "filterType": "FeatureSubset"
}

Pour TopNByAttribution, utilisez :

{
  "filterType": "TopNByAttribution",
  "top": "int"
}

Objets ScheduleActionBase

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

Pour createJob, utilisez :

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

Pour CreateMonitor, utilisez :

{
  "actionType": "CreateMonitor",
  "monitorDefinition": {
    "alertNotificationSettings": {
      "emailNotificationSettings": {
        "emails": [ "string" ]
      }
    },
    "computeConfiguration": {
      "computeType": "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    },
    "monitoringTarget": {
      "deploymentId": "string",
      "modelId": "string",
      "taskType": "string"
    },
    "signals": {
      "{customized property}": {
        "notificationTypes": [ "string" ],
        "properties": {
          "{customized property}": "string"
        },
        "signalType": "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

Pour InvokeBatchEndpoint, utilisez :

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

Objets MonitoringSignalBase

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

Pour personnalisé, utilisez :

{
  "componentId": "string",
  "inputAssets": {
    "{customized property}": {
      "columns": {
        "{customized property}": "string"
      },
      "dataContext": "string",
      "jobInputType": "string",
      "uri": "string",
      "inputDataType": "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "metricThresholds": [
    {
      "metric": "string",
      "threshold": {
        "value": "int"
      }
    }
  ],
  "signalType": "Custom"
}

Pour DataDrift, utilisez :

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see DataDriftMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "DataDrift"
}

Pour DataQuality, utilisez :

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see DataQualityMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "DataQuality"
}

Pour FeatureAttributionDrift, utilisez :

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "metricThreshold": {
    "metric": "string",
    "threshold": {
      "value": "int"
    }
  },
  "productionData": [ {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  } ],
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "FeatureAttributionDrift"
}

Pour PredictionDrift, utilisez :

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see PredictionDriftMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "PredictionDrift"
}

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 IdentityConfiguration

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

Pour AMLToken, utilisez :

{
  "identityType": "AMLToken"
}

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

{
  "identityType": "UserIdentity"
}

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 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 SamplingAlgorithm

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

Pour bayésien, utilisez :

{
  "samplingAlgorithmType": "Bayesian"
}

Pour grille, utilisez :

{
  "samplingAlgorithmType": "Grid"
}

Pour aléatoire, utilisez :

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

Objets nœuds

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

Pour tous les, utilisez :

{
  "nodesValueType": "All"
}

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 TriggerBase

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

Pour Cron, utilisez :

{
  "expression": "string",
  "triggerType": "Cron"
}

Pour périodicité, utilisez :

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

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 MonitorComputeConfigurationBase

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

Pour serverlessSpark, utilisez :

{
  "computeIdentity": {
    "computeIdentityType": "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  },
  "computeType": "ServerlessSpark",
  "instanceType": "string",
  "runtimeVersion": "string"
}

Objets DataQualityMetricThresholdBase

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

Pour catégorie, utilisez :

{
  "dataType": "Categorical",
  "metric": "string"
}

Pour numérique, utilisez :

{
  "dataType": "Numerical",
  "metric": "string"
}

Objets AutoMLVertical

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

Pour de classification, utilisez :

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

Pour prévision, utilisez :

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "taskType": "Forecasting",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

Objets MonitorComputeIdentityBase

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

Pour AmlToken, utilisez :

{
  "computeIdentityType": "AmlToken"
}

Pour ManagedIdentity, utilisez :

{
  "computeIdentityType": "ManagedIdentity",
  "identity": {
    "type": "string",
    "userAssignedIdentities": {
      "{customized property}": {
      }
    }
  }
}

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 JobBaseProperties

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

Pour AutoML, utilisez :

{
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "jobType": "AutoML",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string"
  },
  "resources": {
    "dockerArgs": "string",
    "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 :

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

Pour pipeline, utilisez :

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

Pour de balayage, utilisez :

{
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobType": "Sweep",
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string"
  },
  "samplingAlgorithm": {
    "samplingAlgorithmType": "string"
    // For remaining properties, see SamplingAlgorithm objects
  },
  "searchSpace": {},
  "trial": {
    "codeId": "string",
    "command": "string",
    "distribution": {
      "distributionType": "string"
      // For remaining properties, see DistributionConfiguration objects
    },
    "environmentId": "string",
    "environmentVariables": {
      "{customized property}": "string"
    },
    "resources": {
      "dockerArgs": "string",
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "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 DataDriftMetricThresholdBase

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

Pour catégorie, utilisez :

{
  "dataType": "Categorical",
  "metric": "string"
}

Pour numérique, utilisez :

{
  "dataType": "Numerical",
  "metric": "string"
}

Valeurs de propriété

AllFeatures

Nom Description Valeur
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'AllFeatures' (obligatoire)

AllNodes

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

AmlToken

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

AmlTokenComputeIdentity

Nom Description Valeur
computeIdentityType [Obligatoire] Spécifie le type d’identité à utiliser dans les travaux de surveillance. 'AmlToken' (obligatoire)

AutoForecastHorizon

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

AutoMLJob

Nom Description Valeur
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
jobType [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
queueSettings Paramètres de file d’attente du travail QueueSettings
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

AutoMLJobOutputs

Nom Description Valeur

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
taskType Défini sur « Classification » pour le type Classification. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Défini sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour le type régression. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Défini sur « TextNER » pour le type TextNer. 'Classification'
'Prévision'
'ImageClassification'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
'Régression'
'TextClassification'
'TextClassificationMultilabel'
'TextNER' (obligatoire)
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)

AutoNCrossValidations

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

AutoSeasonality

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

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BayesianSamplingAlgorithm

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

CategoricalDataDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de dérive de données catégorielles à calculer. 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (obligatoire)

CategoricalDataQualityMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de qualité des données catégorielles à calculer. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (obligatoire)

CategoricalPredictionDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de dérive de prédiction catégorielle à calculer. 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (obligatoire)

Classification

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
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

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

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.		 quelconque

CommandJob

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 » corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
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. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
environmentVariables Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
jobType [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
Limites Limite du travail de commande. CommandJobLimits
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
queueSettings Paramètres de file d’attente du travail QueueSettings
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

CommandJobEnvironmentVariables

Nom Description Valeur

CommandJobInputs

Nom Description Valeur

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

CreateMonitorAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'CreateMonitor' (obligatoire)
monitorDefinition [Obligatoire] Définit le moniteur. MonitorDefinition (obligatoire)

CronTrigger

Nom Description Valeur
expression [Obligatoire] Spécifie l’expression cron de la planification.
L’expression doit suivre le format NCronTab.		 corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
triggerType [Obligatoire] 'Cron' (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)

CustomMetricThreshold

Nom Description Valeur
métrique [Obligatoire] Métrique définie par l’utilisateur à calculer. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

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. corde

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

CustomModelJobOutput

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

CustomMonitoringSignal

Nom Description Valeur
componentId [Obligatoire] Référence à la ressource de composant utilisée pour calculer les métriques personnalisées. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
inputAssets Surveillance des ressources à prendre en tant qu’entrée. La clé est le nom du port d’entrée du composant, la valeur est la ressource de données. CustomMonitoringSignalInputAssets
Entrées Paramètres de composant supplémentaires à prendre en tant qu’entrée. La clé est le nom du port d’entrée littéral du composant, la valeur est la valeur du paramètre. CustomMonitoringSignalInputs
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. CustomMetricThreshold[] (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'Custom' (obligatoire)

CustomMonitoringSignalInputAssets

Nom Description Valeur

CustomMonitoringSignalInputs

Nom Description Valeur

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetRollingWindowSize

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

DataDriftMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalDataDriftMetricThreshold. Défini sur « Numérique » pour le type NumericalDataDriftMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

DataDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings
fonctionnalités Filtre de caractéristiques qui identifie la fonctionnalité sur laquelle calculer la dérive. MonitoringFeatureFilterBase
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. DataDriftMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'DataDrift' (obligatoire)

DataDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

DataQualityMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalDataQualityMetricThreshold. Défini sur « Numérique » pour le type NumericalDataQualityMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

DataQualityMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings
fonctionnalités Fonctionnalités permettant de calculer la dérive. MonitoringFeatureFilterBase
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. DataQualityMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données produites par le service de production pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'DataQuality' (obligatoire)

DataQualityMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

DistributionConfiguration

Nom Description Valeur
distributionType Défini sur « Mpi » pour le type Mpi . Défini sur « PyTorch » pour le type PyTorch . Défini sur « TensorFlow » pour le type TensorFlow. 'Mpi'
'PyTorch'
'TensorFlow' (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 Défini sur « Bandit » pour le type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. 'Bandit'
'MedianStopping'
'TruncationSelection' (obligatoire)

EndpointScheduleAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'InvokeBatchEndpoint' (obligatoire)
endpointInvocationDefinition [Obligatoire] Définit les détails de définition d’action de planification.
<voir href="TBD » />		 tout (obligatoire)

FeatureAttributionDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings [Obligatoire] Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings (obligatoire)
metricThreshold [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. FeatureAttributionMetricThreshold (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase[] (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'FeatureAttributionDrift' (obligatoire)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

FeatureAttributionMetricThreshold

Nom Description Valeur
métrique [Obligatoire] Métrique d’attribution de fonctionnalité à calculer. 'NormalizedDiscountedCumulativeGain' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

FeatureImportanceSettings

Nom Description Valeur
mode Mode d’opération pour l’importance des fonctionnalités informatiques. 'Désactivé'
'Activé'
targetColumn Nom de la colonne cible dans la ressource de données d’entrée. corde

FeatureSubset

Nom Description Valeur
fonctionnalités [Obligatoire] Liste des fonctionnalités à inclure. string[] (obligatoire)
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'FeatureSubset' (obligatoire)

FixedInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Fixed' (obligatoire)

ForecastHorizon

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. 'Auto'
'Custom' (obligatoire)

Prévision

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
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'

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'
'SeasonalAverage'
'SeasonalNaive'
'SGD'
'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'
'SeasonalAverage'
'SeasonalNaive'
'SGD'
'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

GridSamplingAlgorithm

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

IdentityConfiguration

Nom Description Valeur
identityType Défini sur « AMLToken » pour le type AmlToken . Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. 'AMLToken'
'Managed'
'UserIdentity' (obligatoire)

ImageClassification

Nom Description Valeur
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. 'Précision'
'AUCWeighted'
'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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
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

ImageClassificationMultilabel

Nom Description Valeur
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. 'Précision'
'AUCWeighted'
'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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
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
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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
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

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

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

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

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

ImageObjectDetection

Nom Description Valeur
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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
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

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)

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
jobType Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Balayage » pour le type Balayage. 'AutoML'
'Command'
'Pipeline'
'Balayage' (obligatoire)
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. ResourceBaseTags

JobBaseServices

Nom Description Valeur

JobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobOutput

Nom Description Valeur
description Description de la sortie. corde
jobOutputType Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. 'custom_model'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

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]

JobScheduleAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'CreateJob' (obligatoire)
jobDefinition [Obligatoire] Définit les détails de définition d’action de planification. jobBaseProperties (obligatoire)

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. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

JobServiceProperties

Nom Description Valeur

LiteralJobInput

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

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

ManagedComputeIdentity

Nom Description Valeur
computeIdentityType [Obligatoire] Spécifie le type d’identité à utiliser dans les travaux de surveillance. 'ManagedIdentity' (obligatoire)
identité Identité qui sera exploitée par les travaux de surveillance. ManagedServiceIdentity

ManagedIdentity

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

ManagedServiceIdentity

Nom Description Valeur
type Type d’identité de service managé (où les types SystemAssigned et UserAssigned sont autorisés). 'None'
'SystemAssigned'
'SystemAssigned,UserAssigned'
'UserAssigned' (obligatoire)
userAssignedIdentities Ensemble d’identités affectées par l’utilisateur associées à la ressource. Les clés de dictionnaire userAssignedIdentities seront des ID de ressource ARM sous la forme : « /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Les valeurs de dictionnaire peuvent être des objets vides ({}) dans les requêtes. UserAssignedIdentities

MedianStoppingPolicy

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

Microsoft.MachineLearningServices/workspaces/schedules

Nom Description Valeur
apiVersion Version de l’API '2023-10-01'
nom Nom de la ressource corde

Contraintes:
Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire)
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. ScheduleProperties (obligatoire)
type Type de ressource 'Microsoft.MachineLearningServices/workspaces/schedules'

MLFlowModelJobInput

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

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

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. corde

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

MLFlowModelJobOutput

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

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. corde

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

MLTableJobInput

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

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

MLTableJobOutput

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

MonitorComputeConfigurationBase

Nom Description Valeur
computeType Défini sur « ServerlessSpark » pour le type MonitorServerlessSparkCompute. 'ServerlessSpark' (obligatoire)

MonitorComputeIdentityBase

Nom Description Valeur
computeIdentityType Défini sur « AmlToken » pour le type AmlTokenComputeIdentity. Défini sur « ManagedIdentity » pour le type ManagedComputeIdentity. 'AmlToken'
'ManagedIdentity' (obligatoire)

MonitorDefinition

Nom Description Valeur
alertNotificationSettings Paramètres de notification du moniteur. MonitorNotificationSettings
computeConfiguration [Obligatoire] ID de ressource ARM de la ressource de calcul sur laquelle exécuter le travail de surveillance. MonitorComputeConfigurationBase (obligatoire)
monitoringTarget Entités ciblées par le moniteur. MonitoringTarget
signalisations [Obligatoire] Signaux à surveiller. MonitorDefinitionSignals (obligatoire)

MonitorDefinitionSignals

Nom Description Valeur

MonitorEmailNotificationSettings

Nom Description Valeur
e-mails Liste des destinataires de messagerie qui a une limitation de 499 caractères au total. string[]

MonitoringFeatureFilterBase

Nom Description Valeur
filterType Défini sur « AllFeatures » pour le type AllFeatures. Défini sur « FeatureSubset » pour le type FeatureSubset. Défini sur « TopNByAttribution » pour le type TopNFeaturesByAttribution. 'AllFeatures'
'FeatureSubset'
'TopNByAttribution' (obligatoire)

MonitoringInputDataBase

Nom Description Valeur
colonnes Mappage des noms de colonnes à des utilisations spéciales. MonitoringInputDataBaseColumns
dataContext Métadonnées de contexte de la source de données. corde
inputDataType Défini sur « Fixed » pour le type FixedInputData. Défini sur « Rolling » pour le type RollingInputData. Défini sur « Static » pour le type StaticInputData. 'Fixe'
'Rolling'
'Static' (obligatoire)
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
URI [Obligatoire] URI de ressource d’entrée. corde

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

MonitoringInputDataBaseColumns

Nom Description Valeur

MonitoringSignalBase

Nom Description Valeur
notificationTypes Mode de notification actuel pour ce signal. Tableau de chaînes contenant l’un des éléments suivants :
'AmlNotification'
Propriétés Dictionnaire de propriétés. Les propriétés peuvent être ajoutées, mais pas supprimées ou modifiées. MonitoringSignalBaseProperties
signalType Défini sur « Custom » pour le type CustomMonitoringSignal. Défini sur « DataDrift » pour le type DataDriftMonitoringSignal. Défini sur « DataQuality » pour le type DataQualityMonitoringSignal. Défini sur « FeatureAttributionDrift » pour le type FeatureAttributionDriftMonitoringSignal. Défini sur « PredictionDrift » pour le type PredictionDriftMonitoringSignal. 'Custom'
'DataDrift'
'DataQuality'
'FeatureAttributionDrift'
'PredictionDrift' (obligatoire)

MonitoringSignalBaseProperties

Nom Description Valeur

MonitoringTarget

Nom Description Valeur
deploymentId Référence à la ressource de déploiement ciblée par ce moniteur. corde
modelId Référence à la ressource de modèle ciblée par ce moniteur. corde
taskType [Obligatoire] Type de tâche Machine Learning du modèle supervisé. 'Classification'
'Régression' (obligatoire)

MonitoringThreshold

Nom Description Valeur
valeur Valeur de seuil. Si la valeur est Null, la valeur par défaut définie dépend du type de métrique. Int

MonitorNotificationSettings

Nom Description Valeur
emailNotificationSettings Paramètres d’e-mail de notification AML. MonitorEmailNotificationSettings

MonitorServerlessSparkCompute

Nom Description Valeur
computeIdentity [Obligatoire] Le schéma d’identité utilisé par les travaux Spark s’exécutant sur Spark serverless. MonitorComputeIdentityBase (obligatoire)
computeType [Obligatoire] Spécifie le type de signal à surveiller. 'ServerlessSpark' (obligatoire)
instanceType [Obligatoire] Type d’instance exécutant le travail Spark. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
runtimeVersion [Obligatoire] Version du runtime Spark. corde

Contraintes:
Longueur minimale = 1
Modèle = ^[0-9]+\.[0-9]+$ (obligatoire)

Mpi

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

NCrossValidations

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. 'Auto'
'Custom' (obligatoire)

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

Nœuds

Nom Description Valeur
nodeValueType Défini sur « All » pour le type AllNodes. 'All' (obligatoire)

NumericalDataDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de dérive de données numériques à calculer. 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (obligatoire)

NumericalDataQualityMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de qualité des données numériques à calculer. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (obligatoire)

NumericalPredictionDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de dérive de prédiction numérique à calculer. 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (obligatoire)

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. corde

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

PipelineJob

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

PipelineJobInputs

Nom Description Valeur

PipelineJobJobs

Nom Description Valeur

PipelineJobOutputs

Nom Description Valeur

PredictionDriftMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalPredictionDriftMetricThreshold. Défini sur « Numérique » pour le type NumericalPredictionDriftMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

PredictionDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. PredictionDriftMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'PredictionDrift' (obligatoire)

PredictionDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

PyTorch

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

QueueSettings

Nom Description Valeur
jobTier Contrôle le niveau de travail de calcul 'De base'
'Null'
'Premium'
'Spot'
'Standard'

RandomSamplingAlgorithm

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

Périodicité

Nom Description Valeur
Heures [Obligatoire] Liste des heures pour la planification. int[] (obligatoire)
compte-rendu [Obligatoire] Liste des minutes de la planification. int[] (obligatoire)
monthDays Liste des jours de mois pour la planification int[]
Semaine Liste des jours de la planification. Tableau de chaînes contenant l’un des éléments suivants :
'Vendredi'
'Lundi'
'Samedi'
'Dimanche'
'jeudi'
'Mardi'
'Mercredi'

RecurrenceTrigger

Nom Description Valeur
fréquence [Obligatoire] Fréquence de déclenchement de la planification. 'Day'
'Heure'
'Minute'
'Month'
'Semaine' (obligatoire)
intervalle [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence int (obligatoire)
horaire Planification de périodicité. périodicité
triggerType [Obligatoire] 'Périodicité' (obligatoire)

Régression

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
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

ResourceBaseProperties

Nom Description Valeur

ResourceBaseProperties

Nom Description Valeur

ResourceBaseTags

Nom Description Valeur

ResourceBaseTags

Nom Description Valeur

ResourceConfigurationProperties

Nom Description Valeur

RollingInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Rolling' (obligatoire)
preprocessingComponentId Référence à la ressource de composant utilisée pour prétraiter les données. corde
windowOffset [Obligatoire] Décalage de temps entre la fin de la fenêtre de données et l’heure d’exécution actuelle du moniteur. chaîne (obligatoire)
windowSize [Obligatoire] Taille de la fenêtre de données propagées. chaîne (obligatoire)

SamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType Défini sur « Bayésien » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour le type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. 'Bayésien'
'Grid'
'Random' (obligatoire)

ScheduleActionBase

Nom Description Valeur
actionType Défini sur « CreateJob » pour le type JobScheduleAction. Défini sur « CreateMonitor » pour le type CreateMonitorAction. Défini sur « InvokeBatchEndpoint » pour le type EndpointScheduleAction. 'CreateJob'
'CreateMonitor'
'InvokeBatchEndpoint' (obligatoire)

ScheduleProperties

Nom Description Valeur
action [Obligatoire] Spécifie l’action de la planification ScheduleActionBase (obligatoire)
description Texte de description de la ressource. corde
displayName Nom complet de la planification. corde
isEnabled La planification est-elle activée ? Bool
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. ResourceBaseTags
gâchette [Obligatoire] Spécifie les détails du déclencheur TriggerBase (obligatoire)

Saisonnalité

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. 'Auto'
'Custom' (obligatoire)

StackEnsembleSettings

Nom Description Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. quelconque
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'

StaticInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Static' (obligatoire)
preprocessingComponentId Référence à la ressource de composant utilisée pour prétraiter les données. corde
windowEnd [Obligatoire] Date de fin de la fenêtre de données. chaîne (obligatoire)
windowStart [Obligatoire] Date de début de la fenêtre de données. chaîne (obligatoire)

SweepJob

Nom Description Valeur
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
jobType [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
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
queueSettings Paramètres de file d’attente du travail QueueSettings
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 tout (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. trialComponent (obligatoire)

SweepJobInputs

Nom Description Valeur

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

SweepJobOutputs

Nom Description Valeur

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

TableVerticalFeaturizationSettingsTransformerParams

Nom Description Valeur

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
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration de l’itération. corde

TargetLags

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoTargetLags. Défini sur « Custom » pour le type CustomTargetLags. 'Auto'
'Custom' (obligatoire)

TargetRollingWindowSize

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. 'Auto'
'Custom' (obligatoire)

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

TextClassification

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrique principale pour Text-Classification tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextClassificationMultilabel

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TopNFeaturesByAttribution

Nom Description Valeur
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'TopNByAttribution' (obligatoire)
Retour au début Nombre de principales fonctionnalités à inclure. 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 » corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
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. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
environmentVariables Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur

TriggerBase

Nom Description Valeur
endTime Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.
Le format recommenté serait « 2022-06-01T00:00:01 »
S’il n’est pas présent, la planification s’exécute indéfiniment		 corde
startTime Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. corde
timeZone Spécifie le fuseau horaire dans lequel la planification s’exécute.
TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous : /windows-hardware/manufacture/desktop/default-time-zones ?view=windows-11		 corde
triggerType Défini sur « Cron » pour le type CronTrigger. Défini sur « Périodicité » pour le type RecurrenceTrigger. 'Cron'
'Périodicité' (obligatoire)

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. corde

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

TritonModelJobOutput

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

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

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. corde

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

UriFileJobOutput

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

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. corde

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

UriFolderJobOutput

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

UserAssignedIdentities

Nom Description Valeur

UserAssignedIdentity

Nom Description Valeur

UserIdentity

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

Définition de ressource Terraform (fournisseur AzAPI)

Le type de ressource espaces de travail/planifications 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/schedules, ajoutez le terraform suivant à votre modèle.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01"
  name = "string"
  body = jsonencode({
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {
        {customized property} = "string"
      }
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  })
}

Objets MonitoringInputDataBase

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

Pour fixe, utilisez :

{
  inputDataType = "Fixed"
}

Pour propagée, utilisez :

{
  inputDataType = "Rolling"
  preprocessingComponentId = "string"
  windowOffset = "string"
  windowSize = "string"
}

Pour statique, utilisez :

{
  inputDataType = "Static"
  preprocessingComponentId = "string"
  windowEnd = "string"
  windowStart = "string"
}

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 PredictionDriftMetricThresholdBase

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

Pour catégorie, utilisez :

{
  dataType = "Categorical"
  metric = "string"
}

Pour numérique, utilisez :

{
  dataType = "Numerical"
  metric = "string"
}

Objets MonitoringFeatureFilterBase

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

Pour allFeatures, utilisez :

{
  filterType = "AllFeatures"
}

Pour FeatureSubset, utilisez :

{
  features = [
    "string"
  ]
  filterType = "FeatureSubset"
}

Pour TopNByAttribution, utilisez :

{
  filterType = "TopNByAttribution"
  top = int
}

Objets ScheduleActionBase

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

Pour createJob, utilisez :

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

Pour CreateMonitor, utilisez :

{
  actionType = "CreateMonitor"
  monitorDefinition = {
    alertNotificationSettings = {
      emailNotificationSettings = {
        emails = [
          "string"
        ]
      }
    }
    computeConfiguration = {
      computeType = "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget = {
      deploymentId = "string"
      modelId = "string"
      taskType = "string"
    }
    signals = {
      {customized property} = {
        notificationTypes = [
          "string"
        ]
        properties = {
          {customized property} = "string"
        }
        signalType = "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

Pour InvokeBatchEndpoint, utilisez :

{
  actionType = "InvokeBatchEndpoint"
  endpointInvocationDefinition = ?
}

Objets MonitoringSignalBase

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

Pour personnalisé, utilisez :

{
  componentId = "string"
  inputAssets = {
    {customized property} = {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds = [
    {
      metric = "string"
      threshold = {
        value = int
      }
    }
  ]
  signalType = "Custom"
}

Pour DataDrift, utilisez :

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "DataDrift"
}

Pour DataQuality, utilisez :

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "DataQuality"
}

Pour FeatureAttributionDrift, utilisez :

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  metricThreshold = {
    metric = "string"
    threshold = {
      value = int
    }
  }
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "FeatureAttributionDrift"
}

Pour PredictionDrift, utilisez :

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "PredictionDrift"
}

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 IdentityConfiguration

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

Pour AMLToken, utilisez :

{
  identityType = "AMLToken"
}

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

{
  identityType = "UserIdentity"
}

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 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 SamplingAlgorithm

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

Pour bayésien, utilisez :

{
  samplingAlgorithmType = "Bayesian"
}

Pour grille, utilisez :

{
  samplingAlgorithmType = "Grid"
}

Pour aléatoire, utilisez :

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

Objets nœuds

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

Pour tous les, utilisez :

{
  nodesValueType = "All"
}

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 TriggerBase

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

Pour Cron, utilisez :

{
  expression = "string"
  triggerType = "Cron"
}

Pour périodicité, utilisez :

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

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 MonitorComputeConfigurationBase

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

Pour serverlessSpark, utilisez :

{
  computeIdentity = {
    computeIdentityType = "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  computeType = "ServerlessSpark"
  instanceType = "string"
  runtimeVersion = "string"
}

Objets DataQualityMetricThresholdBase

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

Pour catégorie, utilisez :

{
  dataType = "Categorical"
  metric = "string"
}

Pour numérique, utilisez :

{
  dataType = "Numerical"
  metric = "string"
}

Objets AutoMLVertical

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

Pour de classification, utilisez :

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

Pour prévision, utilisez :

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    forecastHorizon = {
      mode = "string"
      // For remaining properties, see ForecastHorizon objects
    }
    frequency = "string"
    seasonality = {
      mode = "string"
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig = "string"
    targetAggregateFunction = "string"
    targetLags = {
      mode = "string"
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize = {
      mode = "string"
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName = "string"
    timeSeriesIdColumnNames = [
      "string"
    ]
    useStl = "string"
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  taskType = "Forecasting"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

Objets MonitorComputeIdentityBase

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

Pour AmlToken, utilisez :

{
  computeIdentityType = "AmlToken"
}

Pour ManagedIdentity, utilisez :

{
  computeIdentityType = "ManagedIdentity"
  identity = {
    type = "string"
    userAssignedIdentities = {
      {customized property} = {
      }
    }
  }
}

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 JobBaseProperties

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

Pour AutoML, utilisez :

{
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  jobType = "AutoML"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
  }
  resources = {
    dockerArgs = "string"
    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 :

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

Pour pipeline, utilisez :

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

Pour de balayage, utilisez :

{
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobType = "Sweep"
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
  }
  samplingAlgorithm = {
    samplingAlgorithmType = "string"
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace = ?
  trial = {
    codeId = "string"
    command = "string"
    distribution = {
      distributionType = "string"
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId = "string"
    environmentVariables = {
      {customized property} = "string"
    }
    resources = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      properties = {
        {customized property} = ?
      }
      shmSize = "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 DataDriftMetricThresholdBase

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

Pour catégorie, utilisez :

{
  dataType = "Categorical"
  metric = "string"
}

Pour numérique, utilisez :

{
  dataType = "Numerical"
  metric = "string"
}

Valeurs de propriété

AllFeatures

Nom Description Valeur
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'AllFeatures' (obligatoire)

AllNodes

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

AmlToken

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

AmlTokenComputeIdentity

Nom Description Valeur
computeIdentityType [Obligatoire] Spécifie le type d’identité à utiliser dans les travaux de surveillance. 'AmlToken' (obligatoire)

AutoForecastHorizon

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

AutoMLJob

Nom Description Valeur
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
jobType [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
queueSettings Paramètres de file d’attente du travail QueueSettings
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

AutoMLJobOutputs

Nom Description Valeur

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
taskType Défini sur « Classification » pour le type Classification. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Défini sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour le type régression. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Défini sur « TextNER » pour le type TextNer. 'Classification'
'Prévision'
'ImageClassification'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
'Régression'
'TextClassification'
'TextClassificationMultilabel'
'TextNER' (obligatoire)
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)

AutoNCrossValidations

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

AutoSeasonality

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

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BayesianSamplingAlgorithm

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

CategoricalDataDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de dérive de données catégorielles à calculer. 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (obligatoire)

CategoricalDataQualityMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de qualité des données catégorielles à calculer. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (obligatoire)

CategoricalPredictionDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Catégorie' (obligatoire)
métrique [Obligatoire] Métrique de dérive de prédiction catégorielle à calculer. 'JensenShannonDistance'
'PearsonsChiSquaredTest'
'PopulationStabilityIndex' (obligatoire)

Classification

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
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

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

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.		 quelconque

CommandJob

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 » corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
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. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
environmentVariables Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
Entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
jobType [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
Limites Limite du travail de commande. CommandJobLimits
Sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
queueSettings Paramètres de file d’attente du travail QueueSettings
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

CommandJobEnvironmentVariables

Nom Description Valeur

CommandJobInputs

Nom Description Valeur

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

CreateMonitorAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'CreateMonitor' (obligatoire)
monitorDefinition [Obligatoire] Définit le moniteur. MonitorDefinition (obligatoire)

CronTrigger

Nom Description Valeur
expression [Obligatoire] Spécifie l’expression cron de la planification.
L’expression doit suivre le format NCronTab.		 corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
triggerType [Obligatoire] 'Cron' (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)

CustomMetricThreshold

Nom Description Valeur
métrique [Obligatoire] Métrique définie par l’utilisateur à calculer. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

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. corde

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

CustomModelJobOutput

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

CustomMonitoringSignal

Nom Description Valeur
componentId [Obligatoire] Référence à la ressource de composant utilisée pour calculer les métriques personnalisées. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
inputAssets Surveillance des ressources à prendre en tant qu’entrée. La clé est le nom du port d’entrée du composant, la valeur est la ressource de données. CustomMonitoringSignalInputAssets
Entrées Paramètres de composant supplémentaires à prendre en tant qu’entrée. La clé est le nom du port d’entrée littéral du composant, la valeur est la valeur du paramètre. CustomMonitoringSignalInputs
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. CustomMetricThreshold[] (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'Custom' (obligatoire)

CustomMonitoringSignalInputAssets

Nom Description Valeur

CustomMonitoringSignalInputs

Nom Description Valeur

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetRollingWindowSize

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

DataDriftMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalDataDriftMetricThreshold. Défini sur « Numérique » pour le type NumericalDataDriftMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

DataDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings
fonctionnalités Filtre de caractéristiques qui identifie la fonctionnalité sur laquelle calculer la dérive. MonitoringFeatureFilterBase
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. DataDriftMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'DataDrift' (obligatoire)

DataDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

DataQualityMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalDataQualityMetricThreshold. Défini sur « Numérique » pour le type NumericalDataQualityMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

DataQualityMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings
fonctionnalités Fonctionnalités permettant de calculer la dérive. MonitoringFeatureFilterBase
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. DataQualityMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données produites par le service de production pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'DataQuality' (obligatoire)

DataQualityMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

DistributionConfiguration

Nom Description Valeur
distributionType Défini sur « Mpi » pour le type Mpi . Défini sur « PyTorch » pour le type PyTorch . Défini sur « TensorFlow » pour le type TensorFlow. 'Mpi'
'PyTorch'
'TensorFlow' (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 Défini sur « Bandit » pour le type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. 'Bandit'
'MedianStopping'
'TruncationSelection' (obligatoire)

EndpointScheduleAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'InvokeBatchEndpoint' (obligatoire)
endpointInvocationDefinition [Obligatoire] Définit les détails de définition d’action de planification.
<voir href="TBD » />		 tout (obligatoire)

FeatureAttributionDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings [Obligatoire] Paramètres pour l’importance des fonctionnalités de calcul. FeatureImportanceSettings (obligatoire)
metricThreshold [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. FeatureAttributionMetricThreshold (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase[] (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'FeatureAttributionDrift' (obligatoire)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

FeatureAttributionMetricThreshold

Nom Description Valeur
métrique [Obligatoire] Métrique d’attribution de fonctionnalité à calculer. 'NormalizedDiscountedCumulativeGain' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

FeatureImportanceSettings

Nom Description Valeur
mode Mode d’opération pour l’importance des fonctionnalités informatiques. 'Désactivé'
'Activé'
targetColumn Nom de la colonne cible dans la ressource de données d’entrée. corde

FeatureSubset

Nom Description Valeur
fonctionnalités [Obligatoire] Liste des fonctionnalités à inclure. string[] (obligatoire)
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'FeatureSubset' (obligatoire)

FixedInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Fixed' (obligatoire)

ForecastHorizon

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. 'Auto'
'Custom' (obligatoire)

Prévision

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
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'

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'
'SeasonalAverage'
'SeasonalNaive'
'SGD'
'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'
'SeasonalAverage'
'SeasonalNaive'
'SGD'
'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

GridSamplingAlgorithm

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

IdentityConfiguration

Nom Description Valeur
identityType Défini sur « AMLToken » pour le type AmlToken . Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. 'AMLToken'
'Managed'
'UserIdentity' (obligatoire)

ImageClassification

Nom Description Valeur
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. 'Précision'
'AUCWeighted'
'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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
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

ImageClassificationMultilabel

Nom Description Valeur
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. 'Précision'
'AUCWeighted'
'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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
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
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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
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

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

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

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

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

ImageObjectDetection

Nom Description Valeur
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
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
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

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)

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
jobType Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Balayage » pour le type Balayage. 'AutoML'
'Command'
'Pipeline'
'Balayage' (obligatoire)
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. ResourceBaseTags

JobBaseServices

Nom Description Valeur

JobInput

Nom Description Valeur
description Description de l’entrée. corde
jobInputType Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobOutput

Nom Description Valeur
description Description de la sortie. corde
jobOutputType Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. 'custom_model'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

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]

JobScheduleAction

Nom Description Valeur
actionType [Obligatoire] Spécifie le type d’action de la planification 'CreateJob' (obligatoire)
jobDefinition [Obligatoire] Définit les détails de définition d’action de planification. jobBaseProperties (obligatoire)

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. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

JobServiceProperties

Nom Description Valeur

LiteralJobInput

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

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

ManagedComputeIdentity

Nom Description Valeur
computeIdentityType [Obligatoire] Spécifie le type d’identité à utiliser dans les travaux de surveillance. 'ManagedIdentity' (obligatoire)
identité Identité qui sera exploitée par les travaux de surveillance. ManagedServiceIdentity

ManagedIdentity

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

ManagedServiceIdentity

Nom Description Valeur
type Type d’identité de service managé (où les types SystemAssigned et UserAssigned sont autorisés). 'None'
'SystemAssigned'
'SystemAssigned,UserAssigned'
'UserAssigned' (obligatoire)
userAssignedIdentities Ensemble d’identités affectées par l’utilisateur associées à la ressource. Les clés de dictionnaire userAssignedIdentities seront des ID de ressource ARM sous la forme : « /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Les valeurs de dictionnaire peuvent être des objets vides ({}) dans les requêtes. UserAssignedIdentities

MedianStoppingPolicy

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

Microsoft.MachineLearningServices/workspaces/schedules

Nom Description Valeur
nom Nom de la ressource corde

Contraintes:
Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (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. ScheduleProperties (obligatoire)
type Type de ressource « Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01 »

MLFlowModelJobInput

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

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

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. corde

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

MLFlowModelJobOutput

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

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. corde

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

MLTableJobInput

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

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

MLTableJobOutput

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

MonitorComputeConfigurationBase

Nom Description Valeur
computeType Défini sur « ServerlessSpark » pour le type MonitorServerlessSparkCompute. 'ServerlessSpark' (obligatoire)

MonitorComputeIdentityBase

Nom Description Valeur
computeIdentityType Défini sur « AmlToken » pour le type AmlTokenComputeIdentity. Défini sur « ManagedIdentity » pour le type ManagedComputeIdentity. 'AmlToken'
'ManagedIdentity' (obligatoire)

MonitorDefinition

Nom Description Valeur
alertNotificationSettings Paramètres de notification du moniteur. MonitorNotificationSettings
computeConfiguration [Obligatoire] ID de ressource ARM de la ressource de calcul sur laquelle exécuter le travail de surveillance. MonitorComputeConfigurationBase (obligatoire)
monitoringTarget Entités ciblées par le moniteur. MonitoringTarget
signalisations [Obligatoire] Signaux à surveiller. MonitorDefinitionSignals (obligatoire)

MonitorDefinitionSignals

Nom Description Valeur

MonitorEmailNotificationSettings

Nom Description Valeur
e-mails Liste des destinataires de messagerie qui a une limitation de 499 caractères au total. string[]

MonitoringFeatureFilterBase

Nom Description Valeur
filterType Défini sur « AllFeatures » pour le type AllFeatures. Défini sur « FeatureSubset » pour le type FeatureSubset. Défini sur « TopNByAttribution » pour le type TopNFeaturesByAttribution. 'AllFeatures'
'FeatureSubset'
'TopNByAttribution' (obligatoire)

MonitoringInputDataBase

Nom Description Valeur
colonnes Mappage des noms de colonnes à des utilisations spéciales. MonitoringInputDataBaseColumns
dataContext Métadonnées de contexte de la source de données. corde
inputDataType Défini sur « Fixed » pour le type FixedInputData. Défini sur « Rolling » pour le type RollingInputData. Défini sur « Static » pour le type StaticInputData. 'Fixe'
'Rolling'
'Static' (obligatoire)
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)
URI [Obligatoire] URI de ressource d’entrée. corde

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

MonitoringInputDataBaseColumns

Nom Description Valeur

MonitoringSignalBase

Nom Description Valeur
notificationTypes Mode de notification actuel pour ce signal. Tableau de chaînes contenant l’un des éléments suivants :
'AmlNotification'
Propriétés Dictionnaire de propriétés. Les propriétés peuvent être ajoutées, mais pas supprimées ou modifiées. MonitoringSignalBaseProperties
signalType Défini sur « Custom » pour le type CustomMonitoringSignal. Défini sur « DataDrift » pour le type DataDriftMonitoringSignal. Défini sur « DataQuality » pour le type DataQualityMonitoringSignal. Défini sur « FeatureAttributionDrift » pour le type FeatureAttributionDriftMonitoringSignal. Défini sur « PredictionDrift » pour le type PredictionDriftMonitoringSignal. 'Custom'
'DataDrift'
'DataQuality'
'FeatureAttributionDrift'
'PredictionDrift' (obligatoire)

MonitoringSignalBaseProperties

Nom Description Valeur

MonitoringTarget

Nom Description Valeur
deploymentId Référence à la ressource de déploiement ciblée par ce moniteur. corde
modelId Référence à la ressource de modèle ciblée par ce moniteur. corde
taskType [Obligatoire] Type de tâche Machine Learning du modèle supervisé. 'Classification'
'Régression' (obligatoire)

MonitoringThreshold

Nom Description Valeur
valeur Valeur de seuil. Si la valeur est Null, la valeur par défaut définie dépend du type de métrique. Int

MonitorNotificationSettings

Nom Description Valeur
emailNotificationSettings Paramètres d’e-mail de notification AML. MonitorEmailNotificationSettings

MonitorServerlessSparkCompute

Nom Description Valeur
computeIdentity [Obligatoire] Le schéma d’identité utilisé par les travaux Spark s’exécutant sur Spark serverless. MonitorComputeIdentityBase (obligatoire)
computeType [Obligatoire] Spécifie le type de signal à surveiller. 'ServerlessSpark' (obligatoire)
instanceType [Obligatoire] Type d’instance exécutant le travail Spark. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
runtimeVersion [Obligatoire] Version du runtime Spark. corde

Contraintes:
Longueur minimale = 1
Modèle = ^[0-9]+\.[0-9]+$ (obligatoire)

Mpi

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

NCrossValidations

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. 'Auto'
'Custom' (obligatoire)

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

Nœuds

Nom Description Valeur
nodeValueType Défini sur « All » pour le type AllNodes. 'All' (obligatoire)

NumericalDataDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de dérive de données numériques à calculer. 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (obligatoire)

NumericalDataQualityMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de qualité des données numériques à calculer. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (obligatoire)

NumericalPredictionDriftMetricThreshold

Nom Description Valeur
Datatype [Obligatoire] Spécifie le type de données du seuil de métrique. 'Numérique' (obligatoire)
métrique [Obligatoire] Métrique de dérive de prédiction numérique à calculer. 'JensenShannonDistance'
'NormalizedWassersteinDistance'
'PopulationStabilityIndex'
'TwoSampleKolmogorovsmirnovTest' (obligatoire)

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. corde

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

PipelineJob

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

PipelineJobInputs

Nom Description Valeur

PipelineJobJobs

Nom Description Valeur

PipelineJobOutputs

Nom Description Valeur

PredictionDriftMetricThresholdBase

Nom Description Valeur
Datatype Défini sur « Catégorie » pour le type CategoricalPredictionDriftMetricThreshold. Défini sur « Numérique » pour le type NumericalPredictionDriftMetricThreshold. 'Catégorie'
'Numérique' (obligatoire)
seuil Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. MonitoringThreshold

PredictionDriftMonitoringSignal

Nom Description Valeur
featureDataTypeOverride Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. PredictionDriftMonitoringSignalFeatureDataTypeOverride
metricThresholds [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. PredictionDriftMetricThresholdBase[] (obligatoire)
productionData [Obligatoire] Données pour lesquelles la dérive sera calculée. MonitoringInputDataBase (obligatoire)
referenceData [Obligatoire] Données à calculer par rapport à la dérive. MonitoringInputDataBase (obligatoire)
signalType [Obligatoire] Spécifie le type de signal à surveiller. 'PredictionDrift' (obligatoire)

PredictionDriftMonitoringSignalFeatureDataTypeOverride

Nom Description Valeur

PyTorch

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

QueueSettings

Nom Description Valeur
jobTier Contrôle le niveau de travail de calcul 'De base'
'Null'
'Premium'
'Spot'
'Standard'

RandomSamplingAlgorithm

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

Périodicité

Nom Description Valeur
Heures [Obligatoire] Liste des heures pour la planification. int[] (obligatoire)
compte-rendu [Obligatoire] Liste des minutes de la planification. int[] (obligatoire)
monthDays Liste des jours de mois pour la planification int[]
Semaine Liste des jours de la planification. Tableau de chaînes contenant l’un des éléments suivants :
'Vendredi'
'Lundi'
'Samedi'
'Dimanche'
'jeudi'
'Mardi'
'Mercredi'

RecurrenceTrigger

Nom Description Valeur
fréquence [Obligatoire] Fréquence de déclenchement de la planification. 'Day'
'Heure'
'Minute'
'Month'
'Semaine' (obligatoire)
intervalle [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence int (obligatoire)
horaire Planification de périodicité. périodicité
triggerType [Obligatoire] 'Périodicité' (obligatoire)

Régression

Nom Description Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
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'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
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

ResourceBaseProperties

Nom Description Valeur

ResourceBaseProperties

Nom Description Valeur

ResourceBaseTags

Nom Description Valeur

ResourceBaseTags

Nom Description Valeur

ResourceConfigurationProperties

Nom Description Valeur

RollingInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Rolling' (obligatoire)
preprocessingComponentId Référence à la ressource de composant utilisée pour prétraiter les données. corde
windowOffset [Obligatoire] Décalage de temps entre la fin de la fenêtre de données et l’heure d’exécution actuelle du moniteur. chaîne (obligatoire)
windowSize [Obligatoire] Taille de la fenêtre de données propagées. chaîne (obligatoire)

SamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType Défini sur « Bayésien » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour le type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. 'Bayésien'
'Grid'
'Random' (obligatoire)

ScheduleActionBase

Nom Description Valeur
actionType Défini sur « CreateJob » pour le type JobScheduleAction. Défini sur « CreateMonitor » pour le type CreateMonitorAction. Défini sur « InvokeBatchEndpoint » pour le type EndpointScheduleAction. 'CreateJob'
'CreateMonitor'
'InvokeBatchEndpoint' (obligatoire)

ScheduleProperties

Nom Description Valeur
action [Obligatoire] Spécifie l’action de la planification ScheduleActionBase (obligatoire)
description Texte de description de la ressource. corde
displayName Nom complet de la planification. corde
isEnabled La planification est-elle activée ? Bool
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. ResourceBaseTags
gâchette [Obligatoire] Spécifie les détails du déclencheur TriggerBase (obligatoire)

Saisonnalité

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. 'Auto'
'Custom' (obligatoire)

StackEnsembleSettings

Nom Description Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. quelconque
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'

StaticInputData

Nom Description Valeur
inputDataType [Obligatoire] Spécifie le type de signal à surveiller. 'Static' (obligatoire)
preprocessingComponentId Référence à la ressource de composant utilisée pour prétraiter les données. corde
windowEnd [Obligatoire] Date de fin de la fenêtre de données. chaîne (obligatoire)
windowStart [Obligatoire] Date de début de la fenêtre de données. chaîne (obligatoire)

SweepJob

Nom Description Valeur
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
jobType [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
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
queueSettings Paramètres de file d’attente du travail QueueSettings
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 tout (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. trialComponent (obligatoire)

SweepJobInputs

Nom Description Valeur

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

SweepJobOutputs

Nom Description Valeur

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

TableVerticalFeaturizationSettingsTransformerParams

Nom Description Valeur

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
Timeout Délai d’expiration du travail AutoML. corde
trialTimeout Délai d’expiration de l’itération. corde

TargetLags

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoTargetLags. Défini sur « Custom » pour le type CustomTargetLags. 'Auto'
'Custom' (obligatoire)

TargetRollingWindowSize

Nom Description Valeur
mode Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. 'Auto'
'Custom' (obligatoire)

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

TextClassification

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaryMetric Métrique principale pour Text-Classification tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextClassificationMultilabel

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TopNFeaturesByAttribution

Nom Description Valeur
filterType [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. 'TopNByAttribution' (obligatoire)
Retour au début Nombre de principales fonctionnalités à inclure. 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 » corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
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. corde

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
environmentVariables Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur

TriggerBase

Nom Description Valeur
endTime Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.
Le format recommenté serait « 2022-06-01T00:00:01 »
S’il n’est pas présent, la planification s’exécute indéfiniment		 corde
startTime Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. corde
timeZone Spécifie le fuseau horaire dans lequel la planification s’exécute.
TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous : /windows-hardware/manufacture/desktop/default-time-zones ?view=windows-11		 corde
triggerType Défini sur « Cron » pour le type CronTrigger. Défini sur « Périodicité » pour le type RecurrenceTrigger. 'Cron'
'Périodicité' (obligatoire)

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. corde

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

TritonModelJobOutput

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

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

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. corde

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

UriFileJobOutput

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

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. corde

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

UriFolderJobOutput

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

UserAssignedIdentities

Nom Description Valeur

UserAssignedIdentity

Nom Description Valeur

UserIdentity

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