Espaces de travail Microsoft.MachineLearningServices/travaux 2024-04-01-preview

• dernière
• 2024-07-01-preview
• 2024-04-01
• 2024-04-01-preview
• 2024-01-01-preview
• 2023-10-01
• 2023-08-01-preview
• 2023-06-01-preview
• 2023-04-01
• 2023-04-01-preview
• 2023-02-01-preview
• 2022-12-01-preview
• 2022-10-01
• 2022-10-01-preview
• 2022-06-01-preview
• 2022-05-01
• 2022-02-01-preview
• 2021-03-01-preview

Définition de ressource Bicep

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

• groupes de ressources - Consultez commandes de déploiement de groupes de ressources

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

Format de ressource

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

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    secretsConfiguration: {
      {customized property}: {
        uri: 'string'
        workspaceSecretName: 'string'
      }
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Objets JobBaseProperties

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

Pour AutoML, utilisez :

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {customized property}: any()
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

Pour commande, utilisez :

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

Pour FineTuning, utilisez :

  jobType: 'FineTuning'
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    validationData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    modelProvider: 'string'
    // For remaining properties, see FineTuningVertical objects
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }

Pour d’étiquetage, utilisez :

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

Pour pipeline, utilisez :

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

Pour Spark, utilisez :

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

Pour de balayage, utilisez :

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

Objets IdentityConfiguration

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

Pour AMLToken, utilisez :

  identityType: 'AMLToken'

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

  identityType: 'UserIdentity'

Objets Webhook

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

Pour AzureDevOps, utilisez :

  webhookType: 'AzureDevOps'

Objets nœuds

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

Pour tous les, utilisez :

  nodesValueType: 'All'

Objets JobOutput

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

Pour custom_model, utilisez :

  jobOutputType: 'custom_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

Pour mlflow_model, utilisez :

  jobOutputType: 'mlflow_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

Pour mltable, utilisez :

  jobOutputType: 'mltable'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

Pour triton_model, utilisez :

  jobOutputType: 'triton_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

Pour uri_file, utilisez :

  jobOutputType: 'uri_file'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

Pour uri_folder, utilisez :

  jobOutputType: 'uri_folder'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

Objets AutoMLVertical

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

Pour de classification, utilisez :

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

Pour prévision, utilisez :

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

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

Objets NCrossValidations

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

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets EarlyTerminationPolicy

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

Pour Bandit, utilisez :

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Pour médiane, utilisez :

  policyType: 'MedianStopping'

Pour truncationSelection, utilisez :

  policyType: 'TruncationSelection'
  truncationPercentage: int

Objets ForecastHorizon

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

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets de saisonnalité

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

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets TargetLags

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

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  values: [
    int
  ]

Objets TargetRollingWindowSize

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

Pour automatique, utilisez :

  mode: 'Auto'

Pour personnalisé, utilisez :

  mode: 'Custom'
  value: int

Objets DistributionConfiguration

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

Pour Mpi, utilisez :

  distributionType: 'Mpi'
  processCountPerInstance: int

Pour PyTorch, utilisez :

  distributionType: 'PyTorch'
  processCountPerInstance: int

Pour Ray, utilisez :

  distributionType: 'Ray'
  address: 'string'
  dashboardPort: int
  headNodeAdditionalArgs: 'string'
  includeDashboard: bool
  port: int
  workerNodeAdditionalArgs: 'string'

Pour TensorFlow, utilisez :

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

Objets JobInput

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

Pour custom_model, utilisez :

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

Pour littéral, utilisez :

  jobInputType: 'literal'
  value: 'string'

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets FineTuningVertical

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

Pour AzureOpenAI, utilisez :

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

Pour personnalisé, utilisez :

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

Objets LabelingJobMediaProperties

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

Pour image, utilisez :

  mediaType: 'Image'
  annotationType: 'string'

Pour texte, utilisez :

  mediaType: 'Text'
  annotationType: 'string'

Objets MLAssistConfiguration

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

Pour désactivé, utilisez :

  mlAssist: 'Disabled'

Pour activé, utilisez :

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

Objets SparkJobEntry

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

Pour SparkJobPythonEntry, utilisez :

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Pour SparkJobScalaEntry, utilisez :

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

Objets SamplingAlgorithm

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

Pour bayésien, utilisez :

  samplingAlgorithmType: 'Bayesian'

Pour grille, utilisez :

  samplingAlgorithmType: 'Grid'

Pour aléatoire, utilisez :

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

Valeurs de propriété

espaces de travail/travaux

Nom	Description	Valeur
nom	Nom de la ressource Découvrez comment définir des noms et des types pour les ressources enfants dans Bicep.	chaîne (obligatoire)
parent	Dans Bicep, vous pouvez spécifier la ressource parente d’une ressource enfant. Vous devez uniquement ajouter cette propriété lorsque la ressource enfant est déclarée en dehors de la ressource parente. Pour plus d’informations, consultez ressource enfant en dehors de la ressource parente.	Nom symbolique de la ressource de type : espaces de travail
Propriétés	[Obligatoire] Attributs supplémentaires de l’entité.	jobBaseProperties (obligatoire)

JobBaseProperties

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

IdentityConfiguration

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

AmlToken

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

ManagedIdentity

Nom	Description	Valeur
identityType	[Obligatoire] Spécifie le type d’infrastructure d’identité.	'Managed' (obligatoire)
clientId	Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ.	corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ.	corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ.	corde

UserIdentity

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

NotificationSetting

Nom	Description	Valeur
emailOn	Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié	Tableau de chaînes contenant l’un des éléments suivants : 'JobCancelled' 'JobCompleted' 'JobFailed'
e-mails	Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules	string[]
webhooks	Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook.	NotificationSettingWebhooks

NotificationSettingWebhooks

Nom	Description	Valeur
{propriété personnalisée}		webhook

Webhook

Nom	Description	Valeur
eventType	Envoyer un rappel sur un événement de notification spécifié	corde
webhookType	Définir le type d’objet	AzureDevOps (obligatoire)

AzureDevOpsWebhook

Nom	Description	Valeur
webhookType	[Obligatoire] Spécifie le type de service à envoyer un rappel	'AzureDevOps' (obligatoire)

ResourceBaseProperties

Nom	Description	Valeur
{propriété personnalisée}		corde

JobBaseSecretsConfiguration

Nom	Description	Valeur
{propriété personnalisée}		SecretConfiguration

SecretConfiguration

Nom	Description	Valeur
URI	URI de secret. Exemple d’URI : https://myvault.vault.azure.net/secrets/mysecretname/secretversion	corde
workspaceSecretName	Nom du secret dans le coffre de clés de l’espace de travail.	corde

JobBaseServices

Nom	Description	Valeur
{propriété personnalisée}		JobService

JobService

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

Nœuds

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

AllNodes

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

JobServiceProperties

Nom	Description	Valeur
{propriété personnalisée}		corde

AutoMLJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'AutoML' (obligatoire)
environmentId	ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.	corde
environmentVariables	Variables d’environnement incluses dans le travail.	AutoMLJobEnvironmentVariables
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	AutoMLJobOutputs
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
{propriété personnalisée}		corde

AutoMLJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

JobOutput

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

CustomModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'custom_model' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

AutoDeleteSetting

Nom	Description	Valeur
condition	Quand vérifier si une ressource a expiré	'CreatedGreaterThan' 'LastAccessedGreaterThan'
valeur	Valeur de condition d’expiration.	corde

MLFlowModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'mlflow_model' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

MLTableJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'mltable' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

TritonModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'triton_model' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

UriFileJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'uri_file' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

UriFolderJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'uri_folder' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

QueueSettings

Nom	Description	Valeur
jobTier	Contrôle le niveau de travail de calcul	'De base' 'Null' 'Premium' 'Spot' 'Standard'
priorité	Contrôle la priorité du travail sur un calcul.	Int

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
Lieux	Emplacements où le travail peut s’exécuter.	string[]
maxInstanceCount	Nombre maximal maximal facultatif d’instances ou de nœuds à utiliser par la cible de calcul. Pour une utilisation avec l’entraînement élastique, actuellement pris en charge par le type de distribution PyTorch uniquement.	Int
Propriétés	Conteneur de propriétés supplémentaires.	ResourceConfigurationProperties
shmSize	Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets).	corde Contraintes: Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

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

AutoMLVertical

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

MLTableJobInput

Nom	Description	Valeur
description	Description de l’entrée.	corde
jobInputType	[Obligatoire] Spécifie le type de travail.	'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

Classification

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

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom	Description	Valeur
{propriété personnalisée}		corde

TableVerticalFeaturizationSettingsTransformerParams

Nom	Description	Valeur
{propriété personnalisée}		columnTransformer[]

ColumnTransformer

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

TableFixedParameters

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

TableVerticalLimitSettings

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

NCrossValidations

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

AutoNCrossValidations

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

CustomNCrossValidations

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

TableParameterSubspace

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

TableSweepSettings

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

EarlyTerminationPolicy

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

BanditPolicy

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

MedianStoppingPolicy

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

TruncationSelectionPolicy

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

ClassificationTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de classification.	Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de classification.	Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	'Auto' 'Distributed' 'NonDistributed'

StackEnsembleSettings

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

Prévision

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

ForecastingSettings

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

ForecastHorizon

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

AutoForecastHorizon

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

CustomForecastHorizon

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

Saisonnalité

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

AutoSeasonality

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

CustomSeasonality

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

TargetLags

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

AutoTargetLags

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

CustomTargetLags

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

TargetRollingWindowSize

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

AutoTargetRollingWindowSize

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

CustomTargetRollingWindowSize

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

ForecastingTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de prévision.	Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de prévision.	Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	'Auto' 'Distributed' 'NonDistributed'

ImageClassification

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

ImageLimitSettings

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

ImageModelSettingsClassification

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

MLFlowModelJobInput

Nom	Description	Valeur
description	Description de l’entrée.	corde
jobInputType	[Obligatoire] Spécifie le type de travail.	'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

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

ImageSweepSettings

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageModelSettingsObjectDetection

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

ImageModelDistributionSettingsObjectDetection

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

ImageObjectDetection

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

Régression

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

RegressionTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de régression.	Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de régression.	Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	'Auto' 'Distributed' 'NonDistributed'

TextClassification

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

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

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

NlpVerticalLimitSettings

Nom	Description	Valeur
maxConcurrentTrials	Nombre maximal d’itérations AutoML simultanées.	Int
maxNodes	Nombre maximal de nœuds à utiliser pour l’expérience.	Int
maxTrials	Nombre d’itérations AutoML.	Int
Timeout	Délai d’expiration du travail AutoML.	corde
trialTimeout	Délai d’expiration pour les essais HD individuels.	corde

NlpParameterSubspace

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

NlpSweepSettings

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

TextClassificationMultilabel

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

TextNer

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

CommandJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'Command' (obligatoire)
autologgerSettings	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.	AutologgerSettings
codeId	ID de ressource ARM de la ressource de code.	corde
commander	[Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py »	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
distribution	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch, Ray ou Null.	distributionConfiguration
environmentId	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
environmentVariables	Variables d’environnement incluses dans le travail.	CommandJobEnvironmentVariables
Entrées	Mappage des liaisons de données d’entrée utilisées dans le travail.	CommandJobInputs
Limites	Limite du travail de commande.	CommandJobLimits
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	CommandJobOutputs
queueSettings	Paramètres de file d’attente du travail	QueueSettings
ressources	Configuration des ressources de calcul pour le travail.	JobResourceConfiguration

AutologgerSettings

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

DistributionConfiguration

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

Mpi

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

PyTorch

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

Rayon

Nom	Description	Valeur
distributionType	[Obligatoire] Spécifie le type d’infrastructure de distribution.	'Ray' (obligatoire)
adresse	Adresse du nœud principal Ray.	corde
dashboardPort	Port auquel lier le serveur de tableau de bord.	Int
headNodeAdditionalArgs	Arguments supplémentaires passés au début du rayon dans le nœud principal.	corde
includeDashboard	Fournissez cet argument pour démarrer l’interface utilisateur utilisateur du tableau de bord Ray.	Bool
port	Port du processus de rayon de tête.	Int
workerNodeAdditionalArgs	Arguments supplémentaires passés au début du rayon dans le nœud Worker.	corde

TensorFlow

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

CommandJobEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

CommandJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

JobInput

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

CustomModelJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'custom_model' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

LiteralJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'littéral' (obligatoire)
valeur	[Obligatoire] Valeur littérale de l’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'triton_model' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

UriFileJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'uri_file' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

UriFolderJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'uri_folder' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

FineTuningJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'FineTuning' (obligatoire)
fineTuningDetails	[Obligatoire]	FineTuningVertical (obligatoire)
Sorties	[Obligatoire]	FineTuningJobOutputs (obligatoire)

FineTuningVertical

Nom	Description	Valeur
modèle	[Obligatoire] Modèle d’entrée pour le réglage précis.	MLFlowModelJobInput (obligatoire)
taskType	[Obligatoire] Ajuster le type de tâche.	'ChatCompletion' 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'QuestionAnswering' 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' 'TokenClassification' 'VideoMultiObjectTracking' (obligatoire)
trainingData	[Obligatoire] Données d’apprentissage pour le réglage précis.	jobInput (obligatoire)
validationData	Données de validation pour le réglage précis.	JobInput
modelProvider	Définir le type d’objet	AzureOpenAI personnalisé (obligatoire)

AzureOpenAiFineTuning

Nom	Description	Valeur
modelProvider	[Obligatoire] Énumération pour déterminer le type de réglage précis.	'AzureOpenAI' (obligatoire)
hyperParameters	HyperParameters pour affiner le modèle Azure Open AI.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Nom	Description	Valeur
batchSize	Nombre d’exemples dans chaque lot. Une plus grande taille de lot signifie que les paramètres de modèle sont mis à jour moins fréquemment, mais avec une variation inférieure.	Int
learningRateMultiplier	Facteur de mise à l’échelle pour le taux d’apprentissage. Un taux d’apprentissage plus petit peut être utile pour éviter le surajustement.	Int
nEpochs	Nombre d’époques pour laquelle effectuer l’apprentissage du modèle. Une époque fait référence à un cycle complet dans le jeu de données d’apprentissage.	Int

CustomModelFineTuning

Nom	Description	Valeur
modelProvider	[Obligatoire] Énumération pour déterminer le type de réglage précis.	'Custom' (obligatoire)
hyperParameters	HyperParameters pour ajuster le modèle personnalisé.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Nom	Description	Valeur
{propriété personnalisée}		corde

FineTuningJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

LabelingJobProperties

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

LabelingDataConfiguration

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

LabelingJobInstructions

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

LabelingJobLabelCategories

Nom	Description	Valeur
{propriété personnalisée}		LabelCategory

LabelCategory

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

LabelCategoryClasses

Nom	Description	Valeur
{propriété personnalisée}		labelClass

LabelClass

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

LabelClassSubclasses

Nom	Description	Valeur
{propriété personnalisée}		labelClass

LabelingJobMediaProperties

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

LabelingJobImageProperties

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

LabelingJobTextProperties

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

MLAssistConfiguration

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

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nom	Description	Valeur
mlAssist	[Obligatoire] Indique si la fonctionnalité MLAssist est activée.	'Enabled' (obligatoire)
inferencingComputeBinding	[Obligatoire] Liaison de calcul AML utilisée dans l’inférence.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
trainingComputeBinding	[Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

PipelineJob

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

PipelineJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

PipelineJobJobs

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

PipelineJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SparkJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'Spark' (obligatoire)
archives	Archiver les fichiers utilisés dans le travail.	string[]
args	Arguments du travail.	corde
codeId	[Obligatoire] ID de ressource ARM de la ressource de code.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
Conf	Propriétés configurées par Spark.	sparkJobConf
entrée	[Obligatoire] Entrée à exécuter au démarrage du travail.	SparkJobEntry (obligatoire)
environmentId	ID de ressource ARM de la spécification d’environnement pour le travail.	corde
environmentVariables	Variables d’environnement incluses dans le travail.	SparkJobEnvironmentVariables
Fichiers	Fichiers utilisés dans le travail.	string[]
Entrées	Mappage des liaisons de données d’entrée utilisées dans le travail.	SparkJobInputs
Pots	Fichiers jar utilisés dans le travail.	string[]
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	SparkJobOutputs
pyFiles	Fichiers Python utilisés dans le travail.	string[]
queueSettings	Paramètres de file d’attente du travail	QueueSettings
ressources	Configuration des ressources de calcul pour le travail.	SparkResourceConfiguration

SparkJobConf

Nom	Description	Valeur
{propriété personnalisée}		corde

SparkJobEntry

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

SparkJobPythonEntry

Nom	Description	Valeur
sparkJobEntryType	[Obligatoire] Type du point d’entrée du travail.	'SparkJobPythonEntry' (obligatoire)
lime	[Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom	Description	Valeur
sparkJobEntryType	[Obligatoire] Type du point d’entrée du travail.	'SparkJobScalaEntry' (obligatoire)
className	[Obligatoire] Nom de classe Scala utilisé comme point d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SparkJobEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

SparkJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

SparkJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SparkResourceConfiguration

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

SweepJob

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

ComponentConfiguration

Nom	Description	Valeur
pipelineSettings	Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc.	Pour Bicep, vous pouvez utiliser la fonction any().

SweepJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

SweepJobLimits

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

Objectif

Nom	Description	Valeur
but	[Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres	'Agrandir' 'Réduire' (obligatoire)
primaryMetric	[Obligatoire] Nom de la métrique à optimiser.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SweepJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SamplingAlgorithm

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

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

Nom	Description	Valeur
samplingAlgorithmType	[Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration	'Random' (obligatoire)
logbase	Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux	corde
règle	Type spécifique d’algorithme aléatoire	'Random' 'Sobol'
Graines	Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires	Int

TrialComponent

Nom	Description	Valeur
codeId	ID de ressource ARM de la ressource de code.	corde
commander	[Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py »	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
distribution	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.	distributionConfiguration
environmentId	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
environmentVariables	Variables d’environnement incluses dans le travail.	TrialComponentEnvironmentVariables
ressources	Configuration des ressources de calcul pour le travail.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

Modèles de démarrage rapide

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

Modèle	Description
Créer un travail de classification AutoML Azure Machine Learning	Ce modèle crée un travail de classification AutoML Azure Machine Learning pour déterminer le meilleur modèle pour prédire si un client s’abonnera à un dépôt à terme fixe auprès d’une institution financière.
créer un travail de commande Azure Machine Learning	Ce modèle crée un travail de commande Azure Machine Learning avec un script de base hello_world
créer un travail De balayage Azure Machine Learning	Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.

Définition de ressource de modèle ARM

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

• groupes de ressources - Consultez commandes de déploiement de groupes de ressources

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

Format de ressource

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

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2024-04-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      }
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Objets JobBaseProperties

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

Pour AutoML, utilisez :

  "jobType": "AutoML",
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

Pour commande, utilisez :

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

Pour FineTuning, utilisez :

  "jobType": "FineTuning",
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "validationData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "modelProvider": "string"
    // For remaining properties, see FineTuningVertical objects
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  }

Pour d’étiquetage, utilisez :

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

Pour pipeline, utilisez :

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

Pour Spark, utilisez :

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

Pour de balayage, utilisez :

  "jobType": "Sweep",
  "componentConfiguration": {
    "pipelineSettings": {}
  },
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "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",
      "locations": [ "string" ],
      "maxInstanceCount": "int",
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }

Objets IdentityConfiguration

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

Pour AMLToken, utilisez :

  "identityType": "AMLToken"

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

  "identityType": "UserIdentity"

Objets Webhook

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

Pour AzureDevOps, utilisez :

  "webhookType": "AzureDevOps"

Objets nœuds

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

Pour tous les, utilisez :

  "nodesValueType": "All"

Objets JobOutput

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

Pour custom_model, utilisez :

  "jobOutputType": "custom_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

Pour mlflow_model, utilisez :

  "jobOutputType": "mlflow_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

Pour mltable, utilisez :

  "jobOutputType": "mltable",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

Pour triton_model, utilisez :

  "jobOutputType": "triton_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

Pour uri_file, utilisez :

  "jobOutputType": "uri_file",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

Pour uri_folder, utilisez :

  "jobOutputType": "uri_folder",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

Objets AutoMLVertical

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

Pour de classification, utilisez :

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

Pour prévision, utilisez :

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

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

Objets NCrossValidations

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

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets EarlyTerminationPolicy

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

Pour Bandit, utilisez :

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

Pour médiane, utilisez :

  "policyType": "MedianStopping"

Pour truncationSelection, utilisez :

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

Objets ForecastHorizon

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

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets de saisonnalité

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

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets TargetLags

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

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets TargetRollingWindowSize

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

Pour automatique, utilisez :

  "mode": "Auto"

Pour personnalisé, utilisez :

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

Objets DistributionConfiguration

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

Pour Mpi, utilisez :

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

Pour PyTorch, utilisez :

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

Pour Ray, utilisez :

  "distributionType": "Ray",
  "address": "string",
  "dashboardPort": "int",
  "headNodeAdditionalArgs": "string",
  "includeDashboard": "bool",
  "port": "int",
  "workerNodeAdditionalArgs": "string"

Pour TensorFlow, utilisez :

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

Objets JobInput

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

Pour custom_model, utilisez :

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

Pour littéral, utilisez :

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

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets FineTuningVertical

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

Pour AzureOpenAI, utilisez :

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

Pour personnalisé, utilisez :

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

Objets LabelingJobMediaProperties

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

Pour image, utilisez :

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

Pour texte, utilisez :

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

Objets MLAssistConfiguration

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

Pour désactivé, utilisez :

  "mlAssist": "Disabled"

Pour activé, utilisez :

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

Objets SparkJobEntry

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

Pour SparkJobPythonEntry, utilisez :

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

Pour SparkJobScalaEntry, utilisez :

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

Objets SamplingAlgorithm

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

Pour bayésien, utilisez :

  "samplingAlgorithmType": "Bayesian"

Pour grille, utilisez :

  "samplingAlgorithmType": "Grid"

Pour aléatoire, utilisez :

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

Valeurs de propriété

espaces de travail/travaux

Nom	Description	Valeur
type	Type de ressource	'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion	Version de l’API de ressource	'2024-04-01-preview'
nom	Nom de la ressource Découvrez comment définir des noms et des types pour les ressources enfants dans modèles ARM JSON.	chaîne (obligatoire)
Propriétés	[Obligatoire] Attributs supplémentaires de l’entité.	jobBaseProperties (obligatoire)

JobBaseProperties

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

IdentityConfiguration

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

AmlToken

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

ManagedIdentity

Nom	Description	Valeur
identityType	[Obligatoire] Spécifie le type d’infrastructure d’identité.	'Managed' (obligatoire)
clientId	Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ.	corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ.	corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ.	corde

UserIdentity

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

NotificationSetting

Nom	Description	Valeur
emailOn	Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié	Tableau de chaînes contenant l’un des éléments suivants : 'JobCancelled' 'JobCompleted' 'JobFailed'
e-mails	Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules	string[]
webhooks	Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook.	NotificationSettingWebhooks

NotificationSettingWebhooks

Nom	Description	Valeur
{propriété personnalisée}		webhook

Webhook

Nom	Description	Valeur
eventType	Envoyer un rappel sur un événement de notification spécifié	corde
webhookType	Définir le type d’objet	AzureDevOps (obligatoire)

AzureDevOpsWebhook

Nom	Description	Valeur
webhookType	[Obligatoire] Spécifie le type de service à envoyer un rappel	'AzureDevOps' (obligatoire)

ResourceBaseProperties

Nom	Description	Valeur
{propriété personnalisée}		corde

JobBaseSecretsConfiguration

Nom	Description	Valeur
{propriété personnalisée}		SecretConfiguration

SecretConfiguration

Nom	Description	Valeur
URI	URI de secret. Exemple d’URI : https://myvault.vault.azure.net/secrets/mysecretname/secretversion	corde
workspaceSecretName	Nom du secret dans le coffre de clés de l’espace de travail.	corde

JobBaseServices

Nom	Description	Valeur
{propriété personnalisée}		JobService

JobService

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

Nœuds

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

AllNodes

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

JobServiceProperties

Nom	Description	Valeur
{propriété personnalisée}		corde

AutoMLJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'AutoML' (obligatoire)
environmentId	ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.	corde
environmentVariables	Variables d’environnement incluses dans le travail.	AutoMLJobEnvironmentVariables
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	AutoMLJobOutputs
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
{propriété personnalisée}		corde

AutoMLJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

JobOutput

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

CustomModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'custom_model' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

AutoDeleteSetting

Nom	Description	Valeur
condition	Quand vérifier si une ressource a expiré	'CreatedGreaterThan' 'LastAccessedGreaterThan'
valeur	Valeur de condition d’expiration.	corde

MLFlowModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'mlflow_model' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

MLTableJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'mltable' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

TritonModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'triton_model' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

UriFileJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'uri_file' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

UriFolderJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	'uri_folder' (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	'Direct' 'ReadWriteMount' 'Upload'
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

QueueSettings

Nom	Description	Valeur
jobTier	Contrôle le niveau de travail de calcul	'De base' 'Null' 'Premium' 'Spot' 'Standard'
priorité	Contrôle la priorité du travail sur un calcul.	Int

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
Lieux	Emplacements où le travail peut s’exécuter.	string[]
maxInstanceCount	Nombre maximal maximal facultatif d’instances ou de nœuds à utiliser par la cible de calcul. Pour une utilisation avec l’entraînement élastique, actuellement pris en charge par le type de distribution PyTorch uniquement.	Int
Propriétés	Conteneur de propriétés supplémentaires.	ResourceConfigurationProperties
shmSize	Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets).	corde Contraintes: Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom	Description	Valeur
{propriété personnalisée}

AutoMLVertical

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

MLTableJobInput

Nom	Description	Valeur
description	Description de l’entrée.	corde
jobInputType	[Obligatoire] Spécifie le type de travail.	'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

Classification

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

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom	Description	Valeur
{propriété personnalisée}		corde

TableVerticalFeaturizationSettingsTransformerParams

Nom	Description	Valeur
{propriété personnalisée}		columnTransformer[]

ColumnTransformer

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

TableFixedParameters

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

TableVerticalLimitSettings

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

NCrossValidations

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

AutoNCrossValidations

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

CustomNCrossValidations

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

TableParameterSubspace

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

TableSweepSettings

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

EarlyTerminationPolicy

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

BanditPolicy

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

MedianStoppingPolicy

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

TruncationSelectionPolicy

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

ClassificationTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de classification.	Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de classification.	Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	'Auto' 'Distributed' 'NonDistributed'

StackEnsembleSettings

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

Prévision

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

ForecastingSettings

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

ForecastHorizon

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

AutoForecastHorizon

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

CustomForecastHorizon

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

Saisonnalité

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

AutoSeasonality

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

CustomSeasonality

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

TargetLags

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

AutoTargetLags

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

CustomTargetLags

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

TargetRollingWindowSize

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

AutoTargetRollingWindowSize

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

CustomTargetRollingWindowSize

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

ForecastingTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de prévision.	Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de prévision.	Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	'Auto' 'Distributed' 'NonDistributed'

ImageClassification

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

ImageLimitSettings

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

ImageModelSettingsClassification

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

MLFlowModelJobInput

Nom	Description	Valeur
description	Description de l’entrée.	corde
jobInputType	[Obligatoire] Spécifie le type de travail.	'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

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

ImageSweepSettings

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageModelSettingsObjectDetection

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

ImageModelDistributionSettingsObjectDetection

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

ImageObjectDetection

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

Régression

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

RegressionTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de régression.	Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de régression.	Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	'Auto' 'Distributed' 'NonDistributed'

TextClassification

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

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

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

NlpVerticalLimitSettings

Nom	Description	Valeur
maxConcurrentTrials	Nombre maximal d’itérations AutoML simultanées.	Int
maxNodes	Nombre maximal de nœuds à utiliser pour l’expérience.	Int
maxTrials	Nombre d’itérations AutoML.	Int
Timeout	Délai d’expiration du travail AutoML.	corde
trialTimeout	Délai d’expiration pour les essais HD individuels.	corde

NlpParameterSubspace

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

NlpSweepSettings

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

TextClassificationMultilabel

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

TextNer

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

CommandJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'Command' (obligatoire)
autologgerSettings	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.	AutologgerSettings
codeId	ID de ressource ARM de la ressource de code.	corde
commander	[Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py »	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
distribution	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch, Ray ou Null.	distributionConfiguration
environmentId	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
environmentVariables	Variables d’environnement incluses dans le travail.	CommandJobEnvironmentVariables
Entrées	Mappage des liaisons de données d’entrée utilisées dans le travail.	CommandJobInputs
Limites	Limite du travail de commande.	CommandJobLimits
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	CommandJobOutputs
queueSettings	Paramètres de file d’attente du travail	QueueSettings
ressources	Configuration des ressources de calcul pour le travail.	JobResourceConfiguration

AutologgerSettings

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

DistributionConfiguration

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

Mpi

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

PyTorch

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

Rayon

Nom	Description	Valeur
distributionType	[Obligatoire] Spécifie le type d’infrastructure de distribution.	'Ray' (obligatoire)
adresse	Adresse du nœud principal Ray.	corde
dashboardPort	Port auquel lier le serveur de tableau de bord.	Int
headNodeAdditionalArgs	Arguments supplémentaires passés au début du rayon dans le nœud principal.	corde
includeDashboard	Fournissez cet argument pour démarrer l’interface utilisateur utilisateur du tableau de bord Ray.	Bool
port	Port du processus de rayon de tête.	Int
workerNodeAdditionalArgs	Arguments supplémentaires passés au début du rayon dans le nœud Worker.	corde

TensorFlow

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

CommandJobEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

CommandJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

JobInput

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

CustomModelJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'custom_model' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

LiteralJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'littéral' (obligatoire)
valeur	[Obligatoire] Valeur littérale de l’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'triton_model' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

UriFileJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'uri_file' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

UriFolderJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	'uri_folder' (obligatoire)
mode	Mode de remise des ressources d’entrée.	'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

FineTuningJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'FineTuning' (obligatoire)
fineTuningDetails	[Obligatoire]	FineTuningVertical (obligatoire)
Sorties	[Obligatoire]	FineTuningJobOutputs (obligatoire)

FineTuningVertical

Nom	Description	Valeur
modèle	[Obligatoire] Modèle d’entrée pour le réglage précis.	MLFlowModelJobInput (obligatoire)
taskType	[Obligatoire] Ajuster le type de tâche.	'ChatCompletion' 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'QuestionAnswering' 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' 'TokenClassification' 'VideoMultiObjectTracking' (obligatoire)
trainingData	[Obligatoire] Données d’apprentissage pour le réglage précis.	jobInput (obligatoire)
validationData	Données de validation pour le réglage précis.	JobInput
modelProvider	Définir le type d’objet	AzureOpenAI personnalisé (obligatoire)

AzureOpenAiFineTuning

Nom	Description	Valeur
modelProvider	[Obligatoire] Énumération pour déterminer le type de réglage précis.	'AzureOpenAI' (obligatoire)
hyperParameters	HyperParameters pour affiner le modèle Azure Open AI.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Nom	Description	Valeur
batchSize	Nombre d’exemples dans chaque lot. Une plus grande taille de lot signifie que les paramètres de modèle sont mis à jour moins fréquemment, mais avec une variation inférieure.	Int
learningRateMultiplier	Facteur de mise à l’échelle pour le taux d’apprentissage. Un taux d’apprentissage plus petit peut être utile pour éviter le surajustement.	Int
nEpochs	Nombre d’époques pour laquelle effectuer l’apprentissage du modèle. Une époque fait référence à un cycle complet dans le jeu de données d’apprentissage.	Int

CustomModelFineTuning

Nom	Description	Valeur
modelProvider	[Obligatoire] Énumération pour déterminer le type de réglage précis.	'Custom' (obligatoire)
hyperParameters	HyperParameters pour ajuster le modèle personnalisé.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Nom	Description	Valeur
{propriété personnalisée}		corde

FineTuningJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

LabelingJobProperties

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

LabelingDataConfiguration

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

LabelingJobInstructions

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

LabelingJobLabelCategories

Nom	Description	Valeur
{propriété personnalisée}		LabelCategory

LabelCategory

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

LabelCategoryClasses

Nom	Description	Valeur
{propriété personnalisée}		labelClass

LabelClass

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

LabelClassSubclasses

Nom	Description	Valeur
{propriété personnalisée}		labelClass

LabelingJobMediaProperties

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

LabelingJobImageProperties

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

LabelingJobTextProperties

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

MLAssistConfiguration

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

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nom	Description	Valeur
mlAssist	[Obligatoire] Indique si la fonctionnalité MLAssist est activée.	'Enabled' (obligatoire)
inferencingComputeBinding	[Obligatoire] Liaison de calcul AML utilisée dans l’inférence.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
trainingComputeBinding	[Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

PipelineJob

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

PipelineJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

PipelineJobJobs

Nom	Description	Valeur
{propriété personnalisée}

PipelineJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SparkJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	'Spark' (obligatoire)
archives	Archiver les fichiers utilisés dans le travail.	string[]
args	Arguments du travail.	corde
codeId	[Obligatoire] ID de ressource ARM de la ressource de code.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
Conf	Propriétés configurées par Spark.	sparkJobConf
entrée	[Obligatoire] Entrée à exécuter au démarrage du travail.	SparkJobEntry (obligatoire)
environmentId	ID de ressource ARM de la spécification d’environnement pour le travail.	corde
environmentVariables	Variables d’environnement incluses dans le travail.	SparkJobEnvironmentVariables
Fichiers	Fichiers utilisés dans le travail.	string[]
Entrées	Mappage des liaisons de données d’entrée utilisées dans le travail.	SparkJobInputs
Pots	Fichiers jar utilisés dans le travail.	string[]
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	SparkJobOutputs
pyFiles	Fichiers Python utilisés dans le travail.	string[]
queueSettings	Paramètres de file d’attente du travail	QueueSettings
ressources	Configuration des ressources de calcul pour le travail.	SparkResourceConfiguration

SparkJobConf

Nom	Description	Valeur
{propriété personnalisée}		corde

SparkJobEntry

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

SparkJobPythonEntry

Nom	Description	Valeur
sparkJobEntryType	[Obligatoire] Type du point d’entrée du travail.	'SparkJobPythonEntry' (obligatoire)
lime	[Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom	Description	Valeur
sparkJobEntryType	[Obligatoire] Type du point d’entrée du travail.	'SparkJobScalaEntry' (obligatoire)
className	[Obligatoire] Nom de classe Scala utilisé comme point d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SparkJobEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

SparkJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

SparkJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SparkResourceConfiguration

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

SweepJob

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

ComponentConfiguration

Nom	Description	Valeur
pipelineSettings	Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc.

SweepJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

SweepJobLimits

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

Objectif

Nom	Description	Valeur
but	[Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres	'Agrandir' 'Réduire' (obligatoire)
primaryMetric	[Obligatoire] Nom de la métrique à optimiser.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SweepJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SamplingAlgorithm

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

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

Nom	Description	Valeur
samplingAlgorithmType	[Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration	'Random' (obligatoire)
logbase	Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux	corde
règle	Type spécifique d’algorithme aléatoire	'Random' 'Sobol'
Graines	Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires	Int

TrialComponent

Nom	Description	Valeur
codeId	ID de ressource ARM de la ressource de code.	corde
commander	[Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py »	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
distribution	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.	distributionConfiguration
environmentId	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
environmentVariables	Variables d’environnement incluses dans le travail.	TrialComponentEnvironmentVariables
ressources	Configuration des ressources de calcul pour le travail.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

Modèles de démarrage rapide

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

Modèle	Description
Créer un travail de classification AutoML Azure Machine Learning	Ce modèle crée un travail de classification AutoML Azure Machine Learning pour déterminer le meilleur modèle pour prédire si un client s’abonnera à un dépôt à terme fixe auprès d’une institution financière.
créer un travail de commande Azure Machine Learning	Ce modèle crée un travail de commande Azure Machine Learning avec un script de base hello_world
créer un travail De balayage Azure Machine Learning	Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.

Définition de ressource Terraform (fournisseur AzAPI)

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

• groupes de ressources

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

Format de ressource

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      notificationSetting = {
        emailOn = [
          "string"
        ]
        emails = [
          "string"
        ]
        webhooks = {
          {customized property} = {
            eventType = "string"
            webhookType = "string"
            // For remaining properties, see Webhook objects
          }
        }
      }
      properties = {
        {customized property} = "string"
      }
      secretsConfiguration = {
        {customized property} = {
          uri = "string"
          workspaceSecretName = "string"
        }
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

Objets JobBaseProperties

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

Pour AutoML, utilisez :

  jobType = "AutoML"
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    maxInstanceCount = int
    properties = {}
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

Pour commande, utilisez :

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

Pour FineTuning, utilisez :

  jobType = "FineTuning"
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    validationData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    modelProvider = "string"
    // For remaining properties, see FineTuningVertical objects
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }

Pour d’étiquetage, utilisez :

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

Pour pipeline, utilisez :

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

Pour Spark, utilisez :

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

Pour de balayage, utilisez :

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

Objets IdentityConfiguration

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

Pour AMLToken, utilisez :

  identityType = "AMLToken"

Pour managé, utilisez :

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

Pour userIdentity, utilisez :

  identityType = "UserIdentity"

Objets Webhook

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

Pour AzureDevOps, utilisez :

  webhookType = "AzureDevOps"

Objets nœuds

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

Pour tous les, utilisez :

  nodesValueType = "All"

Objets JobOutput

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

Pour custom_model, utilisez :

  jobOutputType = "custom_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

Pour mlflow_model, utilisez :

  jobOutputType = "mlflow_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

Pour mltable, utilisez :

  jobOutputType = "mltable"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

Pour triton_model, utilisez :

  jobOutputType = "triton_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

Pour uri_file, utilisez :

  jobOutputType = "uri_file"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

Pour uri_folder, utilisez :

  jobOutputType = "uri_folder"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

Objets AutoMLVertical

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

Pour de classification, utilisez :

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

Pour prévision, utilisez :

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

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

Objets NCrossValidations

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

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets EarlyTerminationPolicy

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

Pour Bandit, utilisez :

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Pour médiane, utilisez :

  policyType = "MedianStopping"

Pour truncationSelection, utilisez :

  policyType = "TruncationSelection"
  truncationPercentage = int

Objets ForecastHorizon

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

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets de saisonnalité

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

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets TargetLags

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

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  values = [
    int
  ]

Objets TargetRollingWindowSize

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

Pour automatique, utilisez :

  mode = "Auto"

Pour personnalisé, utilisez :

  mode = "Custom"
  value = int

Objets DistributionConfiguration

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

Pour Mpi, utilisez :

  distributionType = "Mpi"
  processCountPerInstance = int

Pour PyTorch, utilisez :

  distributionType = "PyTorch"
  processCountPerInstance = int

Pour Ray, utilisez :

  distributionType = "Ray"
  address = "string"
  dashboardPort = int
  headNodeAdditionalArgs = "string"
  includeDashboard = bool
  port = int
  workerNodeAdditionalArgs = "string"

Pour TensorFlow, utilisez :

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Objets JobInput

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

Pour custom_model, utilisez :

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

Pour littéral, utilisez :

  jobInputType = "literal"
  value = "string"

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets FineTuningVertical

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

Pour AzureOpenAI, utilisez :

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

Pour personnalisé, utilisez :

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

Objets LabelingJobMediaProperties

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

Pour image, utilisez :

  mediaType = "Image"
  annotationType = "string"

Pour texte, utilisez :

  mediaType = "Text"
  annotationType = "string"

Objets MLAssistConfiguration

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

Pour désactivé, utilisez :

  mlAssist = "Disabled"

Pour activé, utilisez :

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

Objets SparkJobEntry

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

Pour SparkJobPythonEntry, utilisez :

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

Pour SparkJobScalaEntry, utilisez :

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "string"

Objets SamplingAlgorithm

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

Pour bayésien, utilisez :

  samplingAlgorithmType = "Bayesian"

Pour grille, utilisez :

  samplingAlgorithmType = "Grid"

Pour aléatoire, utilisez :

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

Valeurs de propriété

espaces de travail/travaux

Nom	Description	Valeur
type	Type de ressource	« Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview »
nom	Nom de la ressource	chaîne (obligatoire)
parent_id	ID de la ressource qui est le parent de cette ressource.	ID de ressource de type : espaces de travail
Propriétés	[Obligatoire] Attributs supplémentaires de l’entité.	jobBaseProperties (obligatoire)

JobBaseProperties

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

IdentityConfiguration

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

AmlToken

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

ManagedIdentity

Nom	Description	Valeur
identityType	[Obligatoire] Spécifie le type d’infrastructure d’identité.	« Géré » (obligatoire)
clientId	Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ.	corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ.	corde Contraintes: Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ.	corde

UserIdentity

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

NotificationSetting

Nom	Description	Valeur
emailOn	Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié	Tableau de chaînes contenant l’un des éléments suivants : « JobCancelled » « JobCompleted » « Échec du travail »
e-mails	Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules	string[]
webhooks	Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook.	NotificationSettingWebhooks

NotificationSettingWebhooks

Nom	Description	Valeur
{propriété personnalisée}		webhook

Webhook

Nom	Description	Valeur
eventType	Envoyer un rappel sur un événement de notification spécifié	corde
webhookType	Définir le type d’objet	AzureDevOps (obligatoire)

AzureDevOpsWebhook

Nom	Description	Valeur
webhookType	[Obligatoire] Spécifie le type de service à envoyer un rappel	« AzureDevOps » (obligatoire)

ResourceBaseProperties

Nom	Description	Valeur
{propriété personnalisée}		corde

JobBaseSecretsConfiguration

Nom	Description	Valeur
{propriété personnalisée}		SecretConfiguration

SecretConfiguration

Nom	Description	Valeur
URI	URI de secret. Exemple d’URI : https://myvault.vault.azure.net/secrets/mysecretname/secretversion	corde
workspaceSecretName	Nom du secret dans le coffre de clés de l’espace de travail.	corde

JobBaseServices

Nom	Description	Valeur
{propriété personnalisée}		JobService

JobService

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

Nœuds

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

AllNodes

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

JobServiceProperties

Nom	Description	Valeur
{propriété personnalisée}		corde

AutoMLJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	« AutoML » (obligatoire)
environmentId	ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.	corde
environmentVariables	Variables d’environnement incluses dans le travail.	AutoMLJobEnvironmentVariables
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	AutoMLJobOutputs
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
{propriété personnalisée}		corde

AutoMLJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

JobOutput

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

CustomModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	« custom_model » (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	« Direct » « ReadWriteMount » « Charger »
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

AutoDeleteSetting

Nom	Description	Valeur
condition	Quand vérifier si une ressource a expiré	« CreatedGreaterThan » « LastAccessedGreaterThan »
valeur	Valeur de condition d’expiration.	corde

MLFlowModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	« mlflow_model » (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	« Direct » « ReadWriteMount » « Charger »
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

MLTableJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	« mltable » (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	« Direct » « ReadWriteMount » « Charger »
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

TritonModelJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	« triton_model » (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	« Direct » « ReadWriteMount » « Charger »
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

UriFileJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	« uri_file » (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	« Direct » « ReadWriteMount » « Charger »
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

UriFolderJobOutput

Nom	Description	Valeur
jobOutputType	[Obligatoire] Spécifie le type de travail.	« uri_folder » (obligatoire)
assetName	Nom de la ressource de sortie.	corde
assetVersion	Version de ressource de sortie.	corde
autoDeleteSetting	Paramètre de suppression automatique de la ressource de données de sortie.	AutoDeleteSetting
mode	Mode de remise des ressources de sortie.	« Direct » « ReadWriteMount » « Charger »
pathOnCompute	Chemin de remise des ressources de sortie.	corde
URI	URI de ressource de sortie.	corde

QueueSettings

Nom	Description	Valeur
jobTier	Contrôle le niveau de travail de calcul	« De base » « Null » « Premium » « Spot » « Standard »
priorité	Contrôle la priorité du travail sur un calcul.	Int

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
Lieux	Emplacements où le travail peut s’exécuter.	string[]
maxInstanceCount	Nombre maximal maximal facultatif d’instances ou de nœuds à utiliser par la cible de calcul. Pour une utilisation avec l’entraînement élastique, actuellement pris en charge par le type de distribution PyTorch uniquement.	Int
Propriétés	Conteneur de propriétés supplémentaires.	ResourceConfigurationProperties
shmSize	Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets).	corde Contraintes: Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom	Description	Valeur
{propriété personnalisée}

AutoMLVertical

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

MLTableJobInput

Nom	Description	Valeur
description	Description de l’entrée.	corde
jobInputType	[Obligatoire] Spécifie le type de travail.	« custom_model » « littéral » « mlflow_model » « mltable » « triton_model » « uri_file » « uri_folder » (obligatoire)
mode	Mode de remise des ressources d’entrée.	« Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount »
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

Classification

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

TableVerticalFeaturizationSettings

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

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom	Description	Valeur
{propriété personnalisée}		corde

TableVerticalFeaturizationSettingsTransformerParams

Nom	Description	Valeur
{propriété personnalisée}		columnTransformer[]

ColumnTransformer

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

TableFixedParameters

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

TableVerticalLimitSettings

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

NCrossValidations

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

AutoNCrossValidations

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

CustomNCrossValidations

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

TableParameterSubspace

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

TableSweepSettings

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

EarlyTerminationPolicy

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

BanditPolicy

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

MedianStoppingPolicy

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

TruncationSelectionPolicy

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

ClassificationTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de classification.	Tableau de chaînes contenant l’un des éléments suivants : « BernoulliNaiveBayes » « DecisionTree » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LightGBM » « LinearSVM » « LogisticRegression » « MultinomialNaiveBayes » « RandomForest » « SGD » « SVM » « XGBoostClassifier »
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de classification.	Tableau de chaînes contenant l’un des éléments suivants : « BernoulliNaiveBayes » « DecisionTree » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LightGBM » « LinearSVM » « LogisticRegression » « MultinomialNaiveBayes » « RandomForest » « SGD » « SVM » « XGBoostClassifier »
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	« Auto » « Distribué » « NonDistributed »

StackEnsembleSettings

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

Prévision

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

ForecastingSettings

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

ForecastHorizon

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

AutoForecastHorizon

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

CustomForecastHorizon

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

Saisonnalité

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

AutoSeasonality

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

CustomSeasonality

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

TargetLags

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

AutoTargetLags

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

CustomTargetLags

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

TargetRollingWindowSize

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

AutoTargetRollingWindowSize

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

CustomTargetRollingWindowSize

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

ForecastingTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de prévision.	Tableau de chaînes contenant l’un des éléments suivants : « Arimax » « AutoArima » « Moyenne » « DecisionTree » « ElasticNet » « ExponentielSmoothing » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « Naive » « Prophète » « RandomForest » « SGD » « SeasonalAverage » « SeasonalNaive » « TCNForecaster » « XGBoostRegressor »
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de prévision.	Tableau de chaînes contenant l’un des éléments suivants : « Arimax » « AutoArima » « Moyenne » « DecisionTree » « ElasticNet » « ExponentielSmoothing » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « Naive » « Prophète » « RandomForest » « SGD » « SeasonalAverage » « SeasonalNaive » « TCNForecaster » « XGBoostRegressor »
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	« Auto » « Distribué » « NonDistributed »

ImageClassification

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

ImageLimitSettings

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

ImageModelSettingsClassification

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

MLFlowModelJobInput

Nom	Description	Valeur
description	Description de l’entrée.	corde
jobInputType	[Obligatoire] Spécifie le type de travail.	« custom_model » « littéral » « mlflow_model » « mltable » « triton_model » « uri_file » « uri_folder » (obligatoire)
mode	Mode de remise des ressources d’entrée.	« Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount »
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

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

ImageSweepSettings

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

ImageClassificationMultilabel

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

ImageInstanceSegmentation

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

ImageModelSettingsObjectDetection

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

ImageModelDistributionSettingsObjectDetection

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

ImageObjectDetection

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

Régression

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

RegressionTrainingSettings

Nom	Description	Valeur
allowedTrainingAlgorithms	Modèles autorisés pour la tâche de régression.	Tableau de chaînes contenant l’un des éléments suivants : « DecisionTree » « ElasticNet » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « RandomForest » « SGD » « XGBoostRegressor »
blockedTrainingAlgorithms	Modèles bloqués pour la tâche de régression.	Tableau de chaînes contenant l’un des éléments suivants : « DecisionTree » « ElasticNet » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « RandomForest » « SGD » « XGBoostRegressor »
enableDnnTraining	Activez la recommandation des modèles DNN.	Bool
enableModelExplainability	Indicateur pour activer l’explication sur le meilleur modèle.	Bool
enableOnnxCompatibleModels	Indicateur pour l’activation des modèles compatibles onnx.	Bool
enableStackEnsemble	Activez l’exécution de l’ensemble de piles.	Bool
enableVoteEnsemble	Activer l’exécution de l’ensemble de vote.	Bool
ensembleModelDownloadTimeout	Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés. Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.	corde
stackEnsembleSettings	Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles.	StackEnsembleSettings
trainingMode	Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ». Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis. Si « NonDistributed », seuls les algorithmes non distribués sont choisis.	« Auto » « Distribué » « NonDistributed »

TextClassification

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

NlpVerticalFeaturizationSettings

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

NlpFixedParameters

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

NlpVerticalLimitSettings

Nom	Description	Valeur
maxConcurrentTrials	Nombre maximal d’itérations AutoML simultanées.	Int
maxNodes	Nombre maximal de nœuds à utiliser pour l’expérience.	Int
maxTrials	Nombre d’itérations AutoML.	Int
Timeout	Délai d’expiration du travail AutoML.	corde
trialTimeout	Délai d’expiration pour les essais HD individuels.	corde

NlpParameterSubspace

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

NlpSweepSettings

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

TextClassificationMultilabel

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

TextNer

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

CommandJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	« Command » (obligatoire)
autologgerSettings	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.	AutologgerSettings
codeId	ID de ressource ARM de la ressource de code.	corde
commander	[Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py »	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
distribution	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch, Ray ou Null.	distributionConfiguration
environmentId	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
environmentVariables	Variables d’environnement incluses dans le travail.	CommandJobEnvironmentVariables
Entrées	Mappage des liaisons de données d’entrée utilisées dans le travail.	CommandJobInputs
Limites	Limite du travail de commande.	CommandJobLimits
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	CommandJobOutputs
queueSettings	Paramètres de file d’attente du travail	QueueSettings
ressources	Configuration des ressources de calcul pour le travail.	JobResourceConfiguration

AutologgerSettings

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

DistributionConfiguration

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

Mpi

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

PyTorch

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

Rayon

Nom	Description	Valeur
distributionType	[Obligatoire] Spécifie le type d’infrastructure de distribution.	« Ray » (obligatoire)
adresse	Adresse du nœud principal Ray.	corde
dashboardPort	Port auquel lier le serveur de tableau de bord.	Int
headNodeAdditionalArgs	Arguments supplémentaires passés au début du rayon dans le nœud principal.	corde
includeDashboard	Fournissez cet argument pour démarrer l’interface utilisateur utilisateur du tableau de bord Ray.	Bool
port	Port du processus de rayon de tête.	Int
workerNodeAdditionalArgs	Arguments supplémentaires passés au début du rayon dans le nœud Worker.	corde

TensorFlow

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

CommandJobEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

CommandJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

JobInput

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

CustomModelJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	« custom_model » (obligatoire)
mode	Mode de remise des ressources d’entrée.	« Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount »
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

LiteralJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	« littéral » (obligatoire)
valeur	[Obligatoire] Valeur littérale de l’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	« triton_model » (obligatoire)
mode	Mode de remise des ressources d’entrée.	« Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount »
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

UriFileJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	« uri_file » (obligatoire)
mode	Mode de remise des ressources d’entrée.	« Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount »
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

UriFolderJobInput

Nom	Description	Valeur
jobInputType	[Obligatoire] Spécifie le type de travail.	« uri_folder » (obligatoire)
mode	Mode de remise des ressources d’entrée.	« Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount »
pathOnCompute	Chemin de remise des ressources d’entrée.	corde
URI	[Obligatoire] URI de ressource d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

FineTuningJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	« FineTuning » (obligatoire)
fineTuningDetails	[Obligatoire]	FineTuningVertical (obligatoire)
Sorties	[Obligatoire]	FineTuningJobOutputs (obligatoire)

FineTuningVertical

Nom	Description	Valeur
modèle	[Obligatoire] Modèle d’entrée pour le réglage précis.	MLFlowModelJobInput (obligatoire)
taskType	[Obligatoire] Ajuster le type de tâche.	« ChatCompletion » « ImageClassification » « ImageInstanceSegmentation » « ImageObjectDetection » « QuestionAnswering » « TextClassification » « TextCompletion » « TextSummarization » « TextTranslation » « TokenClassification » « VideoMultiObjectTracking » (obligatoire)
trainingData	[Obligatoire] Données d’apprentissage pour le réglage précis.	jobInput (obligatoire)
validationData	Données de validation pour le réglage précis.	JobInput
modelProvider	Définir le type d’objet	AzureOpenAI personnalisé (obligatoire)

AzureOpenAiFineTuning

Nom	Description	Valeur
modelProvider	[Obligatoire] Énumération pour déterminer le type de réglage précis.	« AzureOpenAI » (obligatoire)
hyperParameters	HyperParameters pour affiner le modèle Azure Open AI.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Nom	Description	Valeur
batchSize	Nombre d’exemples dans chaque lot. Une plus grande taille de lot signifie que les paramètres de modèle sont mis à jour moins fréquemment, mais avec une variation inférieure.	Int
learningRateMultiplier	Facteur de mise à l’échelle pour le taux d’apprentissage. Un taux d’apprentissage plus petit peut être utile pour éviter le surajustement.	Int
nEpochs	Nombre d’époques pour laquelle effectuer l’apprentissage du modèle. Une époque fait référence à un cycle complet dans le jeu de données d’apprentissage.	Int

CustomModelFineTuning

Nom	Description	Valeur
modelProvider	[Obligatoire] Énumération pour déterminer le type de réglage précis.	« Personnalisé » (obligatoire)
hyperParameters	HyperParameters pour ajuster le modèle personnalisé.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Nom	Description	Valeur
{propriété personnalisée}		corde

FineTuningJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

LabelingJobProperties

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

LabelingDataConfiguration

Nom	Description	Valeur
dataId	ID de ressource de la ressource de données pour effectuer l’étiquetage.	corde
incrementalDataRefresh	Indique s’il faut activer l’actualisation incrémentielle des données.	« Désactivé » « Activé »

LabelingJobInstructions

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

LabelingJobLabelCategories

Nom	Description	Valeur
{propriété personnalisée}		LabelCategory

LabelCategory

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

LabelCategoryClasses

Nom	Description	Valeur
{propriété personnalisée}		labelClass

LabelClass

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

LabelClassSubclasses

Nom	Description	Valeur
{propriété personnalisée}		labelClass

LabelingJobMediaProperties

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

LabelingJobImageProperties

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

LabelingJobTextProperties

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

MLAssistConfiguration

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

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nom	Description	Valeur
mlAssist	[Obligatoire] Indique si la fonctionnalité MLAssist est activée.	« Activé » (obligatoire)
inferencingComputeBinding	[Obligatoire] Liaison de calcul AML utilisée dans l’inférence.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
trainingComputeBinding	[Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

PipelineJob

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

PipelineJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

PipelineJobJobs

Nom	Description	Valeur
{propriété personnalisée}

PipelineJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SparkJob

Nom	Description	Valeur
jobType	[Obligatoire] Spécifie le type de travail.	« Spark » (obligatoire)
archives	Archiver les fichiers utilisés dans le travail.	string[]
args	Arguments du travail.	corde
codeId	[Obligatoire] ID de ressource ARM de la ressource de code.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
Conf	Propriétés configurées par Spark.	sparkJobConf
entrée	[Obligatoire] Entrée à exécuter au démarrage du travail.	SparkJobEntry (obligatoire)
environmentId	ID de ressource ARM de la spécification d’environnement pour le travail.	corde
environmentVariables	Variables d’environnement incluses dans le travail.	SparkJobEnvironmentVariables
Fichiers	Fichiers utilisés dans le travail.	string[]
Entrées	Mappage des liaisons de données d’entrée utilisées dans le travail.	SparkJobInputs
Pots	Fichiers jar utilisés dans le travail.	string[]
Sorties	Mappage des liaisons de données de sortie utilisées dans le travail.	SparkJobOutputs
pyFiles	Fichiers Python utilisés dans le travail.	string[]
queueSettings	Paramètres de file d’attente du travail	QueueSettings
ressources	Configuration des ressources de calcul pour le travail.	SparkResourceConfiguration

SparkJobConf

Nom	Description	Valeur
{propriété personnalisée}		corde

SparkJobEntry

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

SparkJobPythonEntry

Nom	Description	Valeur
sparkJobEntryType	[Obligatoire] Type du point d’entrée du travail.	« SparkJobPythonEntry » (obligatoire)
lime	[Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom	Description	Valeur
sparkJobEntryType	[Obligatoire] Type du point d’entrée du travail.	« SparkJobScalaEntry » (obligatoire)
className	[Obligatoire] Nom de classe Scala utilisé comme point d’entrée.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SparkJobEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde

SparkJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

SparkJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SparkResourceConfiguration

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

SweepJob

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

ComponentConfiguration

Nom	Description	Valeur
pipelineSettings	Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc.

SweepJobInputs

Nom	Description	Valeur
{propriété personnalisée}		JobInput

SweepJobLimits

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

Objectif

Nom	Description	Valeur
but	[Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres	« Agrandir » « Réduire » (obligatoire)
primaryMetric	[Obligatoire] Nom de la métrique à optimiser.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]

SweepJobOutputs

Nom	Description	Valeur
{propriété personnalisée}		jobOutput

SamplingAlgorithm

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

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

Nom	Description	Valeur
samplingAlgorithmType	[Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration	« Random » (obligatoire)
logbase	Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux	corde
règle	Type spécifique d’algorithme aléatoire	« Random » « Sobol »
Graines	Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires	Int

TrialComponent

Nom	Description	Valeur
codeId	ID de ressource ARM de la ressource de code.	corde
commander	[Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py »	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
distribution	Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null.	distributionConfiguration
environmentId	[Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail.	chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_]
environmentVariables	Variables d’environnement incluses dans le travail.	TrialComponentEnvironmentVariables
ressources	Configuration des ressources de calcul pour le travail.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom	Description	Valeur
{propriété personnalisée}		corde