Espaces de travail Microsoft.MachineLearningServices/planifications 2024-04-01-preview
Définition de ressource Bicep
Le type de ressource espaces de travail/planifications 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/schedules, ajoutez le bicep suivant à votre modèle.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2024-04-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Objets ScheduleActionBase
Définissez la propriété actionType pour spécifier le type d’objet.
Pour createJob, utilisez :
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
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
}
Pour CreateMonitor, utilisez :
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSettings: {
emailNotificationSettings: {
emails: [
'string'
]
}
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
notificationTypes: [
'string'
]
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Pour importData, utilisez :
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {}
}
Pour InvokeBatchEndpoint, utilisez :
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
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 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 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 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 image, utilisez :
mediaType: 'Image'
annotationType: 'string'
Pour texte, utilisez :
mediaType: 'Text'
annotationType: 'string'
Objets MLAssistConfiguration
Définissez la propriété mlAssist
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
Objets MonitorComputeConfigurationBase
Définissez la propriété computeType pour spécifier le type d’objet.
Pour serverlessSpark, utilisez :
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
Objets MonitorComputeIdentityBase
Définissez la propriété computeIdentityType pour spécifier le type d’objet.
Pour AmlToken, utilisez :
computeIdentityType: 'AmlToken'
Pour ManagedIdentity, utilisez :
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
Objets MonitoringSignalBase
Définissez la propriété signalType pour spécifier le type d’objet.
Pour personnalisé, utilisez :
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
Pour DataDrift, utilisez :
signalType: 'DataDrift'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pour DataQuality, utilisez :
signalType: 'DataQuality'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pour FeatureAttributionDrift, utilisez :
signalType: 'FeatureAttributionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pour GenerationSafetyQuality, utilisez :
signalType: 'GenerationSafetyQuality'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
workspaceConnectionId: 'string'
Pour GenerationTokenStatistics, utilisez :
signalType: 'GenerationTokenStatistics'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
Pour ModelPerformance, utilisez :
signalType: 'ModelPerformance'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Pour PredictionDrift, utilisez :
signalType: 'PredictionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
Objets MonitoringInputDataBase
Définissez la propriété inputDataType pour spécifier le type d’objet.
Pour fixe, utilisez :
inputDataType: 'Fixed'
Pour propagée, utilisez :
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
Pour statique, utilisez :
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
Objets MonitoringFeatureFilterBase
Définissez la propriété filterType pour spécifier le type d’objet.
Pour allFeatures, utilisez :
filterType: 'AllFeatures'
Pour FeatureSubset, utilisez :
filterType: 'FeatureSubset'
features: [
'string'
]
Pour TopNByAttribution, utilisez :
filterType: 'TopNByAttribution'
top: int
Objets DataDriftMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
dataType: 'Categorical'
metric: 'string'
Pour numérique, utilisez :
dataType: 'Numerical'
metric: 'string'
Objets DataQualityMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
dataType: 'Categorical'
metric: 'string'
Pour numérique, utilisez :
dataType: 'Numerical'
metric: 'string'
Objets ModelPerformanceMetricThresholdBase
Définissez la propriété modelType pour spécifier le type d’objet.
Pour de classification, utilisez :
modelType: 'Classification'
metric: 'string'
Pour régression, utilisez :
modelType: 'Regression'
metric: 'string'
Objets PredictionDriftMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
dataType: 'Categorical'
metric: 'string'
Pour numérique, utilisez :
dataType: 'Numerical'
metric: 'string'
Objets DataImportSource
Définissez la propriété sourceType
Pour de base de données, utilisez :
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
Pour file_system, utilisez :
sourceType: 'file_system'
path: 'string'
Objets TriggerBase
Définissez la propriété triggerType pour spécifier le type d’objet.
Pour Cron, utilisez :
triggerType: 'Cron'
expression: 'string'
Pour périodicité, utilisez :
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Valeurs de propriété
espaces de travail/planifications
| 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. | ScheduleProperties (obligatoire) |
ScheduleProperties
| Nom | Description | Valeur |
|---|---|---|
| action | [Obligatoire] Spécifie l’action de la planification | ScheduleActionBase (obligatoire) |
| description | Texte de description de la ressource. | corde |
| displayName | Nom complet de la planification. | corde |
| isEnabled | La planification est-elle activée ? | Bool |
| Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
| étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | objet |
| gâchette | [Obligatoire] Spécifie les détails du déclencheur | TriggerBase (obligatoire) |
ScheduleActionBase
| Nom | Description | Valeur |
|---|---|---|
| actionType | Définir le type d’objet |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (obligatoire) |
JobScheduleAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateJob' (obligatoire) |
| jobDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | jobBaseProperties (obligatoire) |
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
AutoDeleteSetting
| Nom | Description | Valeur |
|---|---|---|
| condition | Quand vérifier si une ressource a expiré | 'CreatedGreaterThan' 'LastAccessedGreaterThan' |
| valeur | Valeur de condition d’expiration. | corde |
MLFlowModelJobOutput
MLTableJobOutput
TritonModelJobOutput
UriFileJobOutput
UriFolderJobOutput
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
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 seratrois 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
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
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 |
CreateMonitorAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateMonitor' (obligatoire) |
| monitorDefinition | [Obligatoire] Définit le moniteur. | MonitorDefinition (obligatoire) |
MonitorDefinition
| Nom | Description | Valeur |
|---|---|---|
| alertNotificationSettings | Paramètres de notification du moniteur. | MonitorNotificationSettings |
| computeConfiguration | [Obligatoire] ID de ressource ARM de la ressource de calcul sur laquelle exécuter le travail de surveillance. | MonitorComputeConfigurationBase (obligatoire) |
| monitoringTarget | ID de ressource ARM du modèle ou du déploiement ciblé par ce moniteur. | MonitoringTarget |
| signalisations | [Obligatoire] Signaux à surveiller. | MonitorDefinitionSignals (obligatoire) |
MonitorNotificationSettings
| Nom | Description | Valeur |
|---|---|---|
| emailNotificationSettings | Paramètres d’e-mail de notification AML. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Nom | Description | Valeur |
|---|---|---|
| e-mails | Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères au total. | string[] |
MonitorComputeConfigurationBase
| Nom | Description | Valeur |
|---|---|---|
| computeType | Définir le type d’objet | ServerlessSpark (obligatoire) |
MonitorServerlessSparkCompute
| Nom | Description | Valeur |
|---|---|---|
| computeType | [Obligatoire] Spécifie le type de signal à surveiller. | 'ServerlessSpark' (obligatoire) |
| computeIdentity | [Obligatoire] Le schéma d’identité utilisé par les travaux Spark s’exécutant sur Spark serverless. | MonitorComputeIdentityBase (obligatoire) |
| instanceType | [Obligatoire] Type d’instance exécutant le travail Spark. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| runtimeVersion | [Obligatoire] Version du runtime Spark. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = ^[0-9]+\.[0-9]+$ |
MonitorComputeIdentityBase
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | Définir le type d’objet |
AmlToken ManagedIdentity (obligatoire) |
AmlTokenComputeIdentity
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | [Obligatoire] Surveiller l’énumération de type d’identité de calcul. | 'AmlToken' (obligatoire) |
ManagedComputeIdentity
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | [Obligatoire] Surveiller l’énumération de type d’identité de calcul. | 'ManagedIdentity' (obligatoire) |
| identité | Identité de service managée (identités affectées par le système et/ou identités affectées par l’utilisateur) | ManagedServiceIdentity |
ManagedServiceIdentity
| Nom | Description | Valeur |
|---|---|---|
| type | Type d’identité de service managé (où les types SystemAssigned et UserAssigned sont autorisés). | 'None' 'SystemAssigned' 'SystemAssigned,UserAssigned' 'UserAssigned' (obligatoire) |
| userAssignedIdentities | Ensemble d’identités affectées par l’utilisateur associées à la ressource. Les clés de dictionnaire userAssignedIdentities seront des ID de ressource ARM sous la forme : « /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Les valeurs de dictionnaire peuvent être des objets vides ({}) dans les requêtes. | UserAssignedIdentities |
UserAssignedIdentities
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | UserAssignedIdentity |
UserAssignedIdentity
Cet objet ne contient aucune propriété à définir pendant le déploiement. Toutes les propriétés sont ReadOnly.
MonitoringTarget
| Nom | Description | Valeur |
|---|---|---|
| deploymentId | ID de ressource ARM de l’un des déploiements ciblés par ce moniteur. | corde |
| modelId | ID de ressource ARM de l’un des modèles ciblés par ce moniteur. | corde |
| taskType | [Obligatoire] Type de tâche Machine Learning du modèle. | 'Classification' 'QuestionAnswering' 'Régression' (obligatoire) |
MonitorDefinitionSignals
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | MonitoringSignalBase |
MonitoringSignalBase
| Nom | Description | Valeur |
|---|---|---|
| notificationTypes | Mode de notification actuel pour ce signal. | Tableau de chaînes contenant l’un des éléments suivants : 'AmlNotification' 'AzureMonitor' |
| Propriétés | Dictionnaire de propriétés. Les propriétés peuvent être ajoutées, mais pas supprimées ou modifiées. | MonitoringSignalBaseProperties |
| signalType | Définir le type d’objet |
personnalisée DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (obligatoire) |
MonitoringSignalBaseProperties
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
CustomMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Custom' (obligatoire) |
| componentId | [Obligatoire] ID de ressource ARM de la ressource de composant utilisée pour calculer les métriques personnalisées. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| inputAssets | Surveillance des ressources à prendre en tant qu’entrée. La clé est le nom du port d’entrée du composant, la valeur est la ressource de données. | CustomMonitoringSignalInputAssets |
| Entrées | Paramètres de composant supplémentaires à prendre en tant qu’entrée. La clé est le nom du port d’entrée littéral du composant, la valeur est la valeur du paramètre. | CustomMonitoringSignalInputs |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | CustomMetricThreshold[] (obligatoire) |
| workspaceConnection | Liste des métriques à calculer et à leurs seuils associés. | MonitoringWorkspaceConnection |
CustomMonitoringSignalInputAssets
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | MonitoringInputDataBase |
MonitoringInputDataBase
| Nom | Description | Valeur |
|---|---|---|
| colonnes | Mappage des noms de colonnes à des utilisations spéciales. | MonitoringInputDataBaseColumns |
| dataContext | Métadonnées de contexte de la source de données. | corde |
| jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
| URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| inputDataType | Définir le type d’objet |
fixe rolling statique (obligatoire) |
MonitoringInputDataBaseColumns
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
FixedInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Fixed' (obligatoire) |
RollingInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Rolling' (obligatoire) |
| preprocessingComponentId | ID de ressource ARM de la ressource de composant utilisée pour prétraiter les données. | corde |
| windowOffset | [Obligatoire] Décalage de temps entre la fin de la fenêtre de données et l’heure d’exécution actuelle du moniteur. | chaîne (obligatoire) |
| windowSize | [Obligatoire] Taille de la fenêtre de données de fin. | chaîne (obligatoire) |
StaticInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Static' (obligatoire) |
| preprocessingComponentId | ID de ressource ARM de la ressource de composant utilisée pour prétraiter les données. | corde |
| windowEnd | [Obligatoire] Date de fin de la fenêtre de données. | chaîne (obligatoire) |
| windowStart | [Obligatoire] Date de début de la fenêtre de données. | chaîne (obligatoire) |
CustomMonitoringSignalInputs
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | JobInput |
CustomMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Métrique définie par l’utilisateur à calculer. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
MonitoringThreshold
| Nom | Description | Valeur |
|---|---|---|
| valeur | Valeur de seuil. Si la valeur est Null, la valeur par défaut définie dépend du type de métrique. | Int |
MonitoringWorkspaceConnection
| Nom | Description | Valeur |
|---|---|---|
| environmentVariables | Propriétés d’une connexion de service d’espace de travail à stocker en tant que variables d’environnement dans les travaux envoyés. La clé est le chemin de propriété de connexion de l’espace de travail, le nom est une clé de variable d’environnement. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Secrets | Propriétés d’une connexion de service d’espace de travail à stocker en tant que secrets dans les travaux envoyés. La clé est le chemin de propriété de connexion de l’espace de travail, le nom est une clé secrète. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
MonitoringWorkspaceConnectionSecrets
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
DataDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'DataDrift' (obligatoire) |
| dataSegment | Segment de données utilisé pour l’étendue d’un sous-ensemble de la population de données. | MonitoringDataSegment |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings |
| fonctionnalités | Filtre de caractéristiques qui identifie la fonctionnalité sur laquelle calculer la dérive. | MonitoringFeatureFilterBase |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | DataDriftMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
MonitoringDataSegment
| Nom | Description | Valeur |
|---|---|---|
| caractéristique | Fonctionnalité sur laquelle segmenter les données. | corde |
| Valeurs | Filtre uniquement les valeurs spécifiées de la fonctionnalité segmentée donnée. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
FeatureImportanceSettings
| Nom | Description | Valeur |
|---|---|---|
| mode | Mode d’opération pour l’importance des fonctionnalités informatiques. | 'Désactivé' 'Activé' |
| targetColumn | Nom de la colonne cible dans la ressource de données d’entrée. | corde |
MonitoringFeatureFilterBase
| Nom | Description | Valeur |
|---|---|---|
| filterType | Définir le type d’objet |
AllFeatures FeatureSubset TopNByAttribution (obligatoire) |
AllFeatures
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | 'AllFeatures' (obligatoire) |
FeatureSubset
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | 'FeatureSubset' (obligatoire) |
| fonctionnalités | [Obligatoire] Liste des fonctionnalités à inclure. | string[] (obligatoire) |
TopNFeaturesByAttribution
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | 'TopNByAttribution' (obligatoire) |
| Retour au début | Nombre de principales fonctionnalités à inclure. | Int |
DataDriftMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalDataDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Catégorie' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de données catégorielles à calculer. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatoire) |
NumericalDataDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Numérique' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de données numériques à calculer. | 'JensenShannonDistance' 'NormalizedWassersteinDistance' 'PopulationStabilityIndex' 'TwoSampleKolmogorovsmirnovTest' (obligatoire) |
DataQualityMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'DataQuality' (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings |
| fonctionnalités | Fonctionnalités permettant de calculer la dérive. | MonitoringFeatureFilterBase |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | DataQualityMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données produites par le service de production pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
DataQualityMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalDataQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Catégorie' (obligatoire) |
| métrique | [Obligatoire] Métrique de qualité des données catégorielles à calculer. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatoire) |
NumericalDataQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Numérique' (obligatoire) |
| métrique | [Obligatoire] Métrique de qualité des données numériques à calculer. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatoire) |
FeatureAttributionDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'FeatureAttributionDrift' (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | [Obligatoire] Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings (obligatoire) |
| metricThreshold | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | FeatureAttributionMetricThreshold (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase[] (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
FeatureAttributionMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Métrique d’attribution de fonctionnalité à calculer. | 'NormalizedDiscountedCumulativeGain' (obligatoire) |
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'GenerationSafetyQuality' (obligatoire) |
| metricThresholds | [Obligatoire] Obtient ou définit les métriques à calculer et les seuils correspondants. | GenerationSafetyQualityMetricThreshold[] (obligatoire) |
| productionData | Obtient ou définit les données de production pour les métriques de calcul. | MonitoringInputDataBase[] |
| samplingRate | [Obligatoire] Le taux d’échantillonnage des données de production doit être supérieur à 0 et au plus 1. | int (obligatoire) |
| workspaceConnectionId | Obtient ou définit l’ID de connexion de l’espace de travail utilisé pour se connecter au point de terminaison de génération de contenu. | corde |
GenerationSafetyQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Obtient ou définit la métrique d’attribution de fonctionnalité à calculer. | 'AcceptableCoherenceScorePerInstance' 'AcceptableFluencyScorePerInstance' 'AcceptableGroundednessScorePerInstance' 'AcceptableRelevanceScorePerInstance' 'AcceptableSimilarityScorePerInstance' 'AggregatedCoherencePassRate' 'AggregatedFluencyPassRate' 'AggregatedGroundednessPassRate' 'AggregatedRelevancePassRate' 'AggregatedSimilarityPassRate' (obligatoire) |
| seuil | Obtient ou définit la valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'GenerationTokenStatistics' (obligatoire) |
| metricThresholds | [Obligatoire] Obtient ou définit les métriques à calculer et les seuils correspondants. | GenerationTokenUsageMetricThreshold[] (obligatoire) |
| productionData | Obtient ou définit les données de production pour les métriques de calcul. | MonitoringInputDataBase[] |
| samplingRate | [Obligatoire] Le taux d’échantillonnage des données de production doit être supérieur à 0 et au plus 1. | int (obligatoire) |
GenerationTokenUsageMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Obtient ou définit la métrique d’attribution de fonctionnalité à calculer. | 'TotalTokenCount' 'TotalTokenCountPerGroup' (obligatoire) |
| seuil | Obtient ou définit la valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. |
MonitoringThreshold |
ModelPerformanceSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'ModelPerformance' (obligatoire) |
| dataSegment | Segment de données. | MonitoringDataSegment |
| metricThreshold | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | ModelPerformanceMetricThresholdBase (obligatoire) |
| productionData | [Obligatoire] Données produites par le service de production pour lesquelles les performances seront calculées. | MonitoringInputDataBase[] (obligatoire) |
| referenceData | [Obligatoire] Données de référence utilisées comme base pour calculer les performances du modèle. | MonitoringInputDataBase (obligatoire) |
ModelPerformanceMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| modelType | Définir le type d’objet |
classification régression (obligatoire) |
ClassificationModelPerformanceMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| modelType | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Classification' (obligatoire) |
| métrique | [Obligatoire] Performances du modèle de classification à calculer. | 'Précision' 'Précision' 'Rappel' (obligatoire) |
RegressionModelPerformanceMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| modelType | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Régression' (obligatoire) |
| métrique | [Obligatoire] Métrique de performances du modèle de régression à calculer. | 'MeanAbsoluteError' 'MeanSquaredError' 'RootMeanSquaredError' (obligatoire) |
PredictionDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'PredictionDrift' (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | PredictionDriftMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
PredictionDriftMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalPredictionDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Catégorie' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de prédiction catégorielle à calculer. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatoire) |
NumericalPredictionDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Numérique' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de prédiction numérique à calculer. | 'JensenShannonDistance' 'NormalizedWassersteinDistance' 'PopulationStabilityIndex' 'TwoSampleKolmogorovsmirnovTest' (obligatoire) |
ImportDataAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'ImportData' (obligatoire) |
| dataImportDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | DataImport (obligatoire) |
DataImport
| Nom | Description | Valeur |
|---|---|---|
| assetName | Nom de la ressource pour le travail d’importation de données à créer | corde |
| autoDeleteSetting | Spécifie le paramètre de cycle de vie de la ressource de données managée. | AutoDeleteSetting |
| Datatype | [Obligatoire] Spécifie le type de données. | 'mltable' 'uri_file' 'uri_folder' (obligatoire) |
| dataUri | [Obligatoire] URI des données. Exemple : https://go.microsoft.com/fwlink/?linkid=2202330 |
chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| description | Texte de description de la ressource. | corde |
| intellectualProperty | Détails de propriété intellectuelle. Utilisé si les données sont une propriété intellectuelle. | IntellectualProperty |
| isAnonymous | Si la version du nom est générée par le système (inscription anonyme). Pour les types où l’étape est définie, lorsque l’étape est fournie, elle sera utilisée pour remplir IsAnonymous | Bool |
| isArchived | La ressource est-elle archivée ? Pour les types où l’étape est définie, lorsque l’étape est fournie, elle sera utilisée pour remplir IsArchived | Bool |
| Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
| source | Données sources de la ressource à importer à partir de | DataImportSource |
| étape | Étape du cycle de vie des données affecté à cette ressource de données | corde |
| étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | objet |
IntellectualProperty
| Nom | Description | Valeur |
|---|---|---|
| protectionLevel | Niveau de protection de la propriété intellectuelle. | 'All' 'None' |
| éditeur | [Obligatoire] Éditeur de la propriété intellectuelle. Doit être identique au nom de l’éditeur du Registre. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
DataImportSource
| Nom | Description | Valeur |
|---|---|---|
| connexion | Connexion d’espace de travail pour le stockage source d’importation de données | corde |
| sourceType | Définir le type d’objet |
base de données file_system (obligatoire) |
DatabaseSource
| Nom | Description | Valeur |
|---|---|---|
| sourceType | [Obligatoire] Spécifie le type de données. | 'database' (obligatoire) |
| requête | Instruction SQL Query pour la source de base de données d’importation de données | corde |
| storedProcedure | SQL StoredProcedure sur la source de base de données d’importation de données | corde |
| storedProcedureParams | Paramètres SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nom de la table sur la source de base de données d’importation de données | corde |
DatabaseSourceStoredProcedureParamsItem
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
FileSystemSource
| Nom | Description | Valeur |
|---|---|---|
| sourceType | [Obligatoire] Spécifie le type de données. | 'file_system' (obligatoire) |
| chemin | Chemin d’accès à la source FileSystem d’importation de données | corde |
EndpointScheduleAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'InvokeBatchEndpoint' (obligatoire) |
| endpointInvocationDefinition | [Obligatoire] Définit les détails de définition d’action de planification. {see href="TBD » /} |
Pour Bicep, vous pouvez utiliser la fonction any(). (obligatoire) |
TriggerBase
| Nom | Description | Valeur |
|---|---|---|
| endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
| startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
| timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous à : /windows-hardware/manufacture/desktop/default-time-zones /> |
corde |
| triggerType | Définir le type d’objet |
Cron périodicité (obligatoire) |
CronTrigger
| Nom | Description | Valeur |
|---|---|---|
| triggerType | [Obligatoire] | 'Cron' (obligatoire) |
| expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nom | Description | Valeur |
|---|---|---|
| endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
| fréquence | [Obligatoire] Fréquence de déclenchement de la planification. | 'Day' 'Heure' 'Minute' 'Month' 'Semaine' (obligatoire) |
| intervalle | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
| horaire | Planification de périodicité. | périodicité |
| startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
| timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous à : /windows-hardware/manufacture/desktop/default-time-zones |
corde |
| triggerType | [Obligatoire] | 'Cron' 'Périodicité' (obligatoire) |
Périodicité
| Nom | Description | Valeur |
|---|---|---|
| Heures | [Obligatoire] Liste des heures pour la planification. | int[] (obligatoire) |
| compte-rendu | [Obligatoire] Liste des minutes de la planification. | int[] (obligatoire) |
| monthDays | Liste des jours de mois pour la planification | int[] |
| Semaine | Liste des jours de la planification. | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'jeudi' 'Mardi' 'Mercredi' |
Définition de ressource de modèle ARM
Le type de ressource espaces de travail/planifications 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/schedules, ajoutez le code JSON suivant à votre modèle.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2024-04-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Objets ScheduleActionBase
Définissez la propriété actionType pour spécifier le type d’objet.
Pour createJob, utilisez :
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"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
}
Pour CreateMonitor, utilisez :
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSettings": {
"emailNotificationSettings": {
"emails": [ "string" ]
}
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"notificationTypes": [ "string" ],
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Pour importData, utilisez :
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {}
}
Pour InvokeBatchEndpoint, utilisez :
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
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 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 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 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 image, utilisez :
"mediaType": "Image",
"annotationType": "string"
Pour texte, utilisez :
"mediaType": "Text",
"annotationType": "string"
Objets MLAssistConfiguration
Définissez la propriété mlAssist
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"
Objets MonitorComputeConfigurationBase
Définissez la propriété computeType pour spécifier le type d’objet.
Pour serverlessSpark, utilisez :
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
Objets MonitorComputeIdentityBase
Définissez la propriété computeIdentityType pour spécifier le type d’objet.
Pour AmlToken, utilisez :
"computeIdentityType": "AmlToken"
Pour ManagedIdentity, utilisez :
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
Objets MonitoringSignalBase
Définissez la propriété signalType pour spécifier le type d’objet.
Pour personnalisé, utilisez :
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
Pour DataDrift, utilisez :
"signalType": "DataDrift",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour DataQuality, utilisez :
"signalType": "DataQuality",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour FeatureAttributionDrift, utilisez :
"signalType": "FeatureAttributionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour GenerationSafetyQuality, utilisez :
"signalType": "GenerationSafetyQuality",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int",
"workspaceConnectionId": "string"
Pour GenerationTokenStatistics, utilisez :
"signalType": "GenerationTokenStatistics",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int"
Pour ModelPerformance, utilisez :
"signalType": "ModelPerformance",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour PredictionDrift, utilisez :
"signalType": "PredictionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Objets MonitoringInputDataBase
Définissez la propriété inputDataType pour spécifier le type d’objet.
Pour fixe, utilisez :
"inputDataType": "Fixed"
Pour propagée, utilisez :
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
Pour statique, utilisez :
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
Objets MonitoringFeatureFilterBase
Définissez la propriété filterType pour spécifier le type d’objet.
Pour allFeatures, utilisez :
"filterType": "AllFeatures"
Pour FeatureSubset, utilisez :
"filterType": "FeatureSubset",
"features": [ "string" ]
Pour TopNByAttribution, utilisez :
"filterType": "TopNByAttribution",
"top": "int"
Objets DataDriftMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
"dataType": "Categorical",
"metric": "string"
Pour numérique, utilisez :
"dataType": "Numerical",
"metric": "string"
Objets DataQualityMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
"dataType": "Categorical",
"metric": "string"
Pour numérique, utilisez :
"dataType": "Numerical",
"metric": "string"
Objets ModelPerformanceMetricThresholdBase
Définissez la propriété modelType pour spécifier le type d’objet.
Pour de classification, utilisez :
"modelType": "Classification",
"metric": "string"
Pour régression, utilisez :
"modelType": "Regression",
"metric": "string"
Objets PredictionDriftMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
"dataType": "Categorical",
"metric": "string"
Pour numérique, utilisez :
"dataType": "Numerical",
"metric": "string"
Objets DataImportSource
Définissez la propriété sourceType
Pour de base de données, utilisez :
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
Pour file_system, utilisez :
"sourceType": "file_system",
"path": "string"
Objets TriggerBase
Définissez la propriété triggerType pour spécifier le type d’objet.
Pour Cron, utilisez :
"triggerType": "Cron",
"expression": "string"
Pour périodicité, utilisez :
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Valeurs de propriété
espaces de travail/planifications
| Nom | Description | Valeur |
|---|---|---|
| type | Type de ressource | 'Microsoft.MachineLearningServices/workspaces/schedules' |
| 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. | ScheduleProperties (obligatoire) |
ScheduleProperties
| Nom | Description | Valeur |
|---|---|---|
| action | [Obligatoire] Spécifie l’action de la planification | ScheduleActionBase (obligatoire) |
| description | Texte de description de la ressource. | corde |
| displayName | Nom complet de la planification. | corde |
| isEnabled | La planification est-elle activée ? | Bool |
| Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
| étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | objet |
| gâchette | [Obligatoire] Spécifie les détails du déclencheur | TriggerBase (obligatoire) |
ScheduleActionBase
| Nom | Description | Valeur |
|---|---|---|
| actionType | Définir le type d’objet |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (obligatoire) |
JobScheduleAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateJob' (obligatoire) |
| jobDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | jobBaseProperties (obligatoire) |
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
AutoDeleteSetting
| Nom | Description | Valeur |
|---|---|---|
| condition | Quand vérifier si une ressource a expiré | 'CreatedGreaterThan' 'LastAccessedGreaterThan' |
| valeur | Valeur de condition d’expiration. | corde |
MLFlowModelJobOutput
MLTableJobOutput
TritonModelJobOutput
UriFileJobOutput
UriFolderJobOutput
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
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 seratrois 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
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
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 |
CreateMonitorAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'CreateMonitor' (obligatoire) |
| monitorDefinition | [Obligatoire] Définit le moniteur. | MonitorDefinition (obligatoire) |
MonitorDefinition
| Nom | Description | Valeur |
|---|---|---|
| alertNotificationSettings | Paramètres de notification du moniteur. | MonitorNotificationSettings |
| computeConfiguration | [Obligatoire] ID de ressource ARM de la ressource de calcul sur laquelle exécuter le travail de surveillance. | MonitorComputeConfigurationBase (obligatoire) |
| monitoringTarget | ID de ressource ARM du modèle ou du déploiement ciblé par ce moniteur. | MonitoringTarget |
| signalisations | [Obligatoire] Signaux à surveiller. | MonitorDefinitionSignals (obligatoire) |
MonitorNotificationSettings
| Nom | Description | Valeur |
|---|---|---|
| emailNotificationSettings | Paramètres d’e-mail de notification AML. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Nom | Description | Valeur |
|---|---|---|
| e-mails | Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères au total. | string[] |
MonitorComputeConfigurationBase
| Nom | Description | Valeur |
|---|---|---|
| computeType | Définir le type d’objet | ServerlessSpark (obligatoire) |
MonitorServerlessSparkCompute
| Nom | Description | Valeur |
|---|---|---|
| computeType | [Obligatoire] Spécifie le type de signal à surveiller. | 'ServerlessSpark' (obligatoire) |
| computeIdentity | [Obligatoire] Le schéma d’identité utilisé par les travaux Spark s’exécutant sur Spark serverless. | MonitorComputeIdentityBase (obligatoire) |
| instanceType | [Obligatoire] Type d’instance exécutant le travail Spark. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| runtimeVersion | [Obligatoire] Version du runtime Spark. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = ^[0-9]+\.[0-9]+$ |
MonitorComputeIdentityBase
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | Définir le type d’objet |
AmlToken ManagedIdentity (obligatoire) |
AmlTokenComputeIdentity
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | [Obligatoire] Surveiller l’énumération de type d’identité de calcul. | 'AmlToken' (obligatoire) |
ManagedComputeIdentity
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | [Obligatoire] Surveiller l’énumération de type d’identité de calcul. | 'ManagedIdentity' (obligatoire) |
| identité | Identité de service managée (identités affectées par le système et/ou identités affectées par l’utilisateur) | ManagedServiceIdentity |
ManagedServiceIdentity
| Nom | Description | Valeur |
|---|---|---|
| type | Type d’identité de service managé (où les types SystemAssigned et UserAssigned sont autorisés). | 'None' 'SystemAssigned' 'SystemAssigned,UserAssigned' 'UserAssigned' (obligatoire) |
| userAssignedIdentities | Ensemble d’identités affectées par l’utilisateur associées à la ressource. Les clés de dictionnaire userAssignedIdentities seront des ID de ressource ARM sous la forme : « /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Les valeurs de dictionnaire peuvent être des objets vides ({}) dans les requêtes. | UserAssignedIdentities |
UserAssignedIdentities
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | UserAssignedIdentity |
UserAssignedIdentity
Cet objet ne contient aucune propriété à définir pendant le déploiement. Toutes les propriétés sont ReadOnly.
MonitoringTarget
| Nom | Description | Valeur |
|---|---|---|
| deploymentId | ID de ressource ARM de l’un des déploiements ciblés par ce moniteur. | corde |
| modelId | ID de ressource ARM de l’un des modèles ciblés par ce moniteur. | corde |
| taskType | [Obligatoire] Type de tâche Machine Learning du modèle. | 'Classification' 'QuestionAnswering' 'Régression' (obligatoire) |
MonitorDefinitionSignals
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | MonitoringSignalBase |
MonitoringSignalBase
| Nom | Description | Valeur |
|---|---|---|
| notificationTypes | Mode de notification actuel pour ce signal. | Tableau de chaînes contenant l’un des éléments suivants : 'AmlNotification' 'AzureMonitor' |
| Propriétés | Dictionnaire de propriétés. Les propriétés peuvent être ajoutées, mais pas supprimées ou modifiées. | MonitoringSignalBaseProperties |
| signalType | Définir le type d’objet |
personnalisée DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (obligatoire) |
MonitoringSignalBaseProperties
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
CustomMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Custom' (obligatoire) |
| componentId | [Obligatoire] ID de ressource ARM de la ressource de composant utilisée pour calculer les métriques personnalisées. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| inputAssets | Surveillance des ressources à prendre en tant qu’entrée. La clé est le nom du port d’entrée du composant, la valeur est la ressource de données. | CustomMonitoringSignalInputAssets |
| Entrées | Paramètres de composant supplémentaires à prendre en tant qu’entrée. La clé est le nom du port d’entrée littéral du composant, la valeur est la valeur du paramètre. | CustomMonitoringSignalInputs |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | CustomMetricThreshold[] (obligatoire) |
| workspaceConnection | Liste des métriques à calculer et à leurs seuils associés. | MonitoringWorkspaceConnection |
CustomMonitoringSignalInputAssets
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | MonitoringInputDataBase |
MonitoringInputDataBase
| Nom | Description | Valeur |
|---|---|---|
| colonnes | Mappage des noms de colonnes à des utilisations spéciales. | MonitoringInputDataBaseColumns |
| dataContext | Métadonnées de contexte de la source de données. | corde |
| jobInputType | [Obligatoire] Spécifie le type de travail. | 'custom_model' 'littéral' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (obligatoire) |
| URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| inputDataType | Définir le type d’objet |
fixe rolling statique (obligatoire) |
MonitoringInputDataBaseColumns
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
FixedInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Fixed' (obligatoire) |
RollingInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Rolling' (obligatoire) |
| preprocessingComponentId | ID de ressource ARM de la ressource de composant utilisée pour prétraiter les données. | corde |
| windowOffset | [Obligatoire] Décalage de temps entre la fin de la fenêtre de données et l’heure d’exécution actuelle du moniteur. | chaîne (obligatoire) |
| windowSize | [Obligatoire] Taille de la fenêtre de données de fin. | chaîne (obligatoire) |
StaticInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | 'Static' (obligatoire) |
| preprocessingComponentId | ID de ressource ARM de la ressource de composant utilisée pour prétraiter les données. | corde |
| windowEnd | [Obligatoire] Date de fin de la fenêtre de données. | chaîne (obligatoire) |
| windowStart | [Obligatoire] Date de début de la fenêtre de données. | chaîne (obligatoire) |
CustomMonitoringSignalInputs
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | JobInput |
CustomMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Métrique définie par l’utilisateur à calculer. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
MonitoringThreshold
| Nom | Description | Valeur |
|---|---|---|
| valeur | Valeur de seuil. Si la valeur est Null, la valeur par défaut définie dépend du type de métrique. | Int |
MonitoringWorkspaceConnection
| Nom | Description | Valeur |
|---|---|---|
| environmentVariables | Propriétés d’une connexion de service d’espace de travail à stocker en tant que variables d’environnement dans les travaux envoyés. La clé est le chemin de propriété de connexion de l’espace de travail, le nom est une clé de variable d’environnement. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Secrets | Propriétés d’une connexion de service d’espace de travail à stocker en tant que secrets dans les travaux envoyés. La clé est le chemin de propriété de connexion de l’espace de travail, le nom est une clé secrète. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
MonitoringWorkspaceConnectionSecrets
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
DataDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'DataDrift' (obligatoire) |
| dataSegment | Segment de données utilisé pour l’étendue d’un sous-ensemble de la population de données. | MonitoringDataSegment |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings |
| fonctionnalités | Filtre de caractéristiques qui identifie la fonctionnalité sur laquelle calculer la dérive. | MonitoringFeatureFilterBase |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | DataDriftMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
MonitoringDataSegment
| Nom | Description | Valeur |
|---|---|---|
| caractéristique | Fonctionnalité sur laquelle segmenter les données. | corde |
| Valeurs | Filtre uniquement les valeurs spécifiées de la fonctionnalité segmentée donnée. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
FeatureImportanceSettings
| Nom | Description | Valeur |
|---|---|---|
| mode | Mode d’opération pour l’importance des fonctionnalités informatiques. | 'Désactivé' 'Activé' |
| targetColumn | Nom de la colonne cible dans la ressource de données d’entrée. | corde |
MonitoringFeatureFilterBase
| Nom | Description | Valeur |
|---|---|---|
| filterType | Définir le type d’objet |
AllFeatures FeatureSubset TopNByAttribution (obligatoire) |
AllFeatures
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | 'AllFeatures' (obligatoire) |
FeatureSubset
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | 'FeatureSubset' (obligatoire) |
| fonctionnalités | [Obligatoire] Liste des fonctionnalités à inclure. | string[] (obligatoire) |
TopNFeaturesByAttribution
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | 'TopNByAttribution' (obligatoire) |
| Retour au début | Nombre de principales fonctionnalités à inclure. | Int |
DataDriftMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalDataDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Catégorie' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de données catégorielles à calculer. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatoire) |
NumericalDataDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Numérique' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de données numériques à calculer. | 'JensenShannonDistance' 'NormalizedWassersteinDistance' 'PopulationStabilityIndex' 'TwoSampleKolmogorovsmirnovTest' (obligatoire) |
DataQualityMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'DataQuality' (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings |
| fonctionnalités | Fonctionnalités permettant de calculer la dérive. | MonitoringFeatureFilterBase |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | DataQualityMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données produites par le service de production pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
DataQualityMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalDataQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Catégorie' (obligatoire) |
| métrique | [Obligatoire] Métrique de qualité des données catégorielles à calculer. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatoire) |
NumericalDataQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Numérique' (obligatoire) |
| métrique | [Obligatoire] Métrique de qualité des données numériques à calculer. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatoire) |
FeatureAttributionDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'FeatureAttributionDrift' (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | [Obligatoire] Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings (obligatoire) |
| metricThreshold | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | FeatureAttributionMetricThreshold (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase[] (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
FeatureAttributionMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Métrique d’attribution de fonctionnalité à calculer. | 'NormalizedDiscountedCumulativeGain' (obligatoire) |
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'GenerationSafetyQuality' (obligatoire) |
| metricThresholds | [Obligatoire] Obtient ou définit les métriques à calculer et les seuils correspondants. | GenerationSafetyQualityMetricThreshold[] (obligatoire) |
| productionData | Obtient ou définit les données de production pour les métriques de calcul. | MonitoringInputDataBase[] |
| samplingRate | [Obligatoire] Le taux d’échantillonnage des données de production doit être supérieur à 0 et au plus 1. | int (obligatoire) |
| workspaceConnectionId | Obtient ou définit l’ID de connexion de l’espace de travail utilisé pour se connecter au point de terminaison de génération de contenu. | corde |
GenerationSafetyQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Obtient ou définit la métrique d’attribution de fonctionnalité à calculer. | 'AcceptableCoherenceScorePerInstance' 'AcceptableFluencyScorePerInstance' 'AcceptableGroundednessScorePerInstance' 'AcceptableRelevanceScorePerInstance' 'AcceptableSimilarityScorePerInstance' 'AggregatedCoherencePassRate' 'AggregatedFluencyPassRate' 'AggregatedGroundednessPassRate' 'AggregatedRelevancePassRate' 'AggregatedSimilarityPassRate' (obligatoire) |
| seuil | Obtient ou définit la valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'GenerationTokenStatistics' (obligatoire) |
| metricThresholds | [Obligatoire] Obtient ou définit les métriques à calculer et les seuils correspondants. | GenerationTokenUsageMetricThreshold[] (obligatoire) |
| productionData | Obtient ou définit les données de production pour les métriques de calcul. | MonitoringInputDataBase[] |
| samplingRate | [Obligatoire] Le taux d’échantillonnage des données de production doit être supérieur à 0 et au plus 1. | int (obligatoire) |
GenerationTokenUsageMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Obtient ou définit la métrique d’attribution de fonctionnalité à calculer. | 'TotalTokenCount' 'TotalTokenCountPerGroup' (obligatoire) |
| seuil | Obtient ou définit la valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. |
MonitoringThreshold |
ModelPerformanceSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'ModelPerformance' (obligatoire) |
| dataSegment | Segment de données. | MonitoringDataSegment |
| metricThreshold | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | ModelPerformanceMetricThresholdBase (obligatoire) |
| productionData | [Obligatoire] Données produites par le service de production pour lesquelles les performances seront calculées. | MonitoringInputDataBase[] (obligatoire) |
| referenceData | [Obligatoire] Données de référence utilisées comme base pour calculer les performances du modèle. | MonitoringInputDataBase (obligatoire) |
ModelPerformanceMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| modelType | Définir le type d’objet |
classification régression (obligatoire) |
ClassificationModelPerformanceMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| modelType | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Classification' (obligatoire) |
| métrique | [Obligatoire] Performances du modèle de classification à calculer. | 'Précision' 'Précision' 'Rappel' (obligatoire) |
RegressionModelPerformanceMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| modelType | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Régression' (obligatoire) |
| métrique | [Obligatoire] Métrique de performances du modèle de régression à calculer. | 'MeanAbsoluteError' 'MeanSquaredError' 'RootMeanSquaredError' (obligatoire) |
PredictionDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | 'PredictionDrift' (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | PredictionDriftMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | 'Catégorie' 'Numérique' |
PredictionDriftMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalPredictionDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Catégorie' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de prédiction catégorielle à calculer. | 'JensenShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatoire) |
NumericalPredictionDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | 'Numérique' (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de prédiction numérique à calculer. | 'JensenShannonDistance' 'NormalizedWassersteinDistance' 'PopulationStabilityIndex' 'TwoSampleKolmogorovsmirnovTest' (obligatoire) |
ImportDataAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'ImportData' (obligatoire) |
| dataImportDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | DataImport (obligatoire) |
DataImport
| Nom | Description | Valeur |
|---|---|---|
| assetName | Nom de la ressource pour le travail d’importation de données à créer | corde |
| autoDeleteSetting | Spécifie le paramètre de cycle de vie de la ressource de données managée. | AutoDeleteSetting |
| Datatype | [Obligatoire] Spécifie le type de données. | 'mltable' 'uri_file' 'uri_folder' (obligatoire) |
| dataUri | [Obligatoire] URI des données. Exemple : https://go.microsoft.com/fwlink/?linkid=2202330 |
chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| description | Texte de description de la ressource. | corde |
| intellectualProperty | Détails de propriété intellectuelle. Utilisé si les données sont une propriété intellectuelle. | IntellectualProperty |
| isAnonymous | Si la version du nom est générée par le système (inscription anonyme). Pour les types où l’étape est définie, lorsque l’étape est fournie, elle sera utilisée pour remplir IsAnonymous | Bool |
| isArchived | La ressource est-elle archivée ? Pour les types où l’étape est définie, lorsque l’étape est fournie, elle sera utilisée pour remplir IsArchived | Bool |
| Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
| source | Données sources de la ressource à importer à partir de | DataImportSource |
| étape | Étape du cycle de vie des données affecté à cette ressource de données | corde |
| étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | objet |
IntellectualProperty
| Nom | Description | Valeur |
|---|---|---|
| protectionLevel | Niveau de protection de la propriété intellectuelle. | 'All' 'None' |
| éditeur | [Obligatoire] Éditeur de la propriété intellectuelle. Doit être identique au nom de l’éditeur du Registre. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
DataImportSource
| Nom | Description | Valeur |
|---|---|---|
| connexion | Connexion d’espace de travail pour le stockage source d’importation de données | corde |
| sourceType | Définir le type d’objet |
base de données file_system (obligatoire) |
DatabaseSource
| Nom | Description | Valeur |
|---|---|---|
| sourceType | [Obligatoire] Spécifie le type de données. | 'database' (obligatoire) |
| requête | Instruction SQL Query pour la source de base de données d’importation de données | corde |
| storedProcedure | SQL StoredProcedure sur la source de base de données d’importation de données | corde |
| storedProcedureParams | Paramètres SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nom de la table sur la source de base de données d’importation de données | corde |
DatabaseSourceStoredProcedureParamsItem
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
FileSystemSource
| Nom | Description | Valeur |
|---|---|---|
| sourceType | [Obligatoire] Spécifie le type de données. | 'file_system' (obligatoire) |
| chemin | Chemin d’accès à la source FileSystem d’importation de données | corde |
EndpointScheduleAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | 'InvokeBatchEndpoint' (obligatoire) |
| endpointInvocationDefinition | [Obligatoire] Définit les détails de définition d’action de planification. {see href="TBD » /} |
TriggerBase
| Nom | Description | Valeur |
|---|---|---|
| endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
| startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
| timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous à : /windows-hardware/manufacture/desktop/default-time-zones /> |
corde |
| triggerType | Définir le type d’objet |
Cron périodicité (obligatoire) |
CronTrigger
| Nom | Description | Valeur |
|---|---|---|
| triggerType | [Obligatoire] | 'Cron' (obligatoire) |
| expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nom | Description | Valeur |
|---|---|---|
| endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
| fréquence | [Obligatoire] Fréquence de déclenchement de la planification. | 'Day' 'Heure' 'Minute' 'Month' 'Semaine' (obligatoire) |
| intervalle | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
| horaire | Planification de périodicité. | périodicité |
| startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
| timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous à : /windows-hardware/manufacture/desktop/default-time-zones |
corde |
| triggerType | [Obligatoire] | 'Cron' 'Périodicité' (obligatoire) |
Périodicité
| Nom | Description | Valeur |
|---|---|---|
| Heures | [Obligatoire] Liste des heures pour la planification. | int[] (obligatoire) |
| compte-rendu | [Obligatoire] Liste des minutes de la planification. | int[] (obligatoire) |
| monthDays | Liste des jours de mois pour la planification | int[] |
| Semaine | Liste des jours de la planification. | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'jeudi' 'Mardi' 'Mercredi' |
Définition de ressource Terraform (fournisseur AzAPI)
Le type de ressource espaces de travail/planifications peut être déployé avec des opérations qui ciblent :
- groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Format de ressource
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/schedules, ajoutez le terraform suivant à votre modèle.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2024-04-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
}
tags = {}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Objets ScheduleActionBase
Définissez la propriété actionType pour spécifier le type d’objet.
Pour createJob, utilisez :
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
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
}
Pour CreateMonitor, utilisez :
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSettings = {
emailNotificationSettings = {
emails = [
"string"
]
}
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
notificationTypes = [
"string"
]
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Pour importData, utilisez :
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {}
}
Pour InvokeBatchEndpoint, utilisez :
actionType = "InvokeBatchEndpoint"
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 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 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 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 image, utilisez :
mediaType = "Image"
annotationType = "string"
Pour texte, utilisez :
mediaType = "Text"
annotationType = "string"
Objets MLAssistConfiguration
Définissez la propriété mlAssist
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
Objets MonitorComputeConfigurationBase
Définissez la propriété computeType pour spécifier le type d’objet.
Pour serverlessSpark, utilisez :
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
Objets MonitorComputeIdentityBase
Définissez la propriété computeIdentityType pour spécifier le type d’objet.
Pour AmlToken, utilisez :
computeIdentityType = "AmlToken"
Pour ManagedIdentity, utilisez :
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
Objets MonitoringSignalBase
Définissez la propriété signalType pour spécifier le type d’objet.
Pour personnalisé, utilisez :
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
Pour DataDrift, utilisez :
signalType = "DataDrift"
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour DataQuality, utilisez :
signalType = "DataQuality"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour FeatureAttributionDrift, utilisez :
signalType = "FeatureAttributionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour GenerationSafetyQuality, utilisez :
signalType = "GenerationSafetyQuality"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
workspaceConnectionId = "string"
Pour GenerationTokenStatistics, utilisez :
signalType = "GenerationTokenStatistics"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
Pour ModelPerformance, utilisez :
signalType = "ModelPerformance"
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Pour PredictionDrift, utilisez :
signalType = "PredictionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
Objets MonitoringInputDataBase
Définissez la propriété inputDataType pour spécifier le type d’objet.
Pour fixe, utilisez :
inputDataType = "Fixed"
Pour propagée, utilisez :
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
Pour statique, utilisez :
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
Objets MonitoringFeatureFilterBase
Définissez la propriété filterType pour spécifier le type d’objet.
Pour allFeatures, utilisez :
filterType = "AllFeatures"
Pour FeatureSubset, utilisez :
filterType = "FeatureSubset"
features = [
"string"
]
Pour TopNByAttribution, utilisez :
filterType = "TopNByAttribution"
top = int
Objets DataDriftMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
dataType = "Categorical"
metric = "string"
Pour numérique, utilisez :
dataType = "Numerical"
metric = "string"
Objets DataQualityMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
dataType = "Categorical"
metric = "string"
Pour numérique, utilisez :
dataType = "Numerical"
metric = "string"
Objets ModelPerformanceMetricThresholdBase
Définissez la propriété modelType pour spécifier le type d’objet.
Pour de classification, utilisez :
modelType = "Classification"
metric = "string"
Pour régression, utilisez :
modelType = "Regression"
metric = "string"
Objets PredictionDriftMetricThresholdBase
Définissez la propriété dataType pour spécifier le type d’objet.
Pour catégorie, utilisez :
dataType = "Categorical"
metric = "string"
Pour numérique, utilisez :
dataType = "Numerical"
metric = "string"
Objets DataImportSource
Définissez la propriété sourceType
Pour de base de données, utilisez :
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
Pour file_system, utilisez :
sourceType = "file_system"
path = "string"
Objets TriggerBase
Définissez la propriété triggerType pour spécifier le type d’objet.
Pour Cron, utilisez :
triggerType = "Cron"
expression = "string"
Pour périodicité, utilisez :
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Valeurs de propriété
espaces de travail/planifications
| Nom | Description | Valeur |
|---|---|---|
| type | Type de ressource | « Microsoft.MachineLearningServices/workspaces/schedules@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. | ScheduleProperties (obligatoire) |
ScheduleProperties
| Nom | Description | Valeur |
|---|---|---|
| action | [Obligatoire] Spécifie l’action de la planification | ScheduleActionBase (obligatoire) |
| description | Texte de description de la ressource. | corde |
| displayName | Nom complet de la planification. | corde |
| isEnabled | La planification est-elle activée ? | Bool |
| Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
| étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | objet |
| gâchette | [Obligatoire] Spécifie les détails du déclencheur | TriggerBase (obligatoire) |
ScheduleActionBase
| Nom | Description | Valeur |
|---|---|---|
| actionType | Définir le type d’objet |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (obligatoire) |
JobScheduleAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | « CreateJob » (obligatoire) |
| jobDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | jobBaseProperties (obligatoire) |
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
AutoDeleteSetting
| Nom | Description | Valeur |
|---|---|---|
| condition | Quand vérifier si une ressource a expiré | « CreatedGreaterThan » « LastAccessedGreaterThan » |
| valeur | Valeur de condition d’expiration. | corde |
MLFlowModelJobOutput
MLTableJobOutput
TritonModelJobOutput
UriFileJobOutput
UriFolderJobOutput
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
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 seratrois 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
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
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 |
CreateMonitorAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | « CreateMonitor » (obligatoire) |
| monitorDefinition | [Obligatoire] Définit le moniteur. | MonitorDefinition (obligatoire) |
MonitorDefinition
| Nom | Description | Valeur |
|---|---|---|
| alertNotificationSettings | Paramètres de notification du moniteur. | MonitorNotificationSettings |
| computeConfiguration | [Obligatoire] ID de ressource ARM de la ressource de calcul sur laquelle exécuter le travail de surveillance. | MonitorComputeConfigurationBase (obligatoire) |
| monitoringTarget | ID de ressource ARM du modèle ou du déploiement ciblé par ce moniteur. | MonitoringTarget |
| signalisations | [Obligatoire] Signaux à surveiller. | MonitorDefinitionSignals (obligatoire) |
MonitorNotificationSettings
| Nom | Description | Valeur |
|---|---|---|
| emailNotificationSettings | Paramètres d’e-mail de notification AML. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Nom | Description | Valeur |
|---|---|---|
| e-mails | Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères au total. | string[] |
MonitorComputeConfigurationBase
| Nom | Description | Valeur |
|---|---|---|
| computeType | Définir le type d’objet | ServerlessSpark (obligatoire) |
MonitorServerlessSparkCompute
| Nom | Description | Valeur |
|---|---|---|
| computeType | [Obligatoire] Spécifie le type de signal à surveiller. | « ServerlessSpark » (obligatoire) |
| computeIdentity | [Obligatoire] Le schéma d’identité utilisé par les travaux Spark s’exécutant sur Spark serverless. | MonitorComputeIdentityBase (obligatoire) |
| instanceType | [Obligatoire] Type d’instance exécutant le travail Spark. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| runtimeVersion | [Obligatoire] Version du runtime Spark. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = ^[0-9]+\.[0-9]+$ |
MonitorComputeIdentityBase
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | Définir le type d’objet |
AmlToken ManagedIdentity (obligatoire) |
AmlTokenComputeIdentity
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | [Obligatoire] Surveiller l’énumération de type d’identité de calcul. | « AmlToken » (obligatoire) |
ManagedComputeIdentity
| Nom | Description | Valeur |
|---|---|---|
| computeIdentityType | [Obligatoire] Surveiller l’énumération de type d’identité de calcul. | « ManagedIdentity » (obligatoire) |
| identité | Identité de service managée (identités affectées par le système et/ou identités affectées par l’utilisateur) | ManagedServiceIdentity |
ManagedServiceIdentity
| Nom | Description | Valeur |
|---|---|---|
| type | Type d’identité de service managé (où les types SystemAssigned et UserAssigned sont autorisés). | « SystemAssigned » « SystemAssigned,UserAssigned » « UserAssigned » (obligatoire) |
| identity_ids | Ensemble d’identités affectées par l’utilisateur associées à la ressource. Les clés de dictionnaire userAssignedIdentities seront des ID de ressource ARM sous la forme : « /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Les valeurs de dictionnaire peuvent être des objets vides ({}) dans les requêtes. | Tableau d’ID d’identité utilisateur. |
UserAssignedIdentities
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | UserAssignedIdentity |
UserAssignedIdentity
Cet objet ne contient aucune propriété à définir pendant le déploiement. Toutes les propriétés sont ReadOnly.
MonitoringTarget
| Nom | Description | Valeur |
|---|---|---|
| deploymentId | ID de ressource ARM de l’un des déploiements ciblés par ce moniteur. | corde |
| modelId | ID de ressource ARM de l’un des modèles ciblés par ce moniteur. | corde |
| taskType | [Obligatoire] Type de tâche Machine Learning du modèle. | « Classification » « QuestionAnswering » « Régression » (obligatoire) |
MonitorDefinitionSignals
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | MonitoringSignalBase |
MonitoringSignalBase
| Nom | Description | Valeur |
|---|---|---|
| notificationTypes | Mode de notification actuel pour ce signal. | Tableau de chaînes contenant l’un des éléments suivants : « AmlNotification » « AzureMonitor » |
| Propriétés | Dictionnaire de propriétés. Les propriétés peuvent être ajoutées, mais pas supprimées ou modifiées. | MonitoringSignalBaseProperties |
| signalType | Définir le type d’objet |
personnalisée DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (obligatoire) |
MonitoringSignalBaseProperties
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
CustomMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « Personnalisé » (obligatoire) |
| componentId | [Obligatoire] ID de ressource ARM de la ressource de composant utilisée pour calculer les métriques personnalisées. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| inputAssets | Surveillance des ressources à prendre en tant qu’entrée. La clé est le nom du port d’entrée du composant, la valeur est la ressource de données. | CustomMonitoringSignalInputAssets |
| Entrées | Paramètres de composant supplémentaires à prendre en tant qu’entrée. La clé est le nom du port d’entrée littéral du composant, la valeur est la valeur du paramètre. | CustomMonitoringSignalInputs |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | CustomMetricThreshold[] (obligatoire) |
| workspaceConnection | Liste des métriques à calculer et à leurs seuils associés. | MonitoringWorkspaceConnection |
CustomMonitoringSignalInputAssets
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | MonitoringInputDataBase |
MonitoringInputDataBase
| Nom | Description | Valeur |
|---|---|---|
| colonnes | Mappage des noms de colonnes à des utilisations spéciales. | MonitoringInputDataBaseColumns |
| dataContext | Métadonnées de contexte de la source de données. | corde |
| jobInputType | [Obligatoire] Spécifie le type de travail. | « custom_model » « littéral » « mlflow_model » « mltable » « triton_model » « uri_file » « uri_folder » (obligatoire) |
| URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| inputDataType | Définir le type d’objet |
fixe rolling statique (obligatoire) |
MonitoringInputDataBaseColumns
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
FixedInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | « Résolu » (obligatoire) |
RollingInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | « Rolling » (obligatoire) |
| preprocessingComponentId | ID de ressource ARM de la ressource de composant utilisée pour prétraiter les données. | corde |
| windowOffset | [Obligatoire] Décalage de temps entre la fin de la fenêtre de données et l’heure d’exécution actuelle du moniteur. | chaîne (obligatoire) |
| windowSize | [Obligatoire] Taille de la fenêtre de données de fin. | chaîne (obligatoire) |
StaticInputData
| Nom | Description | Valeur |
|---|---|---|
| inputDataType | [Obligatoire] Spécifie le type de signal à surveiller. | « Static » (obligatoire) |
| preprocessingComponentId | ID de ressource ARM de la ressource de composant utilisée pour prétraiter les données. | corde |
| windowEnd | [Obligatoire] Date de fin de la fenêtre de données. | chaîne (obligatoire) |
| windowStart | [Obligatoire] Date de début de la fenêtre de données. | chaîne (obligatoire) |
CustomMonitoringSignalInputs
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | JobInput |
CustomMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Métrique définie par l’utilisateur à calculer. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
MonitoringThreshold
| Nom | Description | Valeur |
|---|---|---|
| valeur | Valeur de seuil. Si la valeur est Null, la valeur par défaut définie dépend du type de métrique. | Int |
MonitoringWorkspaceConnection
| Nom | Description | Valeur |
|---|---|---|
| environmentVariables | Propriétés d’une connexion de service d’espace de travail à stocker en tant que variables d’environnement dans les travaux envoyés. La clé est le chemin de propriété de connexion de l’espace de travail, le nom est une clé de variable d’environnement. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Secrets | Propriétés d’une connexion de service d’espace de travail à stocker en tant que secrets dans les travaux envoyés. La clé est le chemin de propriété de connexion de l’espace de travail, le nom est une clé secrète. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
MonitoringWorkspaceConnectionSecrets
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
DataDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « DataDrift » (obligatoire) |
| dataSegment | Segment de données utilisé pour l’étendue d’un sous-ensemble de la population de données. | MonitoringDataSegment |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings |
| fonctionnalités | Filtre de caractéristiques qui identifie la fonctionnalité sur laquelle calculer la dérive. | MonitoringFeatureFilterBase |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | DataDriftMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
MonitoringDataSegment
| Nom | Description | Valeur |
|---|---|---|
| caractéristique | Fonctionnalité sur laquelle segmenter les données. | corde |
| Valeurs | Filtre uniquement les valeurs spécifiées de la fonctionnalité segmentée donnée. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | « Catégorie » « Numérique » |
FeatureImportanceSettings
| Nom | Description | Valeur |
|---|---|---|
| mode | Mode d’opération pour l’importance des fonctionnalités informatiques. | « Désactivé » « Activé » |
| targetColumn | Nom de la colonne cible dans la ressource de données d’entrée. | corde |
MonitoringFeatureFilterBase
| Nom | Description | Valeur |
|---|---|---|
| filterType | Définir le type d’objet |
AllFeatures FeatureSubset TopNByAttribution (obligatoire) |
AllFeatures
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | « AllFeatures » (obligatoire) |
FeatureSubset
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | « FeatureSubset » (obligatoire) |
| fonctionnalités | [Obligatoire] Liste des fonctionnalités à inclure. | string[] (obligatoire) |
TopNFeaturesByAttribution
| Nom | Description | Valeur |
|---|---|---|
| filterType | [Obligatoire] Spécifie le filtre de fonctionnalités à tirer parti lors de la sélection des fonctionnalités pour calculer les métriques. | « TopNByAttribution » (obligatoire) |
| Retour au début | Nombre de principales fonctionnalités à inclure. | Int |
DataDriftMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalDataDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Catégorie » (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de données catégorielles à calculer. | « JensenShannonDistance » « PearsonsChiSquaredTest » « PopulationStabilityIndex » (obligatoire) |
NumericalDataDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Numérique » (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de données numériques à calculer. | « JensenShannonDistance » « NormalizedWassersteinDistance » « PopulationStabilityIndex » « TwoSampleKolmogorovSmirnovTest » (obligatoire) |
DataQualityMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « DataQuality » (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings |
| fonctionnalités | Fonctionnalités permettant de calculer la dérive. | MonitoringFeatureFilterBase |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | DataQualityMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données produites par le service de production pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | « Catégorie » « Numérique » |
DataQualityMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalDataQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Catégorie » (obligatoire) |
| métrique | [Obligatoire] Métrique de qualité des données catégorielles à calculer. | « DataTypeErrorRate » « NullValueRate » « OutOfBoundsRate » (obligatoire) |
NumericalDataQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Numérique » (obligatoire) |
| métrique | [Obligatoire] Métrique de qualité des données numériques à calculer. | « DataTypeErrorRate » « NullValueRate » « OutOfBoundsRate » (obligatoire) |
FeatureAttributionDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « FeatureAttributionDrift » (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | [Obligatoire] Paramètres pour l’importance des fonctionnalités de calcul. | FeatureImportanceSettings (obligatoire) |
| metricThreshold | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | FeatureAttributionMetricThreshold (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase[] (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | « Catégorie » « Numérique » |
FeatureAttributionMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Métrique d’attribution de fonctionnalité à calculer. | « NormalizedDiscountedCumulativeGain » (obligatoire) |
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « GenerationSafetyQuality » (obligatoire) |
| metricThresholds | [Obligatoire] Obtient ou définit les métriques à calculer et les seuils correspondants. | GenerationSafetyQualityMetricThreshold[] (obligatoire) |
| productionData | Obtient ou définit les données de production pour les métriques de calcul. | MonitoringInputDataBase[] |
| samplingRate | [Obligatoire] Le taux d’échantillonnage des données de production doit être supérieur à 0 et au plus 1. | int (obligatoire) |
| workspaceConnectionId | Obtient ou définit l’ID de connexion de l’espace de travail utilisé pour se connecter au point de terminaison de génération de contenu. | corde |
GenerationSafetyQualityMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Obtient ou définit la métrique d’attribution de fonctionnalité à calculer. | « AcceptableCoherenceScorePerInstance » « AcceptableFluencyScorePerInstance » « AcceptableGroundednessScorePerInstance » « AcceptableRelevanceScorePerInstance » « AcceptableSimilarityScorePerInstance » « AggregatedCoherencePassRate » « AggregatedFluencyPassRate » « AggregatedGroundednessPassRate » « AggregatedRelevancePassRate » « AggregatedSimilarityPassRate » (obligatoire) |
| seuil | Obtient ou définit la valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « GenerationTokenStatistics » (obligatoire) |
| metricThresholds | [Obligatoire] Obtient ou définit les métriques à calculer et les seuils correspondants. | GenerationTokenUsageMetricThreshold[] (obligatoire) |
| productionData | Obtient ou définit les données de production pour les métriques de calcul. | MonitoringInputDataBase[] |
| samplingRate | [Obligatoire] Le taux d’échantillonnage des données de production doit être supérieur à 0 et au plus 1. | int (obligatoire) |
GenerationTokenUsageMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| métrique | [Obligatoire] Obtient ou définit la métrique d’attribution de fonctionnalité à calculer. | « TotalTokenCount » « TotalTokenCountPerGroup » (obligatoire) |
| seuil | Obtient ou définit la valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. |
MonitoringThreshold |
ModelPerformanceSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « ModelPerformance » (obligatoire) |
| dataSegment | Segment de données. | MonitoringDataSegment |
| metricThreshold | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | ModelPerformanceMetricThresholdBase (obligatoire) |
| productionData | [Obligatoire] Données produites par le service de production pour lesquelles les performances seront calculées. | MonitoringInputDataBase[] (obligatoire) |
| referenceData | [Obligatoire] Données de référence utilisées comme base pour calculer les performances du modèle. | MonitoringInputDataBase (obligatoire) |
ModelPerformanceMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| modelType | Définir le type d’objet |
classification régression (obligatoire) |
ClassificationModelPerformanceMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| modelType | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Classification » (obligatoire) |
| métrique | [Obligatoire] Performances du modèle de classification à calculer. | « Précision » « Précision » « Rappel » (obligatoire) |
RegressionModelPerformanceMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| modelType | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Régression » (obligatoire) |
| métrique | [Obligatoire] Métrique de performances du modèle de régression à calculer. | « MeanAbsoluteError » « MeanSquaredError » « RootMeanSquaredError » (obligatoire) |
PredictionDriftMonitoringSignal
| Nom | Description | Valeur |
|---|---|---|
| signalType | [Obligatoire] Spécifie le type de signal à surveiller. | « PredictionDrift » (obligatoire) |
| featureDataTypeOverride | Dictionnaire qui mappe les noms de fonctionnalités à leurs types de données respectifs. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Obligatoire] Liste des métriques à calculer et à leurs seuils associés. | PredictionDriftMetricThresholdBase[] (obligatoire) |
| productionData | [Obligatoire] Données pour lesquelles la dérive sera calculée. | MonitoringInputDataBase (obligatoire) |
| referenceData | [Obligatoire] Données à calculer par rapport à la dérive. | MonitoringInputDataBase (obligatoire) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | « Catégorie » « Numérique » |
PredictionDriftMetricThresholdBase
| Nom | Description | Valeur |
|---|---|---|
| seuil | Valeur de seuil. Si la valeur est Null, une valeur par défaut est définie en fonction de la métrique sélectionnée. | MonitoringThreshold |
| Datatype | Définir le type d’objet |
catégorie numérique (obligatoire) |
CategoricalPredictionDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Catégorie » (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de prédiction catégorielle à calculer. | « JensenShannonDistance » « PearsonsChiSquaredTest » « PopulationStabilityIndex » (obligatoire) |
NumericalPredictionDriftMetricThreshold
| Nom | Description | Valeur |
|---|---|---|
| Datatype | [Obligatoire] Spécifie le type de données du seuil de métrique. | « Numérique » (obligatoire) |
| métrique | [Obligatoire] Métrique de dérive de prédiction numérique à calculer. | « JensenShannonDistance » « NormalizedWassersteinDistance » « PopulationStabilityIndex » « TwoSampleKolmogorovSmirnovTest » (obligatoire) |
ImportDataAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | « ImportData » (obligatoire) |
| dataImportDefinition | [Obligatoire] Définit les détails de définition d’action de planification. | DataImport (obligatoire) |
DataImport
| Nom | Description | Valeur |
|---|---|---|
| assetName | Nom de la ressource pour le travail d’importation de données à créer | corde |
| autoDeleteSetting | Spécifie le paramètre de cycle de vie de la ressource de données managée. | AutoDeleteSetting |
| Datatype | [Obligatoire] Spécifie le type de données. | « mltable » « uri_file » « uri_folder » (obligatoire) |
| dataUri | [Obligatoire] URI des données. Exemple : https://go.microsoft.com/fwlink/?linkid=2202330 |
chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
| description | Texte de description de la ressource. | corde |
| intellectualProperty | Détails de propriété intellectuelle. Utilisé si les données sont une propriété intellectuelle. | IntellectualProperty |
| isAnonymous | Si la version du nom est générée par le système (inscription anonyme). Pour les types où l’étape est définie, lorsque l’étape est fournie, elle sera utilisée pour remplir IsAnonymous | Bool |
| isArchived | La ressource est-elle archivée ? Pour les types où l’étape est définie, lorsque l’étape est fournie, elle sera utilisée pour remplir IsArchived | Bool |
| Propriétés | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
| source | Données sources de la ressource à importer à partir de | DataImportSource |
| étape | Étape du cycle de vie des données affecté à cette ressource de données | corde |
| étiquettes | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | objet |
IntellectualProperty
| Nom | Description | Valeur |
|---|---|---|
| protectionLevel | Niveau de protection de la propriété intellectuelle. | « Tout » « Aucun » |
| éditeur | [Obligatoire] Éditeur de la propriété intellectuelle. Doit être identique au nom de l’éditeur du Registre. | chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
DataImportSource
| Nom | Description | Valeur |
|---|---|---|
| connexion | Connexion d’espace de travail pour le stockage source d’importation de données | corde |
| sourceType | Définir le type d’objet |
base de données file_system (obligatoire) |
DatabaseSource
| Nom | Description | Valeur |
|---|---|---|
| sourceType | [Obligatoire] Spécifie le type de données. | « base de données » (obligatoire) |
| requête | Instruction SQL Query pour la source de base de données d’importation de données | corde |
| storedProcedure | SQL StoredProcedure sur la source de base de données d’importation de données | corde |
| storedProcedureParams | Paramètres SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nom de la table sur la source de base de données d’importation de données | corde |
DatabaseSourceStoredProcedureParamsItem
| Nom | Description | Valeur |
|---|---|---|
| {propriété personnalisée} | corde |
FileSystemSource
| Nom | Description | Valeur |
|---|---|---|
| sourceType | [Obligatoire] Spécifie le type de données. | « file_system » (obligatoire) |
| chemin | Chemin d’accès à la source FileSystem d’importation de données | corde |
EndpointScheduleAction
| Nom | Description | Valeur |
|---|---|---|
| actionType | [Obligatoire] Spécifie le type d’action de la planification | « InvokeBatchEndpoint » (obligatoire) |
| endpointInvocationDefinition | [Obligatoire] Définit les détails de définition d’action de planification. {see href="TBD » /} |
TriggerBase
| Nom | Description | Valeur |
|---|---|---|
| endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
| startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
| timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous à : /windows-hardware/manufacture/desktop/default-time-zones /> |
corde |
| triggerType | Définir le type d’objet |
Cron périodicité (obligatoire) |
CronTrigger
| Nom | Description | Valeur |
|---|---|---|
| triggerType | [Obligatoire] | « Cron » (obligatoire) |
| expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
chaîne (obligatoire) Contraintes: Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nom | Description | Valeur |
|---|---|---|
| endTime | Spécifie l’heure de fin de la planification dans ISO 8601, mais sans décalage UTC. Reportez-vous https://en.wikipedia.org/wiki/ISO_8601.Le format recommenté serait « 2022-06-01T00:00:01 » S’il n’est pas présent, la planification s’exécute indéfiniment |
corde |
| fréquence | [Obligatoire] Fréquence de déclenchement de la planification. | « Jour » « Heure » « Minute » « Mois » « Semaine » (obligatoire) |
| intervalle | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
| horaire | Planification de périodicité. | périodicité |
| startTime | Spécifie l’heure de début de la planification au format ISO 8601, mais sans décalage UTC. | corde |
| timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. Reportez-vous à : /windows-hardware/manufacture/desktop/default-time-zones |
corde |
| triggerType | [Obligatoire] | « Cron » « Périodicité » (obligatoire) |
Périodicité
| Nom | Description | Valeur |
|---|---|---|
| Heures | [Obligatoire] Liste des heures pour la planification. | int[] (obligatoire) |
| compte-rendu | [Obligatoire] Liste des minutes de la planification. | int[] (obligatoire) |
| monthDays | Liste des jours de mois pour la planification | int[] |
| Semaine | Liste des jours de la planification. | Tableau de chaînes contenant l’un des éléments suivants : « Vendredi » « Lundi » « Samedi » « Dimanche » « Jeudi » « Mardi » « Mercredi » |