Microsoft.MachineLearningServices 작업 영역/작업 2024-01-01-preview

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

Bicep 리소스 정의

작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.

• 리소스 그룹 - 리소스 그룹 배포 명령 참조

각 API 버전에서 변경된 속성 목록은 변경 로그참조하세요.

리소스 형식

Microsoft.MachineLearningServices/workspaces/jobs 리소스를 만들려면 템플릿에 다음 Bicep을 추가합니다.

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

JobBaseProperties 개체

jobType 속성을 설정하여 개체 유형을 지정합니다.

AutoML경우 다음을 사용합니다.

  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
  }

명령경우 다음을 사용합니다.

  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'
  }

FineTuning경우 다음을 사용합니다.

  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
    }
  }

레이블 지정경우 다음을 사용합니다.

  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
  }

파이프라인경우 다음을 사용합니다.

  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'

spark경우 다음을 사용합니다.

  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'
  }

스윕경우 다음을 사용합니다.

  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'
    }
  }

IdentityConfiguration 개체

identityType 속성을 설정하여 개체 유형을 지정합니다.

AMLToken경우 다음을 사용합니다.

  identityType: 'AMLToken'

관리되는경우 다음을 사용합니다.

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

userIdentity경우 다음을 사용합니다.

  identityType: 'UserIdentity'

웹후크 개체

webhookType 속성을 설정하여 개체 유형을 지정합니다.

azureDevOps경우 다음을 사용합니다.

  webhookType: 'AzureDevOps'

노드 개체

nodesValueType 속성을 설정하여 개체 유형을 지정합니다.

모든경우 다음을 사용합니다.

  nodesValueType: 'All'

JobOutput 개체

jobOutputType 속성을 설정하여 개체 유형을 지정합니다.

custom_model경우 다음을 사용합니다.

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

mlflow_model경우 다음을 사용합니다.

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

mltable경우 다음을 사용합니다.

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

triton_model경우 다음을 사용합니다.

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

uri_file경우 다음을 사용합니다.

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

uri_folder경우 다음을 사용합니다.

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

AutoMLVertical 개체

taskType 속성을 설정하여 개체 유형을 지정합니다.

분류경우 다음을 사용합니다.

  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'

예측경우 다음을 사용합니다.

  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'

imageClassification경우 다음을 사용합니다.

  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

imageClassificationMultilabel경우 다음을 사용합니다.

  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

imageInstanceSegmentation경우 다음을 사용합니다.

  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

imageObjectDetection경우 다음을 사용합니다.

  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

회귀경우 다음을 사용합니다.

  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'

textClassification경우 다음을 사용합니다.

  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'
  }

TextClassificationMultilabel경우 다음을 사용합니다.

  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'
  }

TextNER경우 다음을 사용합니다.

  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'
  }

NCrossValidations 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

EarlyTerminationPolicy 개체

policyType 속성을 설정하여 개체 유형을 지정합니다.

산적경우 다음을 사용합니다.

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

MedianStopping경우 다음을 사용합니다.

  policyType: 'MedianStopping'

TruncationSelection경우 다음을 사용합니다.

  policyType: 'TruncationSelection'
  truncationPercentage: int

ForecastHorizon 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

계절성 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

TargetLags 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode: 'Auto'

사용자 지정경우 다음을 사용합니다.

  mode: 'Custom'
  value: int

DistributionConfiguration 개체

distributionType 속성을 설정하여 개체 유형을 지정합니다.

Mpi경우 다음을 사용합니다.

  distributionType: 'Mpi'
  processCountPerInstance: int

PyTorch경우 다음을 사용합니다.

  distributionType: 'PyTorch'
  processCountPerInstance: int

Ray경우 다음을 사용합니다.

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

TensorFlow경우 다음을 사용합니다.

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput 개체

개체 유형을 지정하려면 jobInputType 속성을 설정합니다.

custom_model경우 다음을 사용합니다.

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

리터럴경우 다음을 사용합니다.

  jobInputType: 'literal'
  value: 'string'

mlflow_model경우 다음을 사용합니다.

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

mltable경우 다음을 사용합니다.

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

triton_model경우 다음을 사용합니다.

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

uri_file경우 다음을 사용합니다.

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

uri_folder경우 다음을 사용합니다.

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

FineTuningVertical 개체

modelProvider 속성을 설정하여 개체 유형을 지정합니다.

AzureOpenAI경우 다음을 사용합니다.

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

사용자 지정경우 다음을 사용합니다.

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

LabelingJobMediaProperties 개체

mediaType 속성을 설정하여 개체 유형을 지정합니다.

이미지경우 다음을 사용합니다.

  mediaType: 'Image'
  annotationType: 'string'

텍스트경우 다음을 사용합니다.

  mediaType: 'Text'
  annotationType: 'string'

MLAssistConfiguration 개체

mlAssist 속성을 설정하여 개체 유형을 지정합니다.

사용 안 함경우 다음을 사용합니다.

  mlAssist: 'Disabled'

사용경우 다음을 사용합니다.

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

SparkJobEntry 개체

sparkJobEntryType 속성을 설정하여 개체 유형을 지정합니다.

SparkJobPythonEntry경우 다음을 사용합니다.

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

SparkJobScalaEntry경우 다음을 사용합니다.

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

SamplingAlgorithm 개체

샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.

Bayesian경우 다음을 사용합니다.

  samplingAlgorithmType: 'Bayesian'

Grid경우 다음을 사용합니다.

  samplingAlgorithmType: 'Grid'

임의경우 다음을 사용합니다.

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

속성 값

작업 영역/작업

이름	묘사	값
이름	리소스 이름 Bicep자식 리소스의 이름과 형식을 설정하는 방법을 알아보세요.	string(필수)
부모	Bicep에서 자식 리소스에 대한 부모 리소스를 지정할 수 있습니다. 자식 리소스가 부모 리소스 외부에서 선언된 경우에만 이 속성을 추가해야 합니다. 자세한 내용은 부모 리소스외부의 자식 리소스 참조하세요.	형식 리소스의 기호 이름: 작업 영역
속성	[필수] 엔터티의 추가 특성입니다.	JobBaseProperties(필수)

JobBaseProperties

이름	묘사	값
componentId	구성 요소 리소스의 ARM 리소스 ID입니다.	문자열
computeId	컴퓨팅 리소스의 ARM 리소스 ID입니다.	문자열
묘사	자산 설명 텍스트입니다.	문자열
displayName	작업의 표시 이름입니다.	문자열
experimentName	작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다.	문자열
신원	ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다. Null인 경우 기본값은 AmlToken입니다.	IdentityConfiguration
isArchived	자산이 보관되어 있나요?	bool
notificationSetting	작업에 대한 알림 설정	notificationSetting
속성	자산 속성 사전입니다.	ResourceBaseProperties
secretsConfiguration	런타임 중에 사용할 수 있는 비밀에 대한 구성입니다.	jobBaseSecretsConfiguration
서비스	JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.	JobBaseServices
태그	태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다.	객체
jobType	개체 유형 설정	AutoML 명령 미세 조정 레이블 지정 파이프라인 Spark 스윕(필수)

IdentityConfiguration

이름	묘사	값
identityType	개체 유형 설정	AMLToken 관리되는 userIdentity (필수)

AmlToken

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	'AMLToken'(필수)

ManagedIdentity

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	'Managed'(필수)
clientId	클라이언트 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열 제약 조건: 최소 길이 = 36 최대 길이 = 36 패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	개체 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열 제약 조건: 최소 길이 = 36 최대 길이 = 36 패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	ARM 리소스 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열

UserIdentity

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	'UserIdentity'(필수)

NotificationSetting

이름	묘사	값
emailOn	지정된 알림 유형에서 사용자에게 전자 메일 알림 보내기	다음 중 어느 것을 포함하는 문자열 배열: 'JobCancelled' 'JobCompleted' 'JobFailed'
전자 메일	쉼표 구분 기호를 사용하여 총 구성에서 499자로 제한되는 전자 메일 받는 사람 목록입니다.	string[]
웹후크	서비스에 웹후크 콜백을 보냅니다. 키는 웹후크의 사용자 제공 이름입니다.	NotificationSettingWebhooks

NotificationSettingWebhooks

이름	묘사	값
{customized property}		웹후크

웹후크

이름	묘사	값
eventType	지정된 알림 이벤트에 콜백 보내기	문자열
webhookType	개체 유형 설정	AzureDevOps (필수)

AzureDevOpsWebhook

이름	묘사	값
webhookType	[필수] 콜백을 보낼 서비스 유형을 지정합니다.	'AzureDevOps'(필수)

ResourceBaseProperties

이름	묘사	값
{customized property}		문자열

JobBaseSecretsConfiguration

이름	묘사	값
{customized property}		SecretConfiguration

SecretConfiguration

이름	묘사	값
uri	비밀 Uri입니다. 샘플 URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion	문자열
workspaceSecretName	작업 영역 키 자격 증명 모음의 비밀 이름입니다.	문자열

JobBaseServices

이름	묘사	값
{customized property}		jobService

JobService

이름	묘사	값
끝점	엔드포인트의 URL입니다.	문자열
jobServiceType	엔드포인트 유형입니다.	문자열
노드	사용자가 서비스를 시작하려는 노드입니다. 노드가 null로 설정되거나 설정되지 않은 경우 서비스는 리더 노드에서만 시작됩니다.	노드
항구	사용자가 설정한 엔드포인트에 대한 포트입니다.	int
속성	엔드포인트에서 설정할 추가 속성입니다.	JobServiceProperties

노드

이름	묘사	값
nodesValueType	개체 유형 설정	모든 (필수)

AllNodes

이름	묘사	값
nodesValueType	[필수] 노드 값의 형식	'All'(필수)

JobServiceProperties

이름	묘사	값
{customized property}		문자열

AutoMLJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'AutoML'(필수)
environmentId	작업에 대한 환경 사양의 ARM 리소스 ID입니다. 이 값은 선택적 값이며, 제공되지 않은 경우 AutoML은 작업을 실행할 때 이를 프로덕션 AutoML 큐레이팅된 환경 버전으로 기본값으로 지정합니다.	문자열
environmentVariables	작업에 포함된 환경 변수입니다.	autoMLJobEnvironmentVariables
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	AutoMLJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration
taskDetails	[필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다.	autoMLVertical (필수)

AutoMLJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

AutoMLJobOutputs

이름	묘사	값
{customized property}		JobOutput

JobOutput

이름	묘사	값
묘사	출력에 대한 설명입니다.	문자열
jobOutputType	개체 유형 설정	custom_model mlflow_model mltable triton_model uri_file uri_folder(필수)

CustomModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'custom_model'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

AutoDeleteSetting

이름	묘사	값
조건	자산이 만료되었는지 확인하는 경우	'CreatedGreaterThan' 'LastAccessedGreaterThan'
값	만료 조건 값입니다.	문자열

MLFlowModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'mlflow_model'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

MLTableJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'mltable'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

TritonModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'triton_model'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

UriFileJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'uri_file'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

UriFolderJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'uri_folder'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

QueueSettings

이름	묘사	값
jobTier	컴퓨팅 작업 계층을 제어합니다.	'기본' 'Null' '프리미엄' 'Spot' 'Standard'
우선권	컴퓨팅에서 작업의 우선 순위를 제어합니다.	int

JobResourceConfiguration

이름	묘사	값
dockerArgs	Docker 실행 명령에 전달할 추가 인수입니다. 이렇게 하면 시스템 또는 이 섹션에서 이미 설정한 매개 변수가 재정의됩니다. 이 매개 변수는 Azure ML 컴퓨팅 유형에 대해서만 지원됩니다.	문자열
instanceCount	컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다.	int
instanceType	컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다.	문자열
위치	작업을 실행할 수 있는 위치입니다.	string[]
maxInstanceCount	컴퓨팅 대상에서 사용할 인스턴스 또는 노드의 선택적 최대 허용 수입니다. 탄력적 학습에 사용하기 위해 현재 PyTorch 배포 유형에서만 지원됩니다.	int
속성	추가 속성 모음.	resourceConfigurationProperties
shmSize	Docker 컨테이너의 공유 메모리 블록 크기입니다. 이 형식은 (number)(unit) 형식이어야 합니다. 여기서 숫자는 0보다 크고 단위는 b(바이트), k(킬로바이트), m(메가바이트) 또는 g(기가바이트) 중 하나일 수 있습니다.	문자열 제약 조건: 패턴 = \d+[bBkKmMgG]

ResourceConfigurationProperties

이름	묘사	값
{customized property}		Bicep의 경우 any() 함수를 사용할 수 있습니다.

AutoMLVertical

이름	묘사	값
logVerbosity	작업에 대한 자세한 정보를 기록합니다.	'Critical' '디버그' 'Error' '정보' 'NotSet' '경고'
targetColumnName	대상 열 이름: 예측 값 열입니다. 분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.	문자열
trainingData	[필수] 학습 데이터 입력입니다.	MLTableJobInput(필수)
taskType	개체 유형 설정	분류 예측 imageClassification imageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 회귀 TextClassification TextClassificationMultilabel TextNER (필수)

MLTableJobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	[필수] 작업 유형을 지정합니다.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

분류

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'분류'(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
positiveLabel	이진 메트릭 계산에 대한 양의 레이블입니다.	문자열
primaryMetric	작업에 대한 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	ClassificationTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

TableVerticalFeaturizationSettings

이름	묘사	값
blockedTransformers	이러한 변압기는 기능화에 사용되지 않습니다.	다음 중 어느 것을 포함하는 문자열 배열: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' '나이브베이즈' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다.	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	텍스트 데이터에 유용한 데이터 세트 언어입니다.	문자열
enableDnnFeaturization	데이터 기능화에 Dnn 기반 기능화기를 사용할지 여부를 결정합니다.	bool
모드	기능화 모드 - 사용자는 기본 '자동' 모드를 유지할 수 있으며 AutoML은 기능화 단계에서 필요한 데이터 변환을 처리합니다. '끄기'를 선택하면 기능화가 수행되지 않습니다. '사용자 지정'을 선택하면 사용자는 추가 입력을 지정하여 기능화를 수행하는 방법을 사용자 지정할 수 있습니다.	'Auto' 'Custom' 'Off'
transformerParams	사용자는 적용할 열 및 변환기 생성자에 대한 매개 변수와 함께 사용할 추가 변환기를 지정할 수 있습니다.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

이름	묘사	값
{customized property}		문자열

TableVerticalFeaturizationSettingsTransformerParams

이름	묘사	값
{customized property}		ColumnTransformer[]

ColumnTransformer

이름	묘사	값
필드	변환기 논리를 적용할 필드입니다.	string[]
매개 변수	변환기에 전달할 다른 속성입니다. 필요한 입력은 키 사전, JSON 형식의 값 쌍입니다.	Bicep의 경우 any() 함수를 사용할 수 있습니다.

TableFixedParameters

이름	묘사	값
부스터	부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다.	문자열
boostingType	증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다.	문자열
growPolicy	새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	int
maxBin	버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다.	int
maxDepth	트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다.	int
maxLeaves	트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다.	int
minDataInLeaf	리프당 최소 데이터 수입니다.	int
minSplitGain	트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다.	int
modelName	학습할 모델의 이름입니다.	문자열
nEstimators	모델에서 트리(또는 반올림) 수를 지정합니다.	int
numLeaves	나뭇잎 수를 지정합니다.	int
preprocessorName	사용할 전처리기의 이름입니다.	문자열
regAlpha	가중치에 대한 L1 정규화 용어입니다.	int
regLambda	가중치에 대한 L2 정규화 용어입니다.	int
subsample	학습 인스턴스의 하위 샘플 비율입니다.	int
subsampleFreq	하위 샘플의 빈도입니다.	int
treeMethod	트리 메서드를 지정합니다.	문자열
withMean	true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다.	bool
withStd	true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다.	bool

TableVerticalLimitSettings

이름	묘사	값
enableEarlyTermination	조기 종료를 사용하도록 설정하고, 지난 20번의 반복에서 점수 개선이 없는 경우 AutoMLJob이 일찍 종료되는지 여부를 결정합니다.	bool
exitScore	AutoML 작업의 종료 점수입니다.	int
maxConcurrentTrials	최대 동시 반복입니다.	int
maxCoresPerTrial	반복당 최대 코어 수입니다.	int
maxNodes	실험에 사용할 최대 노드입니다.	int
maxTrials	반복 횟수입니다.	int
sweepConcurrentTrials	사용자가 트리거하려는 동시 스윕 실행의 수입니다.	int
sweepTrials	사용자가 트리거하려는 스윕 실행 수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열
trialTimeout	반복 시간 제한입니다.	문자열

NCrossValidations

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoNCrossValidations

이름	묘사	값
모드	[필수] N 교차 유효성 검사를 결정하는 모드입니다.	'Auto'(필수)

CustomNCrossValidations

이름	묘사	값
모드	[필수] N 교차 유효성 검사를 결정하는 모드입니다.	'Custom'(필수)
값	[필수] N 교차 유효성 검사 값입니다.	int(필수)

TableParameterSubspace

이름	묘사	값
부스터	부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다.	문자열
boostingType	증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다.	문자열
growPolicy	새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	문자열
maxBin	버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다.	문자열
maxDepth	트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다.	문자열
maxLeaves	트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다.	문자열
minDataInLeaf	리프당 최소 데이터 수입니다.	문자열
minSplitGain	트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다.	문자열
modelName	학습할 모델의 이름입니다.	문자열
nEstimators	모델에서 트리(또는 반올림) 수를 지정합니다.	문자열
numLeaves	나뭇잎 수를 지정합니다.	문자열
preprocessorName	사용할 전처리기의 이름입니다.	문자열
regAlpha	가중치에 대한 L1 정규화 용어입니다.	문자열
regLambda	가중치에 대한 L2 정규화 용어입니다.	문자열
subsample	학습 인스턴스의 하위 샘플 비율입니다.	문자열
subsampleFreq	하위 샘플의 빈도	문자열
treeMethod	트리 메서드를 지정합니다.	문자열
withMean	true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다.	문자열
withStd	true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다.	문자열

TableSweepSettings

이름	묘사	값
earlyTermination	비우기 작업에 대한 조기 종료 정책 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 샘플링 알고리즘의 유형입니다.	'베이지안' 'Grid' 'Random'(필수)

EarlyTerminationPolicy

이름	묘사	값
delayEvaluation	첫 번째 평가를 지연할 간격 수입니다.	int
evaluationInterval	정책 평가 사이의 간격(실행 수)입니다.	int
policyType	개체 유형 설정	산적 MedianStopping TruncationSelection(필수)

BanditPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	'Bandit'(필수)
slackAmount	최상의 실행에서 허용되는 절대 거리입니다.	int
slackFactor	가장 성능이 좋은 실행에서 허용된 거리의 비율입니다.	int

MedianStoppingPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	'MedianStopping'(필수)

TruncationSelectionPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	'TruncationSelection'(필수)
truncationPercentage	각 평가 간격에서 취소할 실행의 백분율입니다.	int

ClassificationTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	분류 작업에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '베르누울리나이브베이즈' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' '멀티노미알나이브베이즈' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	분류 태스크에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '베르누울리나이브베이즈' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' '멀티노미알나이브베이즈' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	'Auto' 'Distributed' 'NonDistributed'

StackEnsembleSettings

이름	묘사	값
stackMetaLearnerKWargs	메타 학습자의 이니셜라이저에 전달할 선택적 매개 변수입니다.	Bicep의 경우 any() 함수를 사용할 수 있습니다.
stackMetaLearnerTrainPercentage	메타 학습자를 학습하기 위해 예약할 학습 집합의 비율(학습 및 학습 유효성 검사 유형을 선택할 때)을 지정합니다. 기본값은 0.2입니다.	int
stackMetaLearnerType	메타 학습자는 개별 이종 모델의 출력에 대해 학습된 모델입니다.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None'

예측

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'예측'(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
forecastingSettings	예측 작업별 입력.	ForecastingSettings
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
primaryMetric	예측 작업에 대한 기본 메트릭입니다.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	ForecastingTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

ForecastingSettings

이름	묘사	값
countryOrRegionForHolidays	예측 작업에 대한 휴일의 국가 또는 지역입니다. ISO 3166 두 글자 국가/지역 코드(예: 'US' 또는 'GB')여야 합니다.	문자열
cvStepSize	한 CV 접기의 원본 시간과 다음 접기 사이의 기간 수입니다. 때문에 예를 들어 일일 데이터의 경우 CVStepSize = 3이면 각 접기 원본 시간이 됩니다. 3일 간격.	int
featureLags	'auto' 또는 null을 사용하여 숫자 기능에 대한 지연을 생성하는 플래그입니다.	'Auto' 'None'
featuresUnknownAtForecastTime	학습에 사용할 수 있지만 예측/유추 시 알 수 없는 기능 열입니다. features_unknown_at_forecast_time 설정되지 않은 경우 데이터 세트의 모든 기능 열이 유추 시간에 알려진 것으로 간주됩니다.	string[]
forecastHorizon	시계열 빈도 단위로 원하는 최대 예측 수평선입니다.	ForecastHorizon
빈도	예측 시 이 매개 변수는 예측이 필요한 기간(예: 매일, 매주, 매년 등)을 나타냅니다. 예측 빈도는 기본적으로 데이터 세트 빈도입니다.	문자열
계절	시계열 계절성을 계열 빈도의 정수 배수로 설정합니다. 계절성이 'auto'로 설정되면 유추됩니다.	계절성
shortSeriesHandlingConfig	AutoML에서 짧은 시계열을 처리하는 방법을 정의하는 매개 변수입니다.	'Auto' 'Drop' 'None' 'Pad'
targetAggregateFunction	사용자가 지정한 빈도를 준수하도록 시계열 대상 열을 집계하는 데 사용할 함수입니다. TargetAggregateFunction이 설정된 경우(예: 'None'이 아니라 freq 매개 변수가 설정되지 않은 경우) 오류가 발생합니다. 가능한 대상 집계 함수는 "sum", "max", "min" 및 "mean"입니다.	'Max' 'Mean' 'Min' 'None' 'Sum'
targetLags	대상 열에서 지연할 지난 기간의 수입니다.	TargetLags
targetRollingWindowSize	대상 열의 롤링 창 평균을 만드는 데 사용된 이전 기간의 수입니다.	TargetRollingWindowSize
timeColumnName	시간 열의 이름입니다. 이 매개 변수는 시계열을 빌드하고 해당 빈도를 유추하는 데 사용되는 입력 데이터의 날짜/시간 열을 지정하도록 예측할 때 필요합니다.	문자열
timeSeriesIdColumnNames	타임스레터를 그룹화하는 데 사용되는 열의 이름입니다. 여러 계열을 만드는 데 사용할 수 있습니다. 그레인이 정의되지 않은 경우 데이터 집합은 하나의 시계열로 간주됩니다. 이 매개 변수는 작업 유형 예측에 사용됩니다.	string[]
useStl	시계열 대상 열의 STL 분해를 구성합니다.	'None' '시즌' 'SeasonTrend'

ForecastHorizon

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoForecastHorizon

이름	묘사	값
모드	[필수] 예측 수평선 값 선택 모드를 설정합니다.	'Auto'(필수)

CustomForecastHorizon

이름	묘사	값
모드	[필수] 예측 수평선 값 선택 모드를 설정합니다.	'Custom'(필수)
값	[필수] 예측 수평선 값입니다.	int(필수)

계절

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoSeasonality

이름	묘사	값
모드	[필수] 계절성 모드입니다.	'Auto'(필수)

CustomSeasonality

이름	묘사	값
모드	[필수] 계절성 모드입니다.	'Custom'(필수)
값	[필수] 계절성 값입니다.	int(필수)

TargetLags

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoTargetLags

이름	묘사	값
모드	[필수] 대상 지연 모드 설정 - 자동/사용자 지정	'Auto'(필수)

CustomTargetLags

이름	묘사	값
모드	[필수] 대상 지연 모드 설정 - 자동/사용자 지정	'Custom'(필수)
값	[필수] 대상 지연 값을 설정합니다.	int[] (필수)

TargetRollingWindowSize

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoTargetRollingWindowSize

이름	묘사	값
모드	[필수] TargetRollingWindowSiz 검색 모드입니다.	'Auto'(필수)

CustomTargetRollingWindowSize

이름	묘사	값
모드	[필수] TargetRollingWindowSiz 검색 모드입니다.	'Custom'(필수)
값	[필수] TargetRollingWindowSize 값입니다.	int(필수)

ForecastingTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	예측 작업에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '아리맥스' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '예언자' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	예측 작업에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '아리맥스' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '예언자' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	'Auto' 'Distributed' 'NonDistributed'

ImageClassification

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageClassification'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsClassification
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	ImageModelDistributionSettingsClassification[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageLimitSettings

이름	묘사	값
maxConcurrentTrials	동시 AutoML 반복의 최대 수입니다.	int
maxTrials	AutoML 반복의 최대 수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열

ImageModelSettingsClassification

이름	묘사	값
advancedSettings	고급 시나리오에 대한 설정입니다.	문자열
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	bool
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
checkpointFrequency	모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다.	int
checkpointModel	증분 학습을 위한 미리 학습된 검사점 모델입니다.	MLFlowModelJobInput
checkpointRunId	증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다.	문자열
분산	분산 학습을 사용할지 여부입니다.	bool
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	bool
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	int
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	int
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	bool
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	int
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	int
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	'None' 'Step' 'WarmupCosine'
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	bool
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	int
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	int
최적화	최적화 프로그램의 유형입니다.	'아담' 'Adamw' 'None' 'Sgd'
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	int
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	int
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
trainingCropSize	학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	int
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationCropSize	유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	int
validationResizeSize	유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다.	int
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	int
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int
weightedLoss	가중 손실. 허용되는 값은 가중치 손실 없이 0입니다. sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.	int

MLFlowModelJobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	[필수] 작업 유형을 지정합니다.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

이름	묘사	값
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	문자열
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
분산	배포자 학습을 사용할지 여부입니다.	문자열
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	문자열
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	문자열
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	문자열
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	문자열
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	문자열
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	문자열
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	문자열
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	문자열
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	문자열
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	문자열
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	문자열
최적화	최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다.	문자열
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	문자열
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	문자열
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
trainingCropSize	학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	문자열
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationCropSize	유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	문자열
validationResizeSize	유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다.	문자열
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	문자열
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열
weightedLoss	가중 손실. 허용되는 값은 가중치 손실 없이 0입니다. sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.	문자열

ImageSweepSettings

이름	묘사	값
earlyTermination	조기 종료 정책의 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다.	'베이지안' 'Grid' 'Random'(필수)

ImageClassificationMultilabel

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageClassificationMultilabel'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsClassification
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	ImageModelDistributionSettingsClassification[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageInstanceSegmentation

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageInstanceSegmentation'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsObjectDetection
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'MeanAveragePrecision'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	imageModelDistributionSettingsObjectDetection[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageModelSettingsObjectDetection

이름	묘사	값
advancedSettings	고급 시나리오에 대한 설정입니다.	문자열
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	bool
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
boxDetectionsPerImage	모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
boxScoreThreshold	유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다. BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int
checkpointFrequency	모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다.	int
checkpointModel	증분 학습을 위한 미리 학습된 검사점 모델입니다.	MLFlowModelJobInput
checkpointRunId	증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다.	문자열
분산	분산 학습을 사용할지 여부입니다.	bool
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	bool
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	int
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	int
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	bool
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	int
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	int
imageSize	학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	int
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	'None' 'Step' 'WarmupCosine'
logTrainingMetrics	컴퓨팅 및 로깅 학습 메트릭을 사용하도록 설정합니다.	'Disable' '사용'
logValidationLoss	컴퓨팅 및 로깅 유효성 검사 손실을 사용하도록 설정합니다.	'Disable' '사용'
maxSize	백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
minSize	백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
modelSize	모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다. 참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	'ExtraLarge' 'Large' 'Medium' 'None' 'Small'
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
multiScale	이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다. 참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	bool
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	bool
nmsIouThreshold	NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	int
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	int
최적화	최적화 프로그램의 유형입니다.	'아담' 'Adamw' 'None' 'Sgd'
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	int
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	int
tileGridSize	각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는 작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tileOverlapRatio	각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
tilePredictionsNmsThreshold	타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다. 유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationIouThreshold	유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	int
validationMetricType	유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다.	'코코' 'CocoVoc' 'None' 'Voc'
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	int
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int

ImageModelDistributionSettingsObjectDetection

이름	묘사	값
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	문자열
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
boxDetectionsPerImage	모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
boxScoreThreshold	유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다. BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열
분산	배포자 학습을 사용할지 여부입니다.	문자열
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	문자열
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	문자열
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	문자열
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	문자열
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	문자열
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	문자열
imageSize	학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	문자열
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	문자열
maxSize	백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
minSize	백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
modelSize	모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다. 참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
multiScale	이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다. 참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	문자열
nmsIouThreshold	NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	문자열
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	문자열
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	문자열
최적화	최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다.	문자열
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	문자열
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	문자열
tileGridSize	각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는 작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tileOverlapRatio	각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tilePredictionsNmsThreshold	타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다. 유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다. NMS: 최대값이 아닌 표시 안 함	문자열
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationIouThreshold	유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	문자열
validationMetricType	유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. 'none', 'coco', 'voc' 또는 'coco_voc'이어야 합니다.	문자열
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	문자열
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열

ImageObjectDetection

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageObjectDetection'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsObjectDetection
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'MeanAveragePrecision'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	imageModelDistributionSettingsObjectDetection[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

회귀

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'회귀'(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
primaryMetric	회귀 태스크에 대한 기본 메트릭입니다.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	RegressionTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

RegressionTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	회귀 태스크에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	회귀 태스크에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	'Auto' 'Distributed' 'NonDistributed'

TextClassification

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'TextClassification'(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
primaryMetric	Text-Classification 작업에 대한 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

NlpVerticalFeaturizationSettings

이름	묘사	값
datasetLanguage	텍스트 데이터에 유용한 데이터 세트 언어입니다.	문자열

NlpFixedParameters

이름	묘사	값
gradientAccumulationSteps	뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다.	int
learningRate	학습 절차의 학습 속도입니다.	int
learningRateScheduler	학습 절차 중에 사용할 학습 속도 일정의 유형입니다.	'상수' 'ConstantWithWarmup' '코사인' 'CosineWithRestarts' '선형' 'None' '다항식'
modelName	학습할 모델의 이름입니다.	문자열
numberOfEpochs	학습 epoch의 수입니다.	int
trainingBatchSize	학습 절차의 일괄 처리 크기입니다.	int
validationBatchSize	평가 중에 사용할 일괄 처리 크기입니다.	int
warmupRatio	LrSchedulerType과 함께 사용되는 준비 비율입니다.	int
weightDecay	학습 절차의 체중 감소입니다.	int

NlpVerticalLimitSettings

이름	묘사	값
maxConcurrentTrials	최대 동시 AutoML 반복입니다.	int
maxNodes	실험에 사용할 최대 노드입니다.	int
maxTrials	AutoML 반복 횟수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열
trialTimeout	개별 HD 평가판에 대한 시간 제한입니다.	문자열

NlpParameterSubspace

이름	묘사	값
gradientAccumulationSteps	뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	문자열
learningRateScheduler	학습 절차 중에 사용할 학습 속도 일정의 유형입니다.	문자열
modelName	학습할 모델의 이름입니다.	문자열
numberOfEpochs	학습 epoch의 수입니다.	문자열
trainingBatchSize	학습 절차의 일괄 처리 크기입니다.	문자열
validationBatchSize	평가 중에 사용할 일괄 처리 크기입니다.	문자열
warmupRatio	LrSchedulerType과 함께 사용되는 준비 비율입니다.	문자열
weightDecay	학습 절차의 체중 감소입니다.	문자열

NlpSweepSettings

이름	묘사	값
earlyTermination	비우기 작업에 대한 조기 종료 정책 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 샘플링 알고리즘의 유형입니다.	'베이지안' 'Grid' 'Random'(필수)

TextClassificationMultilabel

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'TextClassificationMultilabel'(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

TextNer

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'TextNER'(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

CommandJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Command'(필수)
autologgerSettings	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다.	AutologgerSettings
codeId	코드 자산의 ARM 리소스 ID입니다.	문자열
명령	[필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py"	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
분포	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch, Ray 또는 null 중 하나여야 합니다.	DistributionConfiguration
environmentId	[필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
environmentVariables	작업에 포함된 환경 변수입니다.	CommandJobEnvironmentVariables
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	commandJobInputs
제한	명령 작업 제한입니다.	CommandJobLimits
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	CommandJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration

AutologgerSettings

이름	묘사	값
mlflowAutologger	[필수] mlflow 자동 로그기를 사용할 수 있는지 여부를 나타냅니다.	'사용 안 함' 'Enabled'(필수)

DistributionConfiguration

이름	묘사	값
distributionType	개체 유형 설정	Mpi PyTorch 레이 TensorFlow(필수)

Mpi

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'Mpi'(필수)
processCountPerInstance	MPI 노드당 프로세스 수입니다.	int

PyTorch

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'PyTorch'(필수)
processCountPerInstance	노드당 프로세스 수입니다.	int

광선

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'Ray'(필수)
주소	Ray 헤드 노드의 주소입니다.	문자열
dashboardPort	대시보드 서버를 바인딩할 포트입니다.	int
headNodeAdditionalArgs	헤드 노드에서 광선 시작에 전달되는 추가 인수입니다.	문자열
includeDashboard	Ray 대시보드 GUI를 시작하려면 이 인수를 제공합니다.	bool
항구	헤드 레이 프로세스의 포트입니다.	int
workerNodeAdditionalArgs	작업자 노드에서 광선 시작에 전달된 추가 인수입니다.	문자열

TensorFlow

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'TensorFlow'(필수)
parameterServerCount	매개 변수 서버 작업의 수입니다.	int
workerCount	작업자 수입니다. 지정하지 않으면 기본값은 인스턴스 수입니다.	int

CommandJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

CommandJobInputs

이름	묘사	값
{customized property}		JobInput

JobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	개체 유형 설정	custom_model 리터럴 mlflow_model mltable triton_model uri_file uri_folder(필수)

CustomModelJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'custom_model'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

LiteralJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'literal'(필수)
값	[필수] 입력에 대한 리터럴 값입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

TritonModelJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'triton_model'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

UriFileJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'uri_file'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

UriFolderJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'uri_folder'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

CommandJobLimits

이름	묘사	값
jobLimitsType	[필수] JobLimit 형식입니다.	'Command' 'Sweep'(필수)
타임 아웃	ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다.	문자열

CommandJobOutputs

이름	묘사	값
{customized property}		JobOutput

FineTuningJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'FineTuning'(필수)
fineTuningDetails	[필수]	fineTuningVertical (필수)
출력	[필수]	FineTuningJobOutputs(필수)

FineTuningVertical

이름	묘사	값
모델	[필수] 미세 조정을 위한 입력 모델입니다.	MLFlowModelJobInput(필수)
taskType	[필수] 미세 조정 작업 유형입니다.	'ChatCompletion' 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'QuestionAnswering' 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' 'TokenClassification' 'VideoMultiObjectTracking'(필수)
trainingData	[필수] 미세 조정을 위한 학습 데이터입니다.	JobInput(필수)
validationData	미세 조정을 위한 유효성 검사 데이터입니다.	JobInput
modelProvider	개체 유형 설정	AzureOpenAI 사용자 지정(필수)

AzureOpenAiFineTuning

이름	묘사	값
modelProvider	[필수] 미세 조정 유형을 결정하는 열거형입니다.	'AzureOpenAI'(필수)
하이퍼 매개 변수	Azure Open AI 모델을 미세 조정하기 위한 HyperParameters입니다.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

이름	묘사	값
batchSize	각 일괄 처리의 예제 수입니다. 일괄 처리 크기가 클수록 모델 매개 변수는 덜 자주 업데이트되지만 분산은 낮습니다.	int
learningRateMultiplier	학습 속도에 대한 배율 인수입니다. 학습 속도가 작을수록 과잉 맞춤을 방지하는 데 유용할 수 있습니다.	int
nEpochs	모델을 학습시킬 Epoch의 수입니다. Epoch는 학습 데이터 세트를 통해 하나의 전체 주기를 나타냅니다.	int

CustomModelFineTuning

이름	묘사	값
modelProvider	[필수] 미세 조정 유형을 결정하는 열거형입니다.	'Custom'(필수)
하이퍼 매개 변수	사용자 지정 모델을 미세 조정하기 위한 HyperParameters입니다.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

이름	묘사	값
{customized property}		문자열

FineTuningJobOutputs

이름	묘사	값
{customized property}		JobOutput

LabelingJobProperties

이름	묘사	값
componentId	구성 요소 리소스의 ARM 리소스 ID입니다.	문자열
computeId	컴퓨팅 리소스의 ARM 리소스 ID입니다.	문자열
dataConfiguration	작업에 사용되는 데이터의 구성입니다.	labelingDataConfiguration
묘사	자산 설명 텍스트입니다.	문자열
displayName	작업의 표시 이름입니다.	문자열
experimentName	작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다.	문자열
신원	ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다. Null인 경우 기본값은 AmlToken입니다.	IdentityConfiguration
isArchived	자산이 보관되어 있나요?	bool
jobInstructions	작업의 지침에 레이블을 지정합니다.	LabelingJobInstructions
jobType	[필수] 작업 유형을 지정합니다.	'AutoML' 'Command' '미세 조정' '레이블 지정' '파이프라인' 'Spark' 'Sweep'(필수)
labelCategories	작업의 레이블 범주입니다.	LabelingJobLabelCategories
labelingJobMediaProperties	작업에서 미디어 유형별 속성입니다.	LabelingJobMediaProperties
mlAssistConfiguration	작업에서 MLAssist 기능의 구성입니다.	MLAssistConfiguration
notificationSetting	작업에 대한 알림 설정	notificationSetting
속성	자산 속성 사전입니다.	ResourceBaseProperties
secretsConfiguration	런타임 중에 사용할 수 있는 비밀에 대한 구성입니다.	jobBaseSecretsConfiguration
서비스	JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.	JobBaseServices
태그	태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다.	객체

LabelingDataConfiguration

이름	묘사	값
dataId	레이블 지정을 수행할 데이터 자산의 리소스 ID입니다.	문자열
incrementalDataRefresh	증분 데이터 새로 고침을 사용할지 여부를 나타냅니다.	'사용 안 함' 'Enabled'

LabelingJobInstructions

이름	묘사	값
uri	레이블 지정에 대한 자세한 레이블 지정 지침이 있는 페이지에 대한 링크입니다.	문자열

LabelingJobLabelCategories

이름	묘사	값
{customized property}		LabelCategory

LabelCategory

이름	묘사	값
클래스	이 범주의 레이블 클래스 사전입니다.	LabelCategoryClasses
displayName	레이블 범주의 표시 이름입니다.	문자열
multiSelect	이 범주에서 여러 클래스를 선택할 수 있는지 여부를 나타냅니다.	'사용 안 함' 'Enabled'

LabelCategoryClasses

이름	묘사	값
{customized property}		labelClass

LabelClass

이름	묘사	값
displayName	레이블 클래스의 표시 이름입니다.	문자열
서브 클래스	레이블 클래스의 하위 클래스 사전입니다.	LabelClassSubclasses

LabelClassSubclasses

이름	묘사	값
{customized property}		labelClass

LabelingJobMediaProperties

이름	묘사	값
mediaType	개체 유형 설정	이미지 텍스트(필수)

LabelingJobImageProperties

이름	묘사	값
mediaType	[필수] 작업의 미디어 유형입니다.	'Image'(필수)
annotationType	이미지 레이블 지정 작업의 주석 유형입니다.	'BoundingBox' '분류' 'InstanceSegmentation'

LabelingJobTextProperties

이름	묘사	값
mediaType	[필수] 작업의 미디어 유형입니다.	'Text'(필수)
annotationType	텍스트 레이블 지정 작업의 주석 형식입니다.	'분류' 'NamedEntityRecognition'

MLAssistConfiguration

이름	묘사	값
mlAssist	개체 유형 설정	사용 안 함 사용(필수)

MLAssistConfigurationDisabled

이름	묘사	값
mlAssist	[필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다.	'Disabled'(필수)

MLAssistConfigurationEnabled

이름	묘사	값
mlAssist	[필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다.	'Enabled'(필수)
inferencingComputeBinding	[필수] 추론에 사용되는 AML 컴퓨팅 바인딩입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
trainingComputeBinding	[필수] 학습에 사용되는 AML 컴퓨팅 바인딩입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

PipelineJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Pipeline'(필수)
입력	파이프라인 작업에 대한 입력입니다.	pipelineJobInputs
작업	작업은 파이프라인 작업을 생성합니다.	pipelineJobJobs
출력	파이프라인 작업에 대한 출력	PipelineJobOutputs
설정	ContinueRunOnStepFailure 등의 파이프라인 설정	Bicep의 경우 any() 함수를 사용할 수 있습니다.
sourceJobId	원본 작업의 ARM 리소스 ID입니다.	문자열

PipelineJobInputs

이름	묘사	값
{customized property}		JobInput

PipelineJobJobs

이름	묘사	값
{customized property}		Bicep의 경우 any() 함수를 사용할 수 있습니다.

PipelineJobOutputs

이름	묘사	값
{customized property}		JobOutput

SparkJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Spark'(필수)
공문서	작업에 사용되는 파일을 보관합니다.	string[]
인수(args)	작업에 대한 인수입니다.	문자열
codeId	[필수] 코드 자산의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
conf	Spark가 구성한 속성입니다.	SparkJobConf
항목	[필수] 작업을 시작할 때 실행할 항목입니다.	SparkJobEntry(필수)
environmentId	작업에 대한 환경 사양의 ARM 리소스 ID입니다.	문자열
environmentVariables	작업에 포함된 환경 변수입니다.	SparkJobEnvironmentVariables
파일	작업에 사용되는 파일입니다.	string[]
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	SparkJobInputs
항아리	작업에 사용되는 Jar 파일입니다.	string[]
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	SparkJobOutputs
pyFiles	작업에 사용되는 Python 파일입니다.	string[]
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	SparkResourceConfiguration

SparkJobConf

이름	묘사	값
{customized property}		문자열

SparkJobEntry

이름	묘사	값
sparkJobEntryType	개체 유형 설정	SparkJobPythonEntry SparkJobScalaEntry(필수)

SparkJobPythonEntry

이름	묘사	값
sparkJobEntryType	[필수] 작업의 진입점 유형입니다.	'SparkJobPythonEntry'(필수)
파일	[필수] 작업 진입점에 대한 상대 Python 파일 경로입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SparkJobScalaEntry

이름	묘사	값
sparkJobEntryType	[필수] 작업의 진입점 유형입니다.	'SparkJobScalaEntry'(필수)
className	[필수] 진입점으로 사용되는 Scala 클래스 이름입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SparkJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

SparkJobInputs

이름	묘사	값
{customized property}		JobInput

SparkJobOutputs

이름	묘사	값
{customized property}		JobOutput

SparkResourceConfiguration

이름	묘사	값
instanceType	컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다.	문자열
runtimeVersion	작업에 사용되는 Spark 런타임의 버전입니다.	문자열

SweepJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Sweep'(필수)
componentConfiguration	구성 요소 스윕에 대한 구성 요소 구성	ComponentConfiguration
earlyTermination	조기 종료 정책을 사용하면 완료하기 전에 성능이 저하된 실행을 취소할 수 있습니다.	earlyTerminationPolicy
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	SweepJobInputs
제한	스윕 작업 제한입니다.	SweepJobLimits
목표	[필수] 최적화 목표입니다.	Objective(필수)
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	SweepJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration
samplingAlgorithm	[필수] 하이퍼 매개 변수 샘플링 알고리즘	SamplingAlgorithm(필수)
searchSpace	[필수] 각 매개 변수와 해당 분포를 포함하는 사전입니다. 사전 키는 매개 변수의 이름입니다.	Bicep의 경우 any() 함수를 사용할 수 있습니다. (필수)
재판	[필수] 평가판 구성 요소 정의입니다.	trialComponent (필수)

ComponentConfiguration

이름	묘사	값
pipelineSettings	ContinueRunOnStepFailure 등의 파이프라인 설정	Bicep의 경우 any() 함수를 사용할 수 있습니다.

SweepJobInputs

이름	묘사	값
{customized property}		JobInput

SweepJobLimits

이름	묘사	값
jobLimitsType	[필수] JobLimit 형식입니다.	'Command' 'Sweep'(필수)
maxConcurrentTrials	작업 최대 동시 평가판을 스윕합니다.	int
maxTotalTrials	스윕 작업 최대 총 평가판입니다.	int
타임 아웃	ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다.	문자열
trialTimeout	비우기 작업 평가판 시간 제한 값입니다.	문자열

목표

이름	묘사	값
골	[필수] 하이퍼 매개 변수 튜닝에 지원되는 메트릭 목표를 정의합니다.	'최대화' '최소화'(필수)
primaryMetric	[필수] 최적화할 메트릭의 이름입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SweepJobOutputs

이름	묘사	값
{customized property}		JobOutput

SamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	개체 유형 설정	베이지안 Grid 임의 (필수)

BayesianSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	'Bayesian'(필수)

GridSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	'Grid'(필수)

RandomSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	'Random'(필수)
logbase	로그 기반 임의 샘플링의 기준으로 사용할 문자열 형식의 선택적 양수 또는 e	문자열
규칙	특정 유형의 임의 알고리즘	'Random' 'Sobol'
씨	난수 생성을 위한 시드로 사용할 선택적 정수입니다.	int

TrialComponent

이름	묘사	값
codeId	코드 자산의 ARM 리소스 ID입니다.	문자열
명령	[필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py"	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
분포	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다.	DistributionConfiguration
environmentId	[필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
environmentVariables	작업에 포함된 환경 변수입니다.	trialComponentEnvironmentVariables
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration

TrialComponentEnvironmentVariables

이름	묘사	값
{customized property}		문자열

빠른 시작 템플릿

다음 빠른 시작 템플릿은 이 리소스 유형을 배포합니다.

템플렛	묘사
Azure Machine Learning AutoML 분류 작업 만들기 Azure 배포	이 템플릿은 Azure Machine Learning AutoML 분류 작업을 만들어 클라이언트가 금융 기관과 고정 기간 보증금을 구독할지 예측하는 데 가장 적합한 모델을 찾습니다.
Azure Machine Learning 명령 작업 만들기 Azure 배포	이 템플릿은 기본 hello_world 스크립트를 사용하여 Azure Machine Learning 명령 작업을 만듭니다.
azure Machine Learning Sweep 작업 만들기 Azure 배포	이 템플릿은 하이퍼 매개 변수 튜닝을 위한 Azure Machine Learning Sweep 작업을 만듭니다.

ARM 템플릿 리소스 정의

작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.

• 리소스 그룹 - 리소스 그룹 배포 명령 참조

각 API 버전에서 변경된 속성 목록은 변경 로그참조하세요.

리소스 형식

Microsoft.MachineLearningServices/workspaces/jobs 리소스를 만들려면 템플릿에 다음 JSON을 추가합니다.

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

JobBaseProperties 개체

jobType 속성을 설정하여 개체 유형을 지정합니다.

AutoML경우 다음을 사용합니다.

  "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
  }

명령경우 다음을 사용합니다.

  "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"
  }

FineTuning경우 다음을 사용합니다.

  "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
    }
  }

레이블 지정경우 다음을 사용합니다.

  "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
  }

파이프라인경우 다음을 사용합니다.

  "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"

spark경우 다음을 사용합니다.

  "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"
  }

스윕경우 다음을 사용합니다.

  "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"
    }
  }

IdentityConfiguration 개체

identityType 속성을 설정하여 개체 유형을 지정합니다.

AMLToken경우 다음을 사용합니다.

  "identityType": "AMLToken"

관리되는경우 다음을 사용합니다.

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

userIdentity경우 다음을 사용합니다.

  "identityType": "UserIdentity"

웹후크 개체

webhookType 속성을 설정하여 개체 유형을 지정합니다.

azureDevOps경우 다음을 사용합니다.

  "webhookType": "AzureDevOps"

노드 개체

nodesValueType 속성을 설정하여 개체 유형을 지정합니다.

모든경우 다음을 사용합니다.

  "nodesValueType": "All"

JobOutput 개체

jobOutputType 속성을 설정하여 개체 유형을 지정합니다.

custom_model경우 다음을 사용합니다.

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

mlflow_model경우 다음을 사용합니다.

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

mltable경우 다음을 사용합니다.

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

triton_model경우 다음을 사용합니다.

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

uri_file경우 다음을 사용합니다.

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

uri_folder경우 다음을 사용합니다.

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

AutoMLVertical 개체

taskType 속성을 설정하여 개체 유형을 지정합니다.

분류경우 다음을 사용합니다.

  "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"

예측경우 다음을 사용합니다.

  "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"

imageClassification경우 다음을 사용합니다.

  "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"

imageClassificationMultilabel경우 다음을 사용합니다.

  "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"

imageInstanceSegmentation경우 다음을 사용합니다.

  "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"

imageObjectDetection경우 다음을 사용합니다.

  "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"

회귀경우 다음을 사용합니다.

  "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"

textClassification경우 다음을 사용합니다.

  "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"
  }

TextClassificationMultilabel경우 다음을 사용합니다.

  "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"
  }

TextNER경우 다음을 사용합니다.

  "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"
  }

NCrossValidations 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

EarlyTerminationPolicy 개체

policyType 속성을 설정하여 개체 유형을 지정합니다.

산적경우 다음을 사용합니다.

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

MedianStopping경우 다음을 사용합니다.

  "policyType": "MedianStopping"

TruncationSelection경우 다음을 사용합니다.

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

ForecastHorizon 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

계절성 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

TargetLags 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

TargetRollingWindowSize 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  "mode": "Auto"

사용자 지정경우 다음을 사용합니다.

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

DistributionConfiguration 개체

distributionType 속성을 설정하여 개체 유형을 지정합니다.

Mpi경우 다음을 사용합니다.

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

PyTorch경우 다음을 사용합니다.

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

Ray경우 다음을 사용합니다.

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

TensorFlow경우 다음을 사용합니다.

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

JobInput 개체

개체 유형을 지정하려면 jobInputType 속성을 설정합니다.

custom_model경우 다음을 사용합니다.

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

리터럴경우 다음을 사용합니다.

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

mlflow_model경우 다음을 사용합니다.

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

mltable경우 다음을 사용합니다.

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

triton_model경우 다음을 사용합니다.

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

uri_file경우 다음을 사용합니다.

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

uri_folder경우 다음을 사용합니다.

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

FineTuningVertical 개체

modelProvider 속성을 설정하여 개체 유형을 지정합니다.

AzureOpenAI경우 다음을 사용합니다.

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

사용자 지정경우 다음을 사용합니다.

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

LabelingJobMediaProperties 개체

mediaType 속성을 설정하여 개체 유형을 지정합니다.

이미지경우 다음을 사용합니다.

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

텍스트경우 다음을 사용합니다.

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

MLAssistConfiguration 개체

mlAssist 속성을 설정하여 개체 유형을 지정합니다.

사용 안 함경우 다음을 사용합니다.

  "mlAssist": "Disabled"

사용경우 다음을 사용합니다.

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

SparkJobEntry 개체

sparkJobEntryType 속성을 설정하여 개체 유형을 지정합니다.

SparkJobPythonEntry경우 다음을 사용합니다.

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

SparkJobScalaEntry경우 다음을 사용합니다.

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

SamplingAlgorithm 개체

샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.

Bayesian경우 다음을 사용합니다.

  "samplingAlgorithmType": "Bayesian"

Grid경우 다음을 사용합니다.

  "samplingAlgorithmType": "Grid"

임의경우 다음을 사용합니다.

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

속성 값

작업 영역/작업

이름	묘사	값
형	리소스 종류	'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion	리소스 api 버전	'2024-01-01-preview'
이름	리소스 이름 JSON ARM 템플릿자식 리소스의 이름과 형식을 설정하는 방법을 참조하세요.	string(필수)
속성	[필수] 엔터티의 추가 특성입니다.	JobBaseProperties(필수)

JobBaseProperties

이름	묘사	값
componentId	구성 요소 리소스의 ARM 리소스 ID입니다.	문자열
computeId	컴퓨팅 리소스의 ARM 리소스 ID입니다.	문자열
묘사	자산 설명 텍스트입니다.	문자열
displayName	작업의 표시 이름입니다.	문자열
experimentName	작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다.	문자열
신원	ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다. Null인 경우 기본값은 AmlToken입니다.	IdentityConfiguration
isArchived	자산이 보관되어 있나요?	bool
notificationSetting	작업에 대한 알림 설정	notificationSetting
속성	자산 속성 사전입니다.	ResourceBaseProperties
secretsConfiguration	런타임 중에 사용할 수 있는 비밀에 대한 구성입니다.	jobBaseSecretsConfiguration
서비스	JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.	JobBaseServices
태그	태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다.	객체
jobType	개체 유형 설정	AutoML 명령 미세 조정 레이블 지정 파이프라인 Spark 스윕(필수)

IdentityConfiguration

이름	묘사	값
identityType	개체 유형 설정	AMLToken 관리되는 userIdentity (필수)

AmlToken

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	'AMLToken'(필수)

ManagedIdentity

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	'Managed'(필수)
clientId	클라이언트 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열 제약 조건: 최소 길이 = 36 최대 길이 = 36 패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	개체 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열 제약 조건: 최소 길이 = 36 최대 길이 = 36 패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	ARM 리소스 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열

UserIdentity

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	'UserIdentity'(필수)

NotificationSetting

이름	묘사	값
emailOn	지정된 알림 유형에서 사용자에게 전자 메일 알림 보내기	다음 중 어느 것을 포함하는 문자열 배열: 'JobCancelled' 'JobCompleted' 'JobFailed'
전자 메일	쉼표 구분 기호를 사용하여 총 구성에서 499자로 제한되는 전자 메일 받는 사람 목록입니다.	string[]
웹후크	서비스에 웹후크 콜백을 보냅니다. 키는 웹후크의 사용자 제공 이름입니다.	NotificationSettingWebhooks

NotificationSettingWebhooks

이름	묘사	값
{customized property}		웹후크

웹후크

이름	묘사	값
eventType	지정된 알림 이벤트에 콜백 보내기	문자열
webhookType	개체 유형 설정	AzureDevOps (필수)

AzureDevOpsWebhook

이름	묘사	값
webhookType	[필수] 콜백을 보낼 서비스 유형을 지정합니다.	'AzureDevOps'(필수)

ResourceBaseProperties

이름	묘사	값
{customized property}		문자열

JobBaseSecretsConfiguration

이름	묘사	값
{customized property}		SecretConfiguration

SecretConfiguration

이름	묘사	값
uri	비밀 Uri입니다. 샘플 URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion	문자열
workspaceSecretName	작업 영역 키 자격 증명 모음의 비밀 이름입니다.	문자열

JobBaseServices

이름	묘사	값
{customized property}		jobService

JobService

이름	묘사	값
끝점	엔드포인트의 URL입니다.	문자열
jobServiceType	엔드포인트 유형입니다.	문자열
노드	사용자가 서비스를 시작하려는 노드입니다. 노드가 null로 설정되거나 설정되지 않은 경우 서비스는 리더 노드에서만 시작됩니다.	노드
항구	사용자가 설정한 엔드포인트에 대한 포트입니다.	int
속성	엔드포인트에서 설정할 추가 속성입니다.	JobServiceProperties

노드

이름	묘사	값
nodesValueType	개체 유형 설정	모든 (필수)

AllNodes

이름	묘사	값
nodesValueType	[필수] 노드 값의 형식	'All'(필수)

JobServiceProperties

이름	묘사	값
{customized property}		문자열

AutoMLJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'AutoML'(필수)
environmentId	작업에 대한 환경 사양의 ARM 리소스 ID입니다. 이 값은 선택적 값이며, 제공되지 않은 경우 AutoML은 작업을 실행할 때 이를 프로덕션 AutoML 큐레이팅된 환경 버전으로 기본값으로 지정합니다.	문자열
environmentVariables	작업에 포함된 환경 변수입니다.	autoMLJobEnvironmentVariables
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	AutoMLJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration
taskDetails	[필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다.	autoMLVertical (필수)

AutoMLJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

AutoMLJobOutputs

이름	묘사	값
{customized property}		JobOutput

JobOutput

이름	묘사	값
묘사	출력에 대한 설명입니다.	문자열
jobOutputType	개체 유형 설정	custom_model mlflow_model mltable triton_model uri_file uri_folder(필수)

CustomModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'custom_model'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

AutoDeleteSetting

이름	묘사	값
조건	자산이 만료되었는지 확인하는 경우	'CreatedGreaterThan' 'LastAccessedGreaterThan'
값	만료 조건 값입니다.	문자열

MLFlowModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'mlflow_model'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

MLTableJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'mltable'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

TritonModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'triton_model'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

UriFileJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'uri_file'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

UriFolderJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	'uri_folder'(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	'Direct' 'ReadWriteMount' '업로드'
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

QueueSettings

이름	묘사	값
jobTier	컴퓨팅 작업 계층을 제어합니다.	'기본' 'Null' '프리미엄' 'Spot' 'Standard'
우선권	컴퓨팅에서 작업의 우선 순위를 제어합니다.	int

JobResourceConfiguration

이름	묘사	값
dockerArgs	Docker 실행 명령에 전달할 추가 인수입니다. 이렇게 하면 시스템 또는 이 섹션에서 이미 설정한 매개 변수가 재정의됩니다. 이 매개 변수는 Azure ML 컴퓨팅 유형에 대해서만 지원됩니다.	문자열
instanceCount	컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다.	int
instanceType	컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다.	문자열
위치	작업을 실행할 수 있는 위치입니다.	string[]
maxInstanceCount	컴퓨팅 대상에서 사용할 인스턴스 또는 노드의 선택적 최대 허용 수입니다. 탄력적 학습에 사용하기 위해 현재 PyTorch 배포 유형에서만 지원됩니다.	int
속성	추가 속성 모음.	resourceConfigurationProperties
shmSize	Docker 컨테이너의 공유 메모리 블록 크기입니다. 이 형식은 (number)(unit) 형식이어야 합니다. 여기서 숫자는 0보다 크고 단위는 b(바이트), k(킬로바이트), m(메가바이트) 또는 g(기가바이트) 중 하나일 수 있습니다.	문자열 제약 조건: 패턴 = \d+[bBkKmMgG]

ResourceConfigurationProperties

이름	묘사	값
{customized property}

AutoMLVertical

이름	묘사	값
logVerbosity	작업에 대한 자세한 정보를 기록합니다.	'Critical' '디버그' 'Error' '정보' 'NotSet' '경고'
targetColumnName	대상 열 이름: 예측 값 열입니다. 분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.	문자열
trainingData	[필수] 학습 데이터 입력입니다.	MLTableJobInput(필수)
taskType	개체 유형 설정	분류 예측 imageClassification imageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 회귀 TextClassification TextClassificationMultilabel TextNER (필수)

MLTableJobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	[필수] 작업 유형을 지정합니다.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

분류

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'분류'(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
positiveLabel	이진 메트릭 계산에 대한 양의 레이블입니다.	문자열
primaryMetric	작업에 대한 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	ClassificationTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

TableVerticalFeaturizationSettings

이름	묘사	값
blockedTransformers	이러한 변압기는 기능화에 사용되지 않습니다.	다음 중 어느 것을 포함하는 문자열 배열: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' '나이브베이즈' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다.	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	텍스트 데이터에 유용한 데이터 세트 언어입니다.	문자열
enableDnnFeaturization	데이터 기능화에 Dnn 기반 기능화기를 사용할지 여부를 결정합니다.	bool
모드	기능화 모드 - 사용자는 기본 '자동' 모드를 유지할 수 있으며 AutoML은 기능화 단계에서 필요한 데이터 변환을 처리합니다. '끄기'를 선택하면 기능화가 수행되지 않습니다. '사용자 지정'을 선택하면 사용자는 추가 입력을 지정하여 기능화를 수행하는 방법을 사용자 지정할 수 있습니다.	'Auto' 'Custom' 'Off'
transformerParams	사용자는 적용할 열 및 변환기 생성자에 대한 매개 변수와 함께 사용할 추가 변환기를 지정할 수 있습니다.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

이름	묘사	값
{customized property}		문자열

TableVerticalFeaturizationSettingsTransformerParams

이름	묘사	값
{customized property}		ColumnTransformer[]

ColumnTransformer

이름	묘사	값
필드	변환기 논리를 적용할 필드입니다.	string[]
매개 변수	변환기에 전달할 다른 속성입니다. 필요한 입력은 키 사전, JSON 형식의 값 쌍입니다.

TableFixedParameters

이름	묘사	값
부스터	부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다.	문자열
boostingType	증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다.	문자열
growPolicy	새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	int
maxBin	버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다.	int
maxDepth	트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다.	int
maxLeaves	트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다.	int
minDataInLeaf	리프당 최소 데이터 수입니다.	int
minSplitGain	트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다.	int
modelName	학습할 모델의 이름입니다.	문자열
nEstimators	모델에서 트리(또는 반올림) 수를 지정합니다.	int
numLeaves	나뭇잎 수를 지정합니다.	int
preprocessorName	사용할 전처리기의 이름입니다.	문자열
regAlpha	가중치에 대한 L1 정규화 용어입니다.	int
regLambda	가중치에 대한 L2 정규화 용어입니다.	int
subsample	학습 인스턴스의 하위 샘플 비율입니다.	int
subsampleFreq	하위 샘플의 빈도입니다.	int
treeMethod	트리 메서드를 지정합니다.	문자열
withMean	true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다.	bool
withStd	true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다.	bool

TableVerticalLimitSettings

이름	묘사	값
enableEarlyTermination	조기 종료를 사용하도록 설정하고, 지난 20번의 반복에서 점수 개선이 없는 경우 AutoMLJob이 일찍 종료되는지 여부를 결정합니다.	bool
exitScore	AutoML 작업의 종료 점수입니다.	int
maxConcurrentTrials	최대 동시 반복입니다.	int
maxCoresPerTrial	반복당 최대 코어 수입니다.	int
maxNodes	실험에 사용할 최대 노드입니다.	int
maxTrials	반복 횟수입니다.	int
sweepConcurrentTrials	사용자가 트리거하려는 동시 스윕 실행의 수입니다.	int
sweepTrials	사용자가 트리거하려는 스윕 실행 수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열
trialTimeout	반복 시간 제한입니다.	문자열

NCrossValidations

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoNCrossValidations

이름	묘사	값
모드	[필수] N 교차 유효성 검사를 결정하는 모드입니다.	'Auto'(필수)

CustomNCrossValidations

이름	묘사	값
모드	[필수] N 교차 유효성 검사를 결정하는 모드입니다.	'Custom'(필수)
값	[필수] N 교차 유효성 검사 값입니다.	int(필수)

TableParameterSubspace

이름	묘사	값
부스터	부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다.	문자열
boostingType	증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다.	문자열
growPolicy	새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	문자열
maxBin	버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다.	문자열
maxDepth	트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다.	문자열
maxLeaves	트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다.	문자열
minDataInLeaf	리프당 최소 데이터 수입니다.	문자열
minSplitGain	트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다.	문자열
modelName	학습할 모델의 이름입니다.	문자열
nEstimators	모델에서 트리(또는 반올림) 수를 지정합니다.	문자열
numLeaves	나뭇잎 수를 지정합니다.	문자열
preprocessorName	사용할 전처리기의 이름입니다.	문자열
regAlpha	가중치에 대한 L1 정규화 용어입니다.	문자열
regLambda	가중치에 대한 L2 정규화 용어입니다.	문자열
subsample	학습 인스턴스의 하위 샘플 비율입니다.	문자열
subsampleFreq	하위 샘플의 빈도	문자열
treeMethod	트리 메서드를 지정합니다.	문자열
withMean	true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다.	문자열
withStd	true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다.	문자열

TableSweepSettings

이름	묘사	값
earlyTermination	비우기 작업에 대한 조기 종료 정책 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 샘플링 알고리즘의 유형입니다.	'베이지안' 'Grid' 'Random'(필수)

EarlyTerminationPolicy

이름	묘사	값
delayEvaluation	첫 번째 평가를 지연할 간격 수입니다.	int
evaluationInterval	정책 평가 사이의 간격(실행 수)입니다.	int
policyType	개체 유형 설정	산적 MedianStopping TruncationSelection(필수)

BanditPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	'Bandit'(필수)
slackAmount	최상의 실행에서 허용되는 절대 거리입니다.	int
slackFactor	가장 성능이 좋은 실행에서 허용된 거리의 비율입니다.	int

MedianStoppingPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	'MedianStopping'(필수)

TruncationSelectionPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	'TruncationSelection'(필수)
truncationPercentage	각 평가 간격에서 취소할 실행의 백분율입니다.	int

ClassificationTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	분류 작업에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '베르누울리나이브베이즈' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' '멀티노미알나이브베이즈' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	분류 태스크에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '베르누울리나이브베이즈' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' '멀티노미알나이브베이즈' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	'Auto' 'Distributed' 'NonDistributed'

StackEnsembleSettings

이름	묘사	값
stackMetaLearnerKWargs	메타 학습자의 이니셜라이저에 전달할 선택적 매개 변수입니다.
stackMetaLearnerTrainPercentage	메타 학습자를 학습하기 위해 예약할 학습 집합의 비율(학습 및 학습 유효성 검사 유형을 선택할 때)을 지정합니다. 기본값은 0.2입니다.	int
stackMetaLearnerType	메타 학습자는 개별 이종 모델의 출력에 대해 학습된 모델입니다.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None'

예측

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'예측'(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
forecastingSettings	예측 작업별 입력.	ForecastingSettings
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
primaryMetric	예측 작업에 대한 기본 메트릭입니다.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	ForecastingTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

ForecastingSettings

이름	묘사	값
countryOrRegionForHolidays	예측 작업에 대한 휴일의 국가 또는 지역입니다. ISO 3166 두 글자 국가/지역 코드(예: 'US' 또는 'GB')여야 합니다.	문자열
cvStepSize	한 CV 접기의 원본 시간과 다음 접기 사이의 기간 수입니다. 때문에 예를 들어 일일 데이터의 경우 CVStepSize = 3이면 각 접기 원본 시간이 됩니다. 3일 간격.	int
featureLags	'auto' 또는 null을 사용하여 숫자 기능에 대한 지연을 생성하는 플래그입니다.	'Auto' 'None'
featuresUnknownAtForecastTime	학습에 사용할 수 있지만 예측/유추 시 알 수 없는 기능 열입니다. features_unknown_at_forecast_time 설정되지 않은 경우 데이터 세트의 모든 기능 열이 유추 시간에 알려진 것으로 간주됩니다.	string[]
forecastHorizon	시계열 빈도 단위로 원하는 최대 예측 수평선입니다.	ForecastHorizon
빈도	예측 시 이 매개 변수는 예측이 필요한 기간(예: 매일, 매주, 매년 등)을 나타냅니다. 예측 빈도는 기본적으로 데이터 세트 빈도입니다.	문자열
계절	시계열 계절성을 계열 빈도의 정수 배수로 설정합니다. 계절성이 'auto'로 설정되면 유추됩니다.	계절성
shortSeriesHandlingConfig	AutoML에서 짧은 시계열을 처리하는 방법을 정의하는 매개 변수입니다.	'Auto' 'Drop' 'None' 'Pad'
targetAggregateFunction	사용자가 지정한 빈도를 준수하도록 시계열 대상 열을 집계하는 데 사용할 함수입니다. TargetAggregateFunction이 설정된 경우(예: 'None'이 아니라 freq 매개 변수가 설정되지 않은 경우) 오류가 발생합니다. 가능한 대상 집계 함수는 "sum", "max", "min" 및 "mean"입니다.	'Max' 'Mean' 'Min' 'None' 'Sum'
targetLags	대상 열에서 지연할 지난 기간의 수입니다.	TargetLags
targetRollingWindowSize	대상 열의 롤링 창 평균을 만드는 데 사용된 이전 기간의 수입니다.	TargetRollingWindowSize
timeColumnName	시간 열의 이름입니다. 이 매개 변수는 시계열을 빌드하고 해당 빈도를 유추하는 데 사용되는 입력 데이터의 날짜/시간 열을 지정하도록 예측할 때 필요합니다.	문자열
timeSeriesIdColumnNames	타임스레터를 그룹화하는 데 사용되는 열의 이름입니다. 여러 계열을 만드는 데 사용할 수 있습니다. 그레인이 정의되지 않은 경우 데이터 집합은 하나의 시계열로 간주됩니다. 이 매개 변수는 작업 유형 예측에 사용됩니다.	string[]
useStl	시계열 대상 열의 STL 분해를 구성합니다.	'None' '시즌' 'SeasonTrend'

ForecastHorizon

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoForecastHorizon

이름	묘사	값
모드	[필수] 예측 수평선 값 선택 모드를 설정합니다.	'Auto'(필수)

CustomForecastHorizon

이름	묘사	값
모드	[필수] 예측 수평선 값 선택 모드를 설정합니다.	'Custom'(필수)
값	[필수] 예측 수평선 값입니다.	int(필수)

계절

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoSeasonality

이름	묘사	값
모드	[필수] 계절성 모드입니다.	'Auto'(필수)

CustomSeasonality

이름	묘사	값
모드	[필수] 계절성 모드입니다.	'Custom'(필수)
값	[필수] 계절성 값입니다.	int(필수)

TargetLags

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoTargetLags

이름	묘사	값
모드	[필수] 대상 지연 모드 설정 - 자동/사용자 지정	'Auto'(필수)

CustomTargetLags

이름	묘사	값
모드	[필수] 대상 지연 모드 설정 - 자동/사용자 지정	'Custom'(필수)
값	[필수] 대상 지연 값을 설정합니다.	int[] (필수)

TargetRollingWindowSize

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoTargetRollingWindowSize

이름	묘사	값
모드	[필수] TargetRollingWindowSiz 검색 모드입니다.	'Auto'(필수)

CustomTargetRollingWindowSize

이름	묘사	값
모드	[필수] TargetRollingWindowSiz 검색 모드입니다.	'Custom'(필수)
값	[필수] TargetRollingWindowSize 값입니다.	int(필수)

ForecastingTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	예측 작업에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '아리맥스' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '예언자' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	예측 작업에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: '아리맥스' 'AutoArima' 'Average' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' '예언자' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	'Auto' 'Distributed' 'NonDistributed'

ImageClassification

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageClassification'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsClassification
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	ImageModelDistributionSettingsClassification[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageLimitSettings

이름	묘사	값
maxConcurrentTrials	동시 AutoML 반복의 최대 수입니다.	int
maxTrials	AutoML 반복의 최대 수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열

ImageModelSettingsClassification

이름	묘사	값
advancedSettings	고급 시나리오에 대한 설정입니다.	문자열
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	bool
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
checkpointFrequency	모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다.	int
checkpointModel	증분 학습을 위한 미리 학습된 검사점 모델입니다.	MLFlowModelJobInput
checkpointRunId	증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다.	문자열
분산	분산 학습을 사용할지 여부입니다.	bool
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	bool
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	int
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	int
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	bool
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	int
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	int
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	'None' 'Step' 'WarmupCosine'
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	bool
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	int
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	int
최적화	최적화 프로그램의 유형입니다.	'아담' 'Adamw' 'None' 'Sgd'
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	int
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	int
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
trainingCropSize	학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	int
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationCropSize	유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	int
validationResizeSize	유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다.	int
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	int
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int
weightedLoss	가중 손실. 허용되는 값은 가중치 손실 없이 0입니다. sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.	int

MLFlowModelJobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	[필수] 작업 유형을 지정합니다.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

이름	묘사	값
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	문자열
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
분산	배포자 학습을 사용할지 여부입니다.	문자열
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	문자열
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	문자열
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	문자열
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	문자열
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	문자열
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	문자열
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	문자열
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	문자열
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	문자열
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	문자열
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	문자열
최적화	최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다.	문자열
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	문자열
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	문자열
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
trainingCropSize	학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	문자열
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationCropSize	유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	문자열
validationResizeSize	유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다.	문자열
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	문자열
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열
weightedLoss	가중 손실. 허용되는 값은 가중치 손실 없이 0입니다. sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.	문자열

ImageSweepSettings

이름	묘사	값
earlyTermination	조기 종료 정책의 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다.	'베이지안' 'Grid' 'Random'(필수)

ImageClassificationMultilabel

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageClassificationMultilabel'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsClassification
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	ImageModelDistributionSettingsClassification[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageInstanceSegmentation

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageInstanceSegmentation'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsObjectDetection
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'MeanAveragePrecision'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	imageModelDistributionSettingsObjectDetection[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageModelSettingsObjectDetection

이름	묘사	값
advancedSettings	고급 시나리오에 대한 설정입니다.	문자열
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	bool
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
boxDetectionsPerImage	모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
boxScoreThreshold	유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다. BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int
checkpointFrequency	모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다.	int
checkpointModel	증분 학습을 위한 미리 학습된 검사점 모델입니다.	MLFlowModelJobInput
checkpointRunId	증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다.	문자열
분산	분산 학습을 사용할지 여부입니다.	bool
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	bool
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	int
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	int
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	bool
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	int
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	int
imageSize	학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	int
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	'None' 'Step' 'WarmupCosine'
logTrainingMetrics	컴퓨팅 및 로깅 학습 메트릭을 사용하도록 설정합니다.	'Disable' '사용'
logValidationLoss	컴퓨팅 및 로깅 유효성 검사 손실을 사용하도록 설정합니다.	'Disable' '사용'
maxSize	백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
minSize	백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
modelSize	모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다. 참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	'ExtraLarge' 'Large' 'Medium' 'None' 'Small'
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
multiScale	이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다. 참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	bool
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	bool
nmsIouThreshold	NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	int
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	int
최적화	최적화 프로그램의 유형입니다.	'아담' 'Adamw' 'None' 'Sgd'
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	int
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	int
tileGridSize	각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는 작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tileOverlapRatio	각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
tilePredictionsNmsThreshold	타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다. 유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationIouThreshold	유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	int
validationMetricType	유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다.	'코코' 'CocoVoc' 'None' 'Voc'
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	int
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int

ImageModelDistributionSettingsObjectDetection

이름	묘사	값
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	문자열
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
boxDetectionsPerImage	모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
boxScoreThreshold	유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다. BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열
분산	배포자 학습을 사용할지 여부입니다.	문자열
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	문자열
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	문자열
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	문자열
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	문자열
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	문자열
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	문자열
imageSize	학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	문자열
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	문자열
maxSize	백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
minSize	백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
modelSize	모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다. 참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
multiScale	이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다. 참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	문자열
nmsIouThreshold	NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	문자열
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	문자열
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	문자열
최적화	최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다.	문자열
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	문자열
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	문자열
tileGridSize	각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는 작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tileOverlapRatio	각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tilePredictionsNmsThreshold	타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다. 유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다. NMS: 최대값이 아닌 표시 안 함	문자열
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationIouThreshold	유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	문자열
validationMetricType	유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. 'none', 'coco', 'voc' 또는 'coco_voc'이어야 합니다.	문자열
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	문자열
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열

ImageObjectDetection

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'ImageObjectDetection'(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsObjectDetection
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	'MeanAveragePrecision'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	imageModelDistributionSettingsObjectDetection[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

회귀

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'회귀'(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
primaryMetric	회귀 태스크에 대한 기본 메트릭입니다.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' '스피어만코렐레이션'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	RegressionTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

RegressionTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	회귀 태스크에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	회귀 태스크에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	'Auto' 'Distributed' 'NonDistributed'

TextClassification

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'TextClassification'(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
primaryMetric	Text-Classification 작업에 대한 기본 메트릭입니다.	'AUCWeighted' '정확도' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

NlpVerticalFeaturizationSettings

이름	묘사	값
datasetLanguage	텍스트 데이터에 유용한 데이터 세트 언어입니다.	문자열

NlpFixedParameters

이름	묘사	값
gradientAccumulationSteps	뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다.	int
learningRate	학습 절차의 학습 속도입니다.	int
learningRateScheduler	학습 절차 중에 사용할 학습 속도 일정의 유형입니다.	'상수' 'ConstantWithWarmup' '코사인' 'CosineWithRestarts' '선형' 'None' '다항식'
modelName	학습할 모델의 이름입니다.	문자열
numberOfEpochs	학습 epoch의 수입니다.	int
trainingBatchSize	학습 절차의 일괄 처리 크기입니다.	int
validationBatchSize	평가 중에 사용할 일괄 처리 크기입니다.	int
warmupRatio	LrSchedulerType과 함께 사용되는 준비 비율입니다.	int
weightDecay	학습 절차의 체중 감소입니다.	int

NlpVerticalLimitSettings

이름	묘사	값
maxConcurrentTrials	최대 동시 AutoML 반복입니다.	int
maxNodes	실험에 사용할 최대 노드입니다.	int
maxTrials	AutoML 반복 횟수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열
trialTimeout	개별 HD 평가판에 대한 시간 제한입니다.	문자열

NlpParameterSubspace

이름	묘사	값
gradientAccumulationSteps	뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	문자열
learningRateScheduler	학습 절차 중에 사용할 학습 속도 일정의 유형입니다.	문자열
modelName	학습할 모델의 이름입니다.	문자열
numberOfEpochs	학습 epoch의 수입니다.	문자열
trainingBatchSize	학습 절차의 일괄 처리 크기입니다.	문자열
validationBatchSize	평가 중에 사용할 일괄 처리 크기입니다.	문자열
warmupRatio	LrSchedulerType과 함께 사용되는 준비 비율입니다.	문자열
weightDecay	학습 절차의 체중 감소입니다.	문자열

NlpSweepSettings

이름	묘사	값
earlyTermination	비우기 작업에 대한 조기 종료 정책 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 샘플링 알고리즘의 유형입니다.	'베이지안' 'Grid' 'Random'(필수)

TextClassificationMultilabel

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'TextClassificationMultilabel'(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

TextNer

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	'TextNER'(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

CommandJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Command'(필수)
autologgerSettings	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다.	AutologgerSettings
codeId	코드 자산의 ARM 리소스 ID입니다.	문자열
명령	[필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py"	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
분포	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch, Ray 또는 null 중 하나여야 합니다.	DistributionConfiguration
environmentId	[필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
environmentVariables	작업에 포함된 환경 변수입니다.	CommandJobEnvironmentVariables
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	commandJobInputs
제한	명령 작업 제한입니다.	CommandJobLimits
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	CommandJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration

AutologgerSettings

이름	묘사	값
mlflowAutologger	[필수] mlflow 자동 로그기를 사용할 수 있는지 여부를 나타냅니다.	'사용 안 함' 'Enabled'(필수)

DistributionConfiguration

이름	묘사	값
distributionType	개체 유형 설정	Mpi PyTorch 레이 TensorFlow(필수)

Mpi

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'Mpi'(필수)
processCountPerInstance	MPI 노드당 프로세스 수입니다.	int

PyTorch

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'PyTorch'(필수)
processCountPerInstance	노드당 프로세스 수입니다.	int

광선

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'Ray'(필수)
주소	Ray 헤드 노드의 주소입니다.	문자열
dashboardPort	대시보드 서버를 바인딩할 포트입니다.	int
headNodeAdditionalArgs	헤드 노드에서 광선 시작에 전달되는 추가 인수입니다.	문자열
includeDashboard	Ray 대시보드 GUI를 시작하려면 이 인수를 제공합니다.	bool
항구	헤드 레이 프로세스의 포트입니다.	int
workerNodeAdditionalArgs	작업자 노드에서 광선 시작에 전달된 추가 인수입니다.	문자열

TensorFlow

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	'TensorFlow'(필수)
parameterServerCount	매개 변수 서버 작업의 수입니다.	int
workerCount	작업자 수입니다. 지정하지 않으면 기본값은 인스턴스 수입니다.	int

CommandJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

CommandJobInputs

이름	묘사	값
{customized property}		JobInput

JobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	개체 유형 설정	custom_model 리터럴 mlflow_model mltable triton_model uri_file uri_folder(필수)

CustomModelJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'custom_model'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

LiteralJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'literal'(필수)
값	[필수] 입력에 대한 리터럴 값입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

TritonModelJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'triton_model'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

UriFileJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'uri_file'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

UriFolderJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	'uri_folder'(필수)
모드	입력 자산 배달 모드입니다.	'Direct' '다운로드' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

CommandJobLimits

이름	묘사	값
jobLimitsType	[필수] JobLimit 형식입니다.	'Command' 'Sweep'(필수)
타임 아웃	ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다.	문자열

CommandJobOutputs

이름	묘사	값
{customized property}		JobOutput

FineTuningJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'FineTuning'(필수)
fineTuningDetails	[필수]	fineTuningVertical (필수)
출력	[필수]	FineTuningJobOutputs(필수)

FineTuningVertical

이름	묘사	값
모델	[필수] 미세 조정을 위한 입력 모델입니다.	MLFlowModelJobInput(필수)
taskType	[필수] 미세 조정 작업 유형입니다.	'ChatCompletion' 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'QuestionAnswering' 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' 'TokenClassification' 'VideoMultiObjectTracking'(필수)
trainingData	[필수] 미세 조정을 위한 학습 데이터입니다.	JobInput(필수)
validationData	미세 조정을 위한 유효성 검사 데이터입니다.	JobInput
modelProvider	개체 유형 설정	AzureOpenAI 사용자 지정(필수)

AzureOpenAiFineTuning

이름	묘사	값
modelProvider	[필수] 미세 조정 유형을 결정하는 열거형입니다.	'AzureOpenAI'(필수)
하이퍼 매개 변수	Azure Open AI 모델을 미세 조정하기 위한 HyperParameters입니다.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

이름	묘사	값
batchSize	각 일괄 처리의 예제 수입니다. 일괄 처리 크기가 클수록 모델 매개 변수는 덜 자주 업데이트되지만 분산은 낮습니다.	int
learningRateMultiplier	학습 속도에 대한 배율 인수입니다. 학습 속도가 작을수록 과잉 맞춤을 방지하는 데 유용할 수 있습니다.	int
nEpochs	모델을 학습시킬 Epoch의 수입니다. Epoch는 학습 데이터 세트를 통해 하나의 전체 주기를 나타냅니다.	int

CustomModelFineTuning

이름	묘사	값
modelProvider	[필수] 미세 조정 유형을 결정하는 열거형입니다.	'Custom'(필수)
하이퍼 매개 변수	사용자 지정 모델을 미세 조정하기 위한 HyperParameters입니다.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

이름	묘사	값
{customized property}		문자열

FineTuningJobOutputs

이름	묘사	값
{customized property}		JobOutput

LabelingJobProperties

이름	묘사	값
componentId	구성 요소 리소스의 ARM 리소스 ID입니다.	문자열
computeId	컴퓨팅 리소스의 ARM 리소스 ID입니다.	문자열
dataConfiguration	작업에 사용되는 데이터의 구성입니다.	labelingDataConfiguration
묘사	자산 설명 텍스트입니다.	문자열
displayName	작업의 표시 이름입니다.	문자열
experimentName	작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다.	문자열
신원	ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다. Null인 경우 기본값은 AmlToken입니다.	IdentityConfiguration
isArchived	자산이 보관되어 있나요?	bool
jobInstructions	작업의 지침에 레이블을 지정합니다.	LabelingJobInstructions
jobType	[필수] 작업 유형을 지정합니다.	'AutoML' 'Command' '미세 조정' '레이블 지정' '파이프라인' 'Spark' 'Sweep'(필수)
labelCategories	작업의 레이블 범주입니다.	LabelingJobLabelCategories
labelingJobMediaProperties	작업에서 미디어 유형별 속성입니다.	LabelingJobMediaProperties
mlAssistConfiguration	작업에서 MLAssist 기능의 구성입니다.	MLAssistConfiguration
notificationSetting	작업에 대한 알림 설정	notificationSetting
속성	자산 속성 사전입니다.	ResourceBaseProperties
secretsConfiguration	런타임 중에 사용할 수 있는 비밀에 대한 구성입니다.	jobBaseSecretsConfiguration
서비스	JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.	JobBaseServices
태그	태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다.	객체

LabelingDataConfiguration

이름	묘사	값
dataId	레이블 지정을 수행할 데이터 자산의 리소스 ID입니다.	문자열
incrementalDataRefresh	증분 데이터 새로 고침을 사용할지 여부를 나타냅니다.	'사용 안 함' 'Enabled'

LabelingJobInstructions

이름	묘사	값
uri	레이블 지정에 대한 자세한 레이블 지정 지침이 있는 페이지에 대한 링크입니다.	문자열

LabelingJobLabelCategories

이름	묘사	값
{customized property}		LabelCategory

LabelCategory

이름	묘사	값
클래스	이 범주의 레이블 클래스 사전입니다.	LabelCategoryClasses
displayName	레이블 범주의 표시 이름입니다.	문자열
multiSelect	이 범주에서 여러 클래스를 선택할 수 있는지 여부를 나타냅니다.	'사용 안 함' 'Enabled'

LabelCategoryClasses

이름	묘사	값
{customized property}		labelClass

LabelClass

이름	묘사	값
displayName	레이블 클래스의 표시 이름입니다.	문자열
서브 클래스	레이블 클래스의 하위 클래스 사전입니다.	LabelClassSubclasses

LabelClassSubclasses

이름	묘사	값
{customized property}		labelClass

LabelingJobMediaProperties

이름	묘사	값
mediaType	개체 유형 설정	이미지 텍스트(필수)

LabelingJobImageProperties

이름	묘사	값
mediaType	[필수] 작업의 미디어 유형입니다.	'Image'(필수)
annotationType	이미지 레이블 지정 작업의 주석 유형입니다.	'BoundingBox' '분류' 'InstanceSegmentation'

LabelingJobTextProperties

이름	묘사	값
mediaType	[필수] 작업의 미디어 유형입니다.	'Text'(필수)
annotationType	텍스트 레이블 지정 작업의 주석 형식입니다.	'분류' 'NamedEntityRecognition'

MLAssistConfiguration

이름	묘사	값
mlAssist	개체 유형 설정	사용 안 함 사용(필수)

MLAssistConfigurationDisabled

이름	묘사	값
mlAssist	[필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다.	'Disabled'(필수)

MLAssistConfigurationEnabled

이름	묘사	값
mlAssist	[필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다.	'Enabled'(필수)
inferencingComputeBinding	[필수] 추론에 사용되는 AML 컴퓨팅 바인딩입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
trainingComputeBinding	[필수] 학습에 사용되는 AML 컴퓨팅 바인딩입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

PipelineJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Pipeline'(필수)
입력	파이프라인 작업에 대한 입력입니다.	pipelineJobInputs
작업	작업은 파이프라인 작업을 생성합니다.	pipelineJobJobs
출력	파이프라인 작업에 대한 출력	PipelineJobOutputs
설정	ContinueRunOnStepFailure 등의 파이프라인 설정
sourceJobId	원본 작업의 ARM 리소스 ID입니다.	문자열

PipelineJobInputs

이름	묘사	값
{customized property}		JobInput

PipelineJobJobs

이름	묘사	값
{customized property}

PipelineJobOutputs

이름	묘사	값
{customized property}		JobOutput

SparkJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Spark'(필수)
공문서	작업에 사용되는 파일을 보관합니다.	string[]
인수(args)	작업에 대한 인수입니다.	문자열
codeId	[필수] 코드 자산의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
conf	Spark가 구성한 속성입니다.	SparkJobConf
항목	[필수] 작업을 시작할 때 실행할 항목입니다.	SparkJobEntry(필수)
environmentId	작업에 대한 환경 사양의 ARM 리소스 ID입니다.	문자열
environmentVariables	작업에 포함된 환경 변수입니다.	SparkJobEnvironmentVariables
파일	작업에 사용되는 파일입니다.	string[]
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	SparkJobInputs
항아리	작업에 사용되는 Jar 파일입니다.	string[]
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	SparkJobOutputs
pyFiles	작업에 사용되는 Python 파일입니다.	string[]
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	SparkResourceConfiguration

SparkJobConf

이름	묘사	값
{customized property}		문자열

SparkJobEntry

이름	묘사	값
sparkJobEntryType	개체 유형 설정	SparkJobPythonEntry SparkJobScalaEntry(필수)

SparkJobPythonEntry

이름	묘사	값
sparkJobEntryType	[필수] 작업의 진입점 유형입니다.	'SparkJobPythonEntry'(필수)
파일	[필수] 작업 진입점에 대한 상대 Python 파일 경로입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SparkJobScalaEntry

이름	묘사	값
sparkJobEntryType	[필수] 작업의 진입점 유형입니다.	'SparkJobScalaEntry'(필수)
className	[필수] 진입점으로 사용되는 Scala 클래스 이름입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SparkJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

SparkJobInputs

이름	묘사	값
{customized property}		JobInput

SparkJobOutputs

이름	묘사	값
{customized property}		JobOutput

SparkResourceConfiguration

이름	묘사	값
instanceType	컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다.	문자열
runtimeVersion	작업에 사용되는 Spark 런타임의 버전입니다.	문자열

SweepJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	'Sweep'(필수)
componentConfiguration	구성 요소 스윕에 대한 구성 요소 구성	ComponentConfiguration
earlyTermination	조기 종료 정책을 사용하면 완료하기 전에 성능이 저하된 실행을 취소할 수 있습니다.	earlyTerminationPolicy
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	SweepJobInputs
제한	스윕 작업 제한입니다.	SweepJobLimits
목표	[필수] 최적화 목표입니다.	Objective(필수)
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	SweepJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration
samplingAlgorithm	[필수] 하이퍼 매개 변수 샘플링 알고리즘	SamplingAlgorithm(필수)
searchSpace	[필수] 각 매개 변수와 해당 분포를 포함하는 사전입니다. 사전 키는 매개 변수의 이름입니다.
재판	[필수] 평가판 구성 요소 정의입니다.	trialComponent (필수)

ComponentConfiguration

이름	묘사	값
pipelineSettings	ContinueRunOnStepFailure 등의 파이프라인 설정

SweepJobInputs

이름	묘사	값
{customized property}		JobInput

SweepJobLimits

이름	묘사	값
jobLimitsType	[필수] JobLimit 형식입니다.	'Command' 'Sweep'(필수)
maxConcurrentTrials	작업 최대 동시 평가판을 스윕합니다.	int
maxTotalTrials	스윕 작업 최대 총 평가판입니다.	int
타임 아웃	ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다.	문자열
trialTimeout	비우기 작업 평가판 시간 제한 값입니다.	문자열

목표

이름	묘사	값
골	[필수] 하이퍼 매개 변수 튜닝에 지원되는 메트릭 목표를 정의합니다.	'최대화' '최소화'(필수)
primaryMetric	[필수] 최적화할 메트릭의 이름입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SweepJobOutputs

이름	묘사	값
{customized property}		JobOutput

SamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	개체 유형 설정	베이지안 Grid 임의 (필수)

BayesianSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	'Bayesian'(필수)

GridSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	'Grid'(필수)

RandomSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	'Random'(필수)
logbase	로그 기반 임의 샘플링의 기준으로 사용할 문자열 형식의 선택적 양수 또는 e	문자열
규칙	특정 유형의 임의 알고리즘	'Random' 'Sobol'
씨	난수 생성을 위한 시드로 사용할 선택적 정수입니다.	int

TrialComponent

이름	묘사	값
codeId	코드 자산의 ARM 리소스 ID입니다.	문자열
명령	[필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py"	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
분포	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다.	DistributionConfiguration
environmentId	[필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
environmentVariables	작업에 포함된 환경 변수입니다.	trialComponentEnvironmentVariables
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration

TrialComponentEnvironmentVariables

이름	묘사	값
{customized property}		문자열

빠른 시작 템플릿

다음 빠른 시작 템플릿은 이 리소스 유형을 배포합니다.

템플렛	묘사
Azure Machine Learning AutoML 분류 작업 만들기 Azure 배포	이 템플릿은 Azure Machine Learning AutoML 분류 작업을 만들어 클라이언트가 금융 기관과 고정 기간 보증금을 구독할지 예측하는 데 가장 적합한 모델을 찾습니다.
Azure Machine Learning 명령 작업 만들기 Azure 배포	이 템플릿은 기본 hello_world 스크립트를 사용하여 Azure Machine Learning 명령 작업을 만듭니다.
azure Machine Learning Sweep 작업 만들기 Azure 배포	이 템플릿은 하이퍼 매개 변수 튜닝을 위한 Azure Machine Learning Sweep 작업을 만듭니다.

Terraform(AzAPI 공급자) 리소스 정의

작업 영역/작업 리소스 종류는 다음을 대상으로 하는 작업으로 배포할 수 있습니다.

• 리소스 그룹

각 API 버전에서 변경된 속성 목록은 변경 로그참조하세요.

리소스 형식

Microsoft.MachineLearningServices/workspaces/jobs 리소스를 만들려면 템플릿에 다음 Terraform을 추가합니다.

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

JobBaseProperties 개체

jobType 속성을 설정하여 개체 유형을 지정합니다.

AutoML경우 다음을 사용합니다.

  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
  }

명령경우 다음을 사용합니다.

  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"
  }

FineTuning경우 다음을 사용합니다.

  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
    }
  }

레이블 지정경우 다음을 사용합니다.

  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
  }

파이프라인경우 다음을 사용합니다.

  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"

spark경우 다음을 사용합니다.

  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"
  }

스윕경우 다음을 사용합니다.

  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"
    }
  }

IdentityConfiguration 개체

identityType 속성을 설정하여 개체 유형을 지정합니다.

AMLToken경우 다음을 사용합니다.

  identityType = "AMLToken"

관리되는경우 다음을 사용합니다.

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

userIdentity경우 다음을 사용합니다.

  identityType = "UserIdentity"

웹후크 개체

webhookType 속성을 설정하여 개체 유형을 지정합니다.

azureDevOps경우 다음을 사용합니다.

  webhookType = "AzureDevOps"

노드 개체

nodesValueType 속성을 설정하여 개체 유형을 지정합니다.

모든경우 다음을 사용합니다.

  nodesValueType = "All"

JobOutput 개체

jobOutputType 속성을 설정하여 개체 유형을 지정합니다.

custom_model경우 다음을 사용합니다.

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

mlflow_model경우 다음을 사용합니다.

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

mltable경우 다음을 사용합니다.

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

triton_model경우 다음을 사용합니다.

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

uri_file경우 다음을 사용합니다.

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

uri_folder경우 다음을 사용합니다.

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

AutoMLVertical 개체

taskType 속성을 설정하여 개체 유형을 지정합니다.

분류경우 다음을 사용합니다.

  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"

예측경우 다음을 사용합니다.

  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"

imageClassification경우 다음을 사용합니다.

  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

imageClassificationMultilabel경우 다음을 사용합니다.

  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

imageInstanceSegmentation경우 다음을 사용합니다.

  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

imageObjectDetection경우 다음을 사용합니다.

  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

회귀경우 다음을 사용합니다.

  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"

textClassification경우 다음을 사용합니다.

  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"
  }

TextClassificationMultilabel경우 다음을 사용합니다.

  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"
  }

TextNER경우 다음을 사용합니다.

  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"
  }

NCrossValidations 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

EarlyTerminationPolicy 개체

policyType 속성을 설정하여 개체 유형을 지정합니다.

산적경우 다음을 사용합니다.

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

MedianStopping경우 다음을 사용합니다.

  policyType = "MedianStopping"

TruncationSelection경우 다음을 사용합니다.

  policyType = "TruncationSelection"
  truncationPercentage = int

ForecastHorizon 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

계절성 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

TargetLags 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize 개체

개체 유형을 지정하려면 모드 속성을 설정합니다.

자동경우 다음을 사용합니다.

  mode = "Auto"

사용자 지정경우 다음을 사용합니다.

  mode = "Custom"
  value = int

DistributionConfiguration 개체

distributionType 속성을 설정하여 개체 유형을 지정합니다.

Mpi경우 다음을 사용합니다.

  distributionType = "Mpi"
  processCountPerInstance = int

PyTorch경우 다음을 사용합니다.

  distributionType = "PyTorch"
  processCountPerInstance = int

Ray경우 다음을 사용합니다.

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

TensorFlow경우 다음을 사용합니다.

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput 개체

개체 유형을 지정하려면 jobInputType 속성을 설정합니다.

custom_model경우 다음을 사용합니다.

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

리터럴경우 다음을 사용합니다.

  jobInputType = "literal"
  value = "string"

mlflow_model경우 다음을 사용합니다.

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

mltable경우 다음을 사용합니다.

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

triton_model경우 다음을 사용합니다.

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

uri_file경우 다음을 사용합니다.

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

uri_folder경우 다음을 사용합니다.

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

FineTuningVertical 개체

modelProvider 속성을 설정하여 개체 유형을 지정합니다.

AzureOpenAI경우 다음을 사용합니다.

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

사용자 지정경우 다음을 사용합니다.

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

LabelingJobMediaProperties 개체

mediaType 속성을 설정하여 개체 유형을 지정합니다.

이미지경우 다음을 사용합니다.

  mediaType = "Image"
  annotationType = "string"

텍스트경우 다음을 사용합니다.

  mediaType = "Text"
  annotationType = "string"

MLAssistConfiguration 개체

mlAssist 속성을 설정하여 개체 유형을 지정합니다.

사용 안 함경우 다음을 사용합니다.

  mlAssist = "Disabled"

사용경우 다음을 사용합니다.

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

SparkJobEntry 개체

sparkJobEntryType 속성을 설정하여 개체 유형을 지정합니다.

SparkJobPythonEntry경우 다음을 사용합니다.

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

SparkJobScalaEntry경우 다음을 사용합니다.

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "string"

SamplingAlgorithm 개체

샘플링AlgorithmType 속성을 설정하여 개체 유형을 지정합니다.

Bayesian경우 다음을 사용합니다.

  samplingAlgorithmType = "Bayesian"

Grid경우 다음을 사용합니다.

  samplingAlgorithmType = "Grid"

임의경우 다음을 사용합니다.

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

속성 값

작업 영역/작업

이름	묘사	값
형	리소스 종류	"Microsoft.MachineLearningServices/workspaces/jobs@2024-01-01-preview"
이름	리소스 이름	string(필수)
parent_id	이 리소스의 부모인 리소스의 ID입니다.	형식 리소스의 ID: 작업 영역
속성	[필수] 엔터티의 추가 특성입니다.	JobBaseProperties(필수)

JobBaseProperties

이름	묘사	값
componentId	구성 요소 리소스의 ARM 리소스 ID입니다.	문자열
computeId	컴퓨팅 리소스의 ARM 리소스 ID입니다.	문자열
묘사	자산 설명 텍스트입니다.	문자열
displayName	작업의 표시 이름입니다.	문자열
experimentName	작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다.	문자열
신원	ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다. Null인 경우 기본값은 AmlToken입니다.	IdentityConfiguration
isArchived	자산이 보관되어 있나요?	bool
notificationSetting	작업에 대한 알림 설정	notificationSetting
속성	자산 속성 사전입니다.	ResourceBaseProperties
secretsConfiguration	런타임 중에 사용할 수 있는 비밀에 대한 구성입니다.	jobBaseSecretsConfiguration
서비스	JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.	JobBaseServices
태그	태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다.	객체
jobType	개체 유형 설정	AutoML 명령 미세 조정 레이블 지정 파이프라인 Spark 스윕(필수)

IdentityConfiguration

이름	묘사	값
identityType	개체 유형 설정	AMLToken 관리되는 userIdentity (필수)

AmlToken

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	"AMLToken"(필수)

ManagedIdentity

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	"관리"(필수)
clientId	클라이언트 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열 제약 조건: 최소 길이 = 36 최대 길이 = 36 패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	개체 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열 제약 조건: 최소 길이 = 36 최대 길이 = 36 패턴 = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	ARM 리소스 ID별로 사용자 할당 ID를 지정합니다. 시스템 할당의 경우 이 필드를 설정하지 마세요.	문자열

UserIdentity

이름	묘사	값
identityType	[필수] ID 프레임워크의 형식을 지정합니다.	"UserIdentity"(필수)

NotificationSetting

이름	묘사	값
emailOn	지정된 알림 유형에서 사용자에게 전자 메일 알림 보내기	다음 중 어느 것을 포함하는 문자열 배열: "JobCancelled" "JobCompleted" "JobFailed"
전자 메일	쉼표 구분 기호를 사용하여 총 구성에서 499자로 제한되는 전자 메일 받는 사람 목록입니다.	string[]
웹후크	서비스에 웹후크 콜백을 보냅니다. 키는 웹후크의 사용자 제공 이름입니다.	NotificationSettingWebhooks

NotificationSettingWebhooks

이름	묘사	값
{customized property}		웹후크

웹후크

이름	묘사	값
eventType	지정된 알림 이벤트에 콜백 보내기	문자열
webhookType	개체 유형 설정	AzureDevOps (필수)

AzureDevOpsWebhook

이름	묘사	값
webhookType	[필수] 콜백을 보낼 서비스 유형을 지정합니다.	"AzureDevOps"(필수)

ResourceBaseProperties

이름	묘사	값
{customized property}		문자열

JobBaseSecretsConfiguration

이름	묘사	값
{customized property}		SecretConfiguration

SecretConfiguration

이름	묘사	값
uri	비밀 Uri입니다. 샘플 URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion	문자열
workspaceSecretName	작업 영역 키 자격 증명 모음의 비밀 이름입니다.	문자열

JobBaseServices

이름	묘사	값
{customized property}		jobService

JobService

이름	묘사	값
끝점	엔드포인트의 URL입니다.	문자열
jobServiceType	엔드포인트 유형입니다.	문자열
노드	사용자가 서비스를 시작하려는 노드입니다. 노드가 null로 설정되거나 설정되지 않은 경우 서비스는 리더 노드에서만 시작됩니다.	노드
항구	사용자가 설정한 엔드포인트에 대한 포트입니다.	int
속성	엔드포인트에서 설정할 추가 속성입니다.	JobServiceProperties

노드

이름	묘사	값
nodesValueType	개체 유형 설정	모든 (필수)

AllNodes

이름	묘사	값
nodesValueType	[필수] 노드 값의 형식	"All"(필수)

JobServiceProperties

이름	묘사	값
{customized property}		문자열

AutoMLJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	"AutoML"(필수)
environmentId	작업에 대한 환경 사양의 ARM 리소스 ID입니다. 이 값은 선택적 값이며, 제공되지 않은 경우 AutoML은 작업을 실행할 때 이를 프로덕션 AutoML 큐레이팅된 환경 버전으로 기본값으로 지정합니다.	문자열
environmentVariables	작업에 포함된 환경 변수입니다.	autoMLJobEnvironmentVariables
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	AutoMLJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration
taskDetails	[필수] 테이블/NLP/이미지 중 하나일 수 있는 시나리오를 나타냅니다.	autoMLVertical (필수)

AutoMLJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

AutoMLJobOutputs

이름	묘사	값
{customized property}		JobOutput

JobOutput

이름	묘사	값
묘사	출력에 대한 설명입니다.	문자열
jobOutputType	개체 유형 설정	custom_model mlflow_model mltable triton_model uri_file uri_folder(필수)

CustomModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	"custom_model"(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	"Direct" "ReadWriteMount" "업로드"
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

AutoDeleteSetting

이름	묘사	값
조건	자산이 만료되었는지 확인하는 경우	"CreatedGreaterThan" "LastAccessedGreaterThan"
값	만료 조건 값입니다.	문자열

MLFlowModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	"mlflow_model"(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	"Direct" "ReadWriteMount" "업로드"
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

MLTableJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	"mltable"(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	"Direct" "ReadWriteMount" "업로드"
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

TritonModelJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	"triton_model"(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	"Direct" "ReadWriteMount" "업로드"
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

UriFileJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	"uri_file"(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	"Direct" "ReadWriteMount" "업로드"
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

UriFolderJobOutput

이름	묘사	값
jobOutputType	[필수] 작업 유형을 지정합니다.	"uri_folder"(필수)
assetName	출력 자산 이름입니다.	문자열
assetVersion	출력 자산 버전입니다.	문자열
autoDeleteSetting	출력 데이터 자산의 자동 삭제 설정입니다.	autoDeleteSetting
모드	출력 자산 배달 모드입니다.	"Direct" "ReadWriteMount" "업로드"
pathOnCompute	출력 자산 배달 경로입니다.	문자열
uri	출력 자산 URI입니다.	문자열

QueueSettings

이름	묘사	값
jobTier	컴퓨팅 작업 계층을 제어합니다.	"기본" "Null" "프리미엄" "Spot" "표준"
우선권	컴퓨팅에서 작업의 우선 순위를 제어합니다.	int

JobResourceConfiguration

이름	묘사	값
dockerArgs	Docker 실행 명령에 전달할 추가 인수입니다. 이렇게 하면 시스템 또는 이 섹션에서 이미 설정한 매개 변수가 재정의됩니다. 이 매개 변수는 Azure ML 컴퓨팅 유형에 대해서만 지원됩니다.	문자열
instanceCount	컴퓨팅 대상에서 사용하는 인스턴스 또는 노드의 선택적 수입니다.	int
instanceType	컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다.	문자열
위치	작업을 실행할 수 있는 위치입니다.	string[]
maxInstanceCount	컴퓨팅 대상에서 사용할 인스턴스 또는 노드의 선택적 최대 허용 수입니다. 탄력적 학습에 사용하기 위해 현재 PyTorch 배포 유형에서만 지원됩니다.	int
속성	추가 속성 모음.	resourceConfigurationProperties
shmSize	Docker 컨테이너의 공유 메모리 블록 크기입니다. 이 형식은 (number)(unit) 형식이어야 합니다. 여기서 숫자는 0보다 크고 단위는 b(바이트), k(킬로바이트), m(메가바이트) 또는 g(기가바이트) 중 하나일 수 있습니다.	문자열 제약 조건: 패턴 = \d+[bBkKmMgG]

ResourceConfigurationProperties

이름	묘사	값
{customized property}

AutoMLVertical

이름	묘사	값
logVerbosity	작업에 대한 자세한 정보를 기록합니다.	"위험" "디버그" "오류" "정보" "NotSet" "경고"
targetColumnName	대상 열 이름: 예측 값 열입니다. 분류 작업의 컨텍스트에서 레이블 열 이름이라고도 합니다.	문자열
trainingData	[필수] 학습 데이터 입력입니다.	MLTableJobInput(필수)
taskType	개체 유형 설정	분류 예측 imageClassification imageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection 회귀 TextClassification TextClassificationMultilabel TextNER (필수)

MLTableJobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	[필수] 작업 유형을 지정합니다.	"custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder"(필수)
모드	입력 자산 배달 모드입니다.	"Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

분류

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"분류"(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
positiveLabel	이진 메트릭 계산에 대한 양의 레이블입니다.	문자열
primaryMetric	작업에 대한 기본 메트릭입니다.	"AUCWeighted" "정확도" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	ClassificationTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

TableVerticalFeaturizationSettings

이름	묘사	값
blockedTransformers	이러한 변압기는 기능화에 사용되지 않습니다.	다음 중 어느 것을 포함하는 문자열 배열: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	열 이름 및 해당 형식(int, float, string, datetime 등)의 사전입니다.	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	텍스트 데이터에 유용한 데이터 세트 언어입니다.	문자열
enableDnnFeaturization	데이터 기능화에 Dnn 기반 기능화기를 사용할지 여부를 결정합니다.	bool
모드	기능화 모드 - 사용자는 기본 '자동' 모드를 유지할 수 있으며 AutoML은 기능화 단계에서 필요한 데이터 변환을 처리합니다. '끄기'를 선택하면 기능화가 수행되지 않습니다. '사용자 지정'을 선택하면 사용자는 추가 입력을 지정하여 기능화를 수행하는 방법을 사용자 지정할 수 있습니다.	"Auto" "사용자 지정" "Off"
transformerParams	사용자는 적용할 열 및 변환기 생성자에 대한 매개 변수와 함께 사용할 추가 변환기를 지정할 수 있습니다.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

이름	묘사	값
{customized property}		문자열

TableVerticalFeaturizationSettingsTransformerParams

이름	묘사	값
{customized property}		ColumnTransformer[]

ColumnTransformer

이름	묘사	값
필드	변환기 논리를 적용할 필드입니다.	string[]
매개 변수	변환기에 전달할 다른 속성입니다. 필요한 입력은 키 사전, JSON 형식의 값 쌍입니다.

TableFixedParameters

이름	묘사	값
부스터	부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다.	문자열
boostingType	증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다.	문자열
growPolicy	새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	int
maxBin	버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다.	int
maxDepth	트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다.	int
maxLeaves	트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다.	int
minDataInLeaf	리프당 최소 데이터 수입니다.	int
minSplitGain	트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다.	int
modelName	학습할 모델의 이름입니다.	문자열
nEstimators	모델에서 트리(또는 반올림) 수를 지정합니다.	int
numLeaves	나뭇잎 수를 지정합니다.	int
preprocessorName	사용할 전처리기의 이름입니다.	문자열
regAlpha	가중치에 대한 L1 정규화 용어입니다.	int
regLambda	가중치에 대한 L2 정규화 용어입니다.	int
subsample	학습 인스턴스의 하위 샘플 비율입니다.	int
subsampleFreq	하위 샘플의 빈도입니다.	int
treeMethod	트리 메서드를 지정합니다.	문자열
withMean	true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다.	bool
withStd	true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다.	bool

TableVerticalLimitSettings

이름	묘사	값
enableEarlyTermination	조기 종료를 사용하도록 설정하고, 지난 20번의 반복에서 점수 개선이 없는 경우 AutoMLJob이 일찍 종료되는지 여부를 결정합니다.	bool
exitScore	AutoML 작업의 종료 점수입니다.	int
maxConcurrentTrials	최대 동시 반복입니다.	int
maxCoresPerTrial	반복당 최대 코어 수입니다.	int
maxNodes	실험에 사용할 최대 노드입니다.	int
maxTrials	반복 횟수입니다.	int
sweepConcurrentTrials	사용자가 트리거하려는 동시 스윕 실행의 수입니다.	int
sweepTrials	사용자가 트리거하려는 스윕 실행 수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열
trialTimeout	반복 시간 제한입니다.	문자열

NCrossValidations

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoNCrossValidations

이름	묘사	값
모드	[필수] N 교차 유효성 검사를 결정하는 모드입니다.	"Auto"(필수)

CustomNCrossValidations

이름	묘사	값
모드	[필수] N 교차 유효성 검사를 결정하는 모드입니다.	"사용자 지정"(필수)
값	[필수] N 교차 유효성 검사 값입니다.	int(필수)

TableParameterSubspace

이름	묘사	값
부스터	부스팅 유형(예: XGBoost의 경우 gbdt)을 지정합니다.	문자열
boostingType	증폭 유형(예: LightGBM의 경우 gbdt)을 지정합니다.	문자열
growPolicy	새 노드가 트리에 추가되는 방식을 제어하는 증가 정책을 지정합니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	문자열
maxBin	버킷 연속 기능에 대한 최대 불연속 bin 수를 지정합니다.	문자열
maxDepth	트리 깊이를 명시적으로 제한하려면 최대 깊이를 지정합니다.	문자열
maxLeaves	트리 잎을 명시적으로 제한하려면 최대 잎을 지정합니다.	문자열
minDataInLeaf	리프당 최소 데이터 수입니다.	문자열
minSplitGain	트리의 리프 노드에서 추가 파티션을 만드는 데 필요한 최소 손실 감소입니다.	문자열
modelName	학습할 모델의 이름입니다.	문자열
nEstimators	모델에서 트리(또는 반올림) 수를 지정합니다.	문자열
numLeaves	나뭇잎 수를 지정합니다.	문자열
preprocessorName	사용할 전처리기의 이름입니다.	문자열
regAlpha	가중치에 대한 L1 정규화 용어입니다.	문자열
regLambda	가중치에 대한 L2 정규화 용어입니다.	문자열
subsample	학습 인스턴스의 하위 샘플 비율입니다.	문자열
subsampleFreq	하위 샘플의 빈도	문자열
treeMethod	트리 메서드를 지정합니다.	문자열
withMean	true이면 StandardScalar를 사용하여 데이터를 크기 조정하기 전에 가운데를 맞춥니다.	문자열
withStd	true이면 StandardScalar를 사용하여 단위 분산을 사용하여 데이터 크기를 조정합니다.	문자열

TableSweepSettings

이름	묘사	값
earlyTermination	비우기 작업에 대한 조기 종료 정책 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 샘플링 알고리즘의 유형입니다.	"베이지안" "Grid" "Random"(필수)

EarlyTerminationPolicy

이름	묘사	값
delayEvaluation	첫 번째 평가를 지연할 간격 수입니다.	int
evaluationInterval	정책 평가 사이의 간격(실행 수)입니다.	int
policyType	개체 유형 설정	산적 MedianStopping TruncationSelection(필수)

BanditPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	"산적"(필수)
slackAmount	최상의 실행에서 허용되는 절대 거리입니다.	int
slackFactor	가장 성능이 좋은 실행에서 허용된 거리의 비율입니다.	int

MedianStoppingPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	"MedianStopping"(필수)

TruncationSelectionPolicy

이름	묘사	값
policyType	[필수] 정책 구성의 이름	"TruncationSelection"(필수)
truncationPercentage	각 평가 간격에서 취소할 실행의 백분율입니다.	int

ClassificationTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	분류 작업에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: "베르누울리나이브베이즈" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	분류 태스크에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: "베르누울리나이브베이즈" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	"Auto" "Distributed" "NonDistributed"

StackEnsembleSettings

이름	묘사	값
stackMetaLearnerKWargs	메타 학습자의 이니셜라이저에 전달할 선택적 매개 변수입니다.
stackMetaLearnerTrainPercentage	메타 학습자를 학습하기 위해 예약할 학습 집합의 비율(학습 및 학습 유효성 검사 유형을 선택할 때)을 지정합니다. 기본값은 0.2입니다.	int
stackMetaLearnerType	메타 학습자는 개별 이종 모델의 출력에 대해 학습된 모델입니다.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "없음"

예측

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"예측"(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
forecastingSettings	예측 작업별 입력.	ForecastingSettings
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
primaryMetric	예측 작업에 대한 기본 메트릭입니다.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	ForecastingTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

ForecastingSettings

이름	묘사	값
countryOrRegionForHolidays	예측 작업에 대한 휴일의 국가 또는 지역입니다. ISO 3166 두 글자 국가/지역 코드(예: 'US' 또는 'GB')여야 합니다.	문자열
cvStepSize	한 CV 접기의 원본 시간과 다음 접기 사이의 기간 수입니다. 때문에 예를 들어 일일 데이터의 경우 CVStepSize = 3이면 각 접기 원본 시간이 됩니다. 3일 간격.	int
featureLags	'auto' 또는 null을 사용하여 숫자 기능에 대한 지연을 생성하는 플래그입니다.	"Auto" "없음"
featuresUnknownAtForecastTime	학습에 사용할 수 있지만 예측/유추 시 알 수 없는 기능 열입니다. features_unknown_at_forecast_time 설정되지 않은 경우 데이터 세트의 모든 기능 열이 유추 시간에 알려진 것으로 간주됩니다.	string[]
forecastHorizon	시계열 빈도 단위로 원하는 최대 예측 수평선입니다.	ForecastHorizon
빈도	예측 시 이 매개 변수는 예측이 필요한 기간(예: 매일, 매주, 매년 등)을 나타냅니다. 예측 빈도는 기본적으로 데이터 세트 빈도입니다.	문자열
계절	시계열 계절성을 계열 빈도의 정수 배수로 설정합니다. 계절성이 'auto'로 설정되면 유추됩니다.	계절성
shortSeriesHandlingConfig	AutoML에서 짧은 시계열을 처리하는 방법을 정의하는 매개 변수입니다.	"Auto" "Drop" "없음" "패드"
targetAggregateFunction	사용자가 지정한 빈도를 준수하도록 시계열 대상 열을 집계하는 데 사용할 함수입니다. TargetAggregateFunction이 설정된 경우(예: 'None'이 아니라 freq 매개 변수가 설정되지 않은 경우) 오류가 발생합니다. 가능한 대상 집계 함수는 "sum", "max", "min" 및 "mean"입니다.	"Max" "평균" "최소" "없음" "Sum"
targetLags	대상 열에서 지연할 지난 기간의 수입니다.	TargetLags
targetRollingWindowSize	대상 열의 롤링 창 평균을 만드는 데 사용된 이전 기간의 수입니다.	TargetRollingWindowSize
timeColumnName	시간 열의 이름입니다. 이 매개 변수는 시계열을 빌드하고 해당 빈도를 유추하는 데 사용되는 입력 데이터의 날짜/시간 열을 지정하도록 예측할 때 필요합니다.	문자열
timeSeriesIdColumnNames	타임스레터를 그룹화하는 데 사용되는 열의 이름입니다. 여러 계열을 만드는 데 사용할 수 있습니다. 그레인이 정의되지 않은 경우 데이터 집합은 하나의 시계열로 간주됩니다. 이 매개 변수는 작업 유형 예측에 사용됩니다.	string[]
useStl	시계열 대상 열의 STL 분해를 구성합니다.	"없음" "시즌" "SeasonTrend"

ForecastHorizon

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoForecastHorizon

이름	묘사	값
모드	[필수] 예측 수평선 값 선택 모드를 설정합니다.	"Auto"(필수)

CustomForecastHorizon

이름	묘사	값
모드	[필수] 예측 수평선 값 선택 모드를 설정합니다.	"사용자 지정"(필수)
값	[필수] 예측 수평선 값입니다.	int(필수)

계절

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoSeasonality

이름	묘사	값
모드	[필수] 계절성 모드입니다.	"Auto"(필수)

CustomSeasonality

이름	묘사	값
모드	[필수] 계절성 모드입니다.	"사용자 지정"(필수)
값	[필수] 계절성 값입니다.	int(필수)

TargetLags

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoTargetLags

이름	묘사	값
모드	[필수] 대상 지연 모드 설정 - 자동/사용자 지정	"Auto"(필수)

CustomTargetLags

이름	묘사	값
모드	[필수] 대상 지연 모드 설정 - 자동/사용자 지정	"사용자 지정"(필수)
값	[필수] 대상 지연 값을 설정합니다.	int[] (필수)

TargetRollingWindowSize

이름	묘사	값
모드	개체 유형 설정	자동 사용자 지정(필수)

AutoTargetRollingWindowSize

이름	묘사	값
모드	[필수] TargetRollingWindowSiz 검색 모드입니다.	"Auto"(필수)

CustomTargetRollingWindowSize

이름	묘사	값
모드	[필수] TargetRollingWindowSiz 검색 모드입니다.	"사용자 지정"(필수)
값	[필수] TargetRollingWindowSize 값입니다.	int(필수)

ForecastingTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	예측 작업에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: "아리맥스" "AutoArima" "Average" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "예언자" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms	예측 작업에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: "아리맥스" "AutoArima" "Average" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "예언자" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	"Auto" "Distributed" "NonDistributed"

ImageClassification

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"ImageClassification"(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsClassification
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	"AUCWeighted" "정확도" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	ImageModelDistributionSettingsClassification[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageLimitSettings

이름	묘사	값
maxConcurrentTrials	동시 AutoML 반복의 최대 수입니다.	int
maxTrials	AutoML 반복의 최대 수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열

ImageModelSettingsClassification

이름	묘사	값
advancedSettings	고급 시나리오에 대한 설정입니다.	문자열
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	bool
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
checkpointFrequency	모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다.	int
checkpointModel	증분 학습을 위한 미리 학습된 검사점 모델입니다.	MLFlowModelJobInput
checkpointRunId	증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다.	문자열
분산	분산 학습을 사용할지 여부입니다.	bool
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	bool
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	int
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	int
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	bool
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	int
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	int
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	"없음" "단계" "WarmupCosine"
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	bool
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	int
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	int
최적화	최적화 프로그램의 유형입니다.	"Adam" "Adamw" "없음" "Sgd"
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	int
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	int
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
trainingCropSize	학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	int
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationCropSize	유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	int
validationResizeSize	유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다.	int
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	int
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int
weightedLoss	가중 손실. 허용되는 값은 가중치 손실 없이 0입니다. sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.	int

MLFlowModelJobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	[필수] 작업 유형을 지정합니다.	"custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder"(필수)
모드	입력 자산 배달 모드입니다.	"Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

이름	묘사	값
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	문자열
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
분산	배포자 학습을 사용할지 여부입니다.	문자열
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	문자열
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	문자열
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	문자열
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	문자열
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	문자열
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	문자열
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	문자열
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	문자열
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	문자열
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	문자열
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	문자열
최적화	최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다.	문자열
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	문자열
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	문자열
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
trainingCropSize	학습 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	문자열
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationCropSize	유효성 검사 데이터 세트에 대한 신경망에 입력되는 이미지 자르기 크기입니다. 양의 정수여야 합니다.	문자열
validationResizeSize	유효성 검사 데이터 세트를 자르기 전에 크기를 조정할 이미지 크기입니다. 양의 정수여야 합니다.	문자열
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	문자열
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열
weightedLoss	가중 손실. 허용되는 값은 가중치 손실 없이 0입니다. sqrt를 사용한 가중치 손실의 경우 1. (class_weights). class_weights 가중치 손실에 대한 2. 0 또는 1 또는 2여야 합니다.	문자열

ImageSweepSettings

이름	묘사	값
earlyTermination	조기 종료 정책의 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 하이퍼 매개 변수 샘플링 알고리즘의 형식입니다.	"베이지안" "Grid" "Random"(필수)

ImageClassificationMultilabel

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"ImageClassificationMultilabel"(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsClassification
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	"AUCWeighted" "정확도" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	ImageModelDistributionSettingsClassification[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageInstanceSegmentation

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"ImageInstanceSegmentation"(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsObjectDetection
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	"MeanAveragePrecision"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	imageModelDistributionSettingsObjectDetection[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

ImageModelSettingsObjectDetection

이름	묘사	값
advancedSettings	고급 시나리오에 대한 설정입니다.	문자열
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	bool
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
boxDetectionsPerImage	모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
boxScoreThreshold	유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다. BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int
checkpointFrequency	모델 검사점을 저장하는 빈도입니다. 양의 정수여야 합니다.	int
checkpointModel	증분 학습을 위한 미리 학습된 검사점 모델입니다.	MLFlowModelJobInput
checkpointRunId	증분 학습에 대한 미리 학습된 검사점이 있는 이전 실행의 ID입니다.	문자열
분산	분산 학습을 사용할지 여부입니다.	bool
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	bool
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	int
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	int
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	bool
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	int
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	int
imageSize	학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	int
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	"없음" "단계" "WarmupCosine"
logTrainingMetrics	컴퓨팅 및 로깅 학습 메트릭을 사용하도록 설정합니다.	"사용 안 함" "사용"
logValidationLoss	컴퓨팅 및 로깅 유효성 검사 손실을 사용하도록 설정합니다.	"사용 안 함" "사용"
maxSize	백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
minSize	백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
modelSize	모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다. 참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	"ExtraLarge" "Large" "보통" "없음" "작음"
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
multiScale	이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다. 참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	bool
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	bool
nmsIouThreshold	NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	int
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	int
최적화	최적화 프로그램의 유형입니다.	"Adam" "Adamw" "없음" "Sgd"
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	int
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	int
tileGridSize	각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는 작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tileOverlapRatio	각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
tilePredictionsNmsThreshold	타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다. 유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	int
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	int
validationIouThreshold	유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	int
validationMetricType	유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다.	"코코" "CocoVoc" "없음" "Voc"
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	int
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	int
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	int

ImageModelDistributionSettingsObjectDetection

이름	묘사	값
amsGradient	최적화 프로그램이 'adam' 또는 'adamw'인 경우 AMSGrad를 사용하도록 설정합니다.	문자열
확대	확대를 사용하기 위한 설정입니다.	문자열
beta1	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta1' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
beta2	최적화 프로그램이 'adam' 또는 'adamw'인 경우 'beta2' 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
boxDetectionsPerImage	모든 클래스에 대한 이미지당 최대 검색 수입니다. 양의 정수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
boxScoreThreshold	유추하는 동안 분류 점수가 다음보다 큰 제안만 반환합니다. BoxScoreThreshold. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열
분산	배포자 학습을 사용할지 여부입니다.	문자열
earlyStopping	학습 중에 조기 중지 논리를 사용하도록 설정합니다.	문자열
earlyStoppingDelay	기본 메트릭 개선 전에 대기할 최소 Epoch 수 또는 유효성 검사 평가 는 조기 중지를 위해 추적됩니다. 양의 정수여야 합니다.	문자열
earlyStoppingPatience	이전의 기본 메트릭 개선 없이 Epoch 또는 유효성 검사 평가의 최소 수 실행이 중지되었습니다. 양의 정수여야 합니다.	문자열
enableOnnxNormalization	ONNX 모델을 내보낼 때 정규화를 사용하도록 설정합니다.	문자열
evaluationFrequency	메트릭 점수를 얻기 위해 유효성 검사 데이터 세트를 평가하는 빈도입니다. 양의 정수여야 합니다.	문자열
gradientAccumulationStep	그라데이션 누적은 구성된 수의 "GradAccumulationStep" 단계를 실행하지 않고 실행됨을 의미합니다. 해당 단계의 그라데이션을 누적하는 동안 모델 가중치를 업데이트한 다음 가중치 업데이트를 계산하기 위한 누적 그라데이션입니다. 양의 정수여야 합니다.	문자열
imageSize	학습 및 유효성 검사를 위한 이미지 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
layersToFreeze	모델에 대해 고정할 레이어 수입니다. 양의 정수여야 합니다. 예를 들어 'seresnext'에 대한 값으로 2를 전달하는 것은 freezing layer0 및 layer1. 지원되는 모델의 전체 목록 및 계층 고정에 대한 세부 정보는 다음을 참조하세요. 참조: /azure/machine-learning/how-to-auto-train-image-models.	문자열
learningRate	초기 학습 속도입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
learningRateScheduler	학습 속도 스케줄러의 유형입니다. 'warmup_cosine' 또는 '단계'여야 합니다.	문자열
maxSize	백본에 공급하기 전에 크기가 조정될 이미지의 최대 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
minSize	백본에 공급하기 전에 크기가 조정될 이미지의 최소 크기입니다. 양의 정수여야 합니다. 참고: 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
modelName	학습에 사용할 모델의 이름입니다. 사용 가능한 모델에 대한 자세한 내용은 공식 설명서를 참조하세요. /azure/machine-learning/how-to-auto-train-image-models.	문자열
modelSize	모델 크기입니다. 'small', 'medium', 'large' 또는 'xlarge'여야 합니다. 참고: 모델 크기가 너무 크면 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
운동량	최적화 프로그램이 'sgd'일 때의 모멘텀 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
multiScale	이미지 크기를 +/- 50%변경하여 다중 크기 이미지를 사용하도록 설정합니다. 참고: 충분한 GPU 메모리가 없는 경우 학습 실행이 CUDA OOM에 들어갈 수 있습니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해서만 지원됩니다.	문자열
nesterov	최적화 프로그램이 'sgd'일 때 nesterov를 사용하도록 설정합니다.	문자열
nmsIouThreshold	NMS 사후 처리에서 유추하는 동안 사용되는 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	문자열
numberOfEpochs	학습 epoch의 수입니다. 양의 정수여야 합니다.	문자열
numberOfWorkers	데이터 로더 작업자 수입니다. 음수가 아닌 정수여야 합니다.	문자열
최적화	최적화 프로그램의 유형입니다. 'sgd', 'adam' 또는 'adamw'여야 합니다.	문자열
randomSeed	결정적 학습을 사용할 때 사용할 임의 시드입니다.	문자열
stepLRGamma	학습 속도 스케줄러가 '단계'인 경우 감마 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
stepLRStepSize	학습 속도 스케줄러가 '단계'인 경우 단계 크기의 값입니다. 양의 정수여야 합니다.	문자열
tileGridSize	각 이미지를 타일링하는 데 사용할 그리드 크기입니다. 참고: TileGridSize는 작은 개체 검색 논리를 사용하도록 설정할 수 없습니다. mxn 형식의 두 정수가 포함된 문자열입니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tileOverlapRatio	각 차원의 인접 타일 간의 겹침 비율입니다. 범위 [0, 1)에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다.	문자열
tilePredictionsNmsThreshold	타일 및 이미지에서 예측을 병합하는 동안 NMS를 수행하는 데 사용할 IOU 임계값입니다. 유효성 검사/유추에 사용됩니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다. 참고: 이 설정은 'yolov5' 알고리즘에 대해 지원되지 않습니다. NMS: 최대값이 아닌 표시 안 함	문자열
trainingBatchSize	학습 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationBatchSize	유효성 검사 일괄 처리 크기입니다. 양의 정수여야 합니다.	문자열
validationIouThreshold	유효성 검사 메트릭을 계산할 때 사용할 IOU 임계값입니다. 범위 [0, 1]에 부동 소수 자릿수여야 합니다.	문자열
validationMetricType	유효성 검사 메트릭에 사용할 메트릭 계산 방법입니다. 'none', 'coco', 'voc' 또는 'coco_voc'이어야 합니다.	문자열
warmupCosineLRCycles	학습 속도 스케줄러가 'warmup_cosine'인 경우 코사인 주기의 값입니다. 범위 [0, 1]의 부동 소수 자릿수여야 합니다.	문자열
warmupCosineLRWarmupEpochs	학습 속도 스케줄러가 'warmup_cosine'인 경우 준비 epoch의 값입니다. 양의 정수여야 합니다.	문자열
weightDecay	최적화 프로그램이 'sgd', 'adam' 또는 'adamw'인 경우 가중치 감쇠 값입니다. 범위[0, 1]의 부동 소수 자릿수여야 합니다.	문자열

ImageObjectDetection

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"ImageObjectDetection"(필수)
limitSettings	[필수] AutoML 작업에 대한 설정을 제한합니다.	ImageLimitSettings (필수)
modelSettings	모델 학습에 사용되는 설정입니다.	ImageModelSettingsObjectDetection
primaryMetric	이 작업에 최적화할 기본 메트릭입니다.	"MeanAveragePrecision"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	imageModelDistributionSettingsObjectDetection[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 비우기 관련 설정입니다.	imageSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int

회귀

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"회귀"(필수)
cvSplitColumnNames	CVSplit 데이터에 사용할 열입니다.	string[]
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	tableVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	TableFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	tableVerticalLimitSettings
nCrossValidations	학습 데이터 세트에 적용할 교차 유효성 검사 접기 수 유효성 검사 데이터 세트가 제공되지 않으면 입니다.	NCrossValidations
primaryMetric	회귀 태스크에 대한 기본 메트릭입니다.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	tableParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	tableSweepSettings
testData	데이터 입력을 테스트합니다.	MLTableJobInput
testDataSize	유효성 검사를 위해 따로 설정해야 하는 테스트 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
trainingSettings	AutoML 작업의 학습 단계에 대한 입력입니다.	RegressionTrainingSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput
validationDataSize	유효성 검사를 위해 따로 설정해야 하는 학습 데이터 세트의 비율입니다. (0.0, 1.0) 사이의 값 유효성 검사 데이터 세트가 제공되지 않을 때 적용됩니다.	int
weightColumnName	샘플 가중치 열의 이름입니다. 자동화된 ML은 가중 열을 입력으로 지원하여 데이터의 행에 가중치를 적용하거나 줄입니다.	문자열

RegressionTrainingSettings

이름	묘사	값
allowedTrainingAlgorithms	회귀 태스크에 허용되는 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms	회귀 태스크에 대한 차단된 모델입니다.	다음 중 어느 것을 포함하는 문자열 배열: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
enableDnnTraining	DNN 모델의 권장 사항을 사용하도록 설정합니다.	bool
enableModelExplainability	최상의 모델에서 설명 기능을 켜는 플래그입니다.	bool
enableOnnxCompatibleModels	onnx 호환 모델을 사용하도록 설정하기 위한 플래그입니다.	bool
enableStackEnsemble	스택 앙상블 실행을 사용하도록 설정합니다.	bool
enableVoteEnsemble	투표 앙상블 실행을 사용하도록 설정합니다.	bool
ensembleModelDownloadTimeout	VotingEnsemble 및 StackEnsemble 모델 생성 중에 이전 자식 실행의 여러 맞춤 모델이 다운로드됩니다. 더 많은 시간이 필요한 경우 이 매개 변수를 300초보다 높은 값으로 구성합니다.	문자열
stackEnsembleSettings	스택 앙상블 실행에 대한 스택 앙상블 설정입니다.	StackEnsembleSettings
trainingMode	TrainingMode 모드 - 'auto'로 설정하는 것은 현재 '비균등'으로 설정하는 것과 같지만 나중에 혼합 모드 또는 추론 기반 모드 선택이 발생할 수 있습니다. 기본값은 'auto'입니다. 'Distributed'인 경우 분산 기능화만 사용되고 분산 알고리즘이 선택됩니다. 'NonDistributed'이면 분산되지 않은 알고리즘만 선택됩니다.	"Auto" "Distributed" "NonDistributed"

TextClassification

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"TextClassification"(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
primaryMetric	Text-Classification 작업에 대한 기본 메트릭입니다.	"AUCWeighted" "정확도" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

NlpVerticalFeaturizationSettings

이름	묘사	값
datasetLanguage	텍스트 데이터에 유용한 데이터 세트 언어입니다.	문자열

NlpFixedParameters

이름	묘사	값
gradientAccumulationSteps	뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다.	int
learningRate	학습 절차의 학습 속도입니다.	int
learningRateScheduler	학습 절차 중에 사용할 학습 속도 일정의 유형입니다.	"상수" "ConstantWithWarmup" "코사인" "CosineWithRestarts" "선형" "없음" "다항식"
modelName	학습할 모델의 이름입니다.	문자열
numberOfEpochs	학습 epoch의 수입니다.	int
trainingBatchSize	학습 절차의 일괄 처리 크기입니다.	int
validationBatchSize	평가 중에 사용할 일괄 처리 크기입니다.	int
warmupRatio	LrSchedulerType과 함께 사용되는 준비 비율입니다.	int
weightDecay	학습 절차의 체중 감소입니다.	int

NlpVerticalLimitSettings

이름	묘사	값
maxConcurrentTrials	최대 동시 AutoML 반복입니다.	int
maxNodes	실험에 사용할 최대 노드입니다.	int
maxTrials	AutoML 반복 횟수입니다.	int
타임 아웃	AutoML 작업 시간 제한입니다.	문자열
trialTimeout	개별 HD 평가판에 대한 시간 제한입니다.	문자열

NlpParameterSubspace

이름	묘사	값
gradientAccumulationSteps	뒤로 패스를 실행하기 전에 그라데이션을 누적하는 단계 수입니다.	문자열
learningRate	학습 절차의 학습 속도입니다.	문자열
learningRateScheduler	학습 절차 중에 사용할 학습 속도 일정의 유형입니다.	문자열
modelName	학습할 모델의 이름입니다.	문자열
numberOfEpochs	학습 epoch의 수입니다.	문자열
trainingBatchSize	학습 절차의 일괄 처리 크기입니다.	문자열
validationBatchSize	평가 중에 사용할 일괄 처리 크기입니다.	문자열
warmupRatio	LrSchedulerType과 함께 사용되는 준비 비율입니다.	문자열
weightDecay	학습 절차의 체중 감소입니다.	문자열

NlpSweepSettings

이름	묘사	값
earlyTermination	비우기 작업에 대한 조기 종료 정책 유형입니다.	earlyTerminationPolicy
samplingAlgorithm	[필수] 샘플링 알고리즘의 유형입니다.	"베이지안" "Grid" "Random"(필수)

TextClassificationMultilabel

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"TextClassificationMultilabel"(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

TextNer

이름	묘사	값
taskType	[필수] AutoMLJob의 작업 유형입니다.	"TextNER"(필수)
featurizationSettings	AutoML 작업에 필요한 기능화 입력입니다.	NlpVerticalFeaturizationSettings
fixedParameters	학습 내내 일정하게 유지되는 모델/학습 매개 변수입니다.	nlpFixedParameters
limitSettings	AutoMLJob에 대한 실행 제약 조건입니다.	nlpVerticalLimitSettings
searchSpace	모델과 해당 하이퍼 매개 변수의 다양한 조합을 샘플링하기 위한 공간을 검색합니다.	NlpParameterSubspace[]
sweepSettings	모델 비우기 및 하이퍼 매개 변수 튜닝에 대한 설정입니다.	nlpSweepSettings
validationData	유효성 검사 데이터 입력입니다.	MLTableJobInput

CommandJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	"명령"(필수)
autologgerSettings	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다.	AutologgerSettings
codeId	코드 자산의 ARM 리소스 ID입니다.	문자열
명령	[필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py"	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
분포	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch, Ray 또는 null 중 하나여야 합니다.	DistributionConfiguration
environmentId	[필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
environmentVariables	작업에 포함된 환경 변수입니다.	CommandJobEnvironmentVariables
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	commandJobInputs
제한	명령 작업 제한입니다.	CommandJobLimits
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	CommandJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration

AutologgerSettings

이름	묘사	값
mlflowAutologger	[필수] mlflow 자동 로그기를 사용할 수 있는지 여부를 나타냅니다.	"사용 안 함" "Enabled"(필수)

DistributionConfiguration

이름	묘사	값
distributionType	개체 유형 설정	Mpi PyTorch 레이 TensorFlow(필수)

Mpi

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	"Mpi"(필수)
processCountPerInstance	MPI 노드당 프로세스 수입니다.	int

PyTorch

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	"PyTorch"(필수)
processCountPerInstance	노드당 프로세스 수입니다.	int

광선

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	"Ray"(필수)
주소	Ray 헤드 노드의 주소입니다.	문자열
dashboardPort	대시보드 서버를 바인딩할 포트입니다.	int
headNodeAdditionalArgs	헤드 노드에서 광선 시작에 전달되는 추가 인수입니다.	문자열
includeDashboard	Ray 대시보드 GUI를 시작하려면 이 인수를 제공합니다.	bool
항구	헤드 레이 프로세스의 포트입니다.	int
workerNodeAdditionalArgs	작업자 노드에서 광선 시작에 전달된 추가 인수입니다.	문자열

TensorFlow

이름	묘사	값
distributionType	[필수] 배포 프레임워크의 유형을 지정합니다.	"TensorFlow"(필수)
parameterServerCount	매개 변수 서버 작업의 수입니다.	int
workerCount	작업자 수입니다. 지정하지 않으면 기본값은 인스턴스 수입니다.	int

CommandJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

CommandJobInputs

이름	묘사	값
{customized property}		JobInput

JobInput

이름	묘사	값
묘사	입력에 대한 설명입니다.	문자열
jobInputType	개체 유형 설정	custom_model 리터럴 mlflow_model mltable triton_model uri_file uri_folder(필수)

CustomModelJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	"custom_model"(필수)
모드	입력 자산 배달 모드입니다.	"Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

LiteralJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	"literal"(필수)
값	[필수] 입력에 대한 리터럴 값입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

TritonModelJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	"triton_model"(필수)
모드	입력 자산 배달 모드입니다.	"Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

UriFileJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	"uri_file"(필수)
모드	입력 자산 배달 모드입니다.	"Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

UriFolderJobInput

이름	묘사	값
jobInputType	[필수] 작업 유형을 지정합니다.	"uri_folder"(필수)
모드	입력 자산 배달 모드입니다.	"Direct" "다운로드" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
pathOnCompute	입력 자산 배달 경로입니다.	문자열
uri	[필수] 입력 자산 URI입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

CommandJobLimits

이름	묘사	값
jobLimitsType	[필수] JobLimit 형식입니다.	"명령" "Sweep"(필수)
타임 아웃	ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다.	문자열

CommandJobOutputs

이름	묘사	값
{customized property}		JobOutput

FineTuningJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	"FineTuning"(필수)
fineTuningDetails	[필수]	fineTuningVertical (필수)
출력	[필수]	FineTuningJobOutputs(필수)

FineTuningVertical

이름	묘사	값
모델	[필수] 미세 조정을 위한 입력 모델입니다.	MLFlowModelJobInput(필수)
taskType	[필수] 미세 조정 작업 유형입니다.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "TextTranslation" "TokenClassification" "VideoMultiObjectTracking"(필수)
trainingData	[필수] 미세 조정을 위한 학습 데이터입니다.	JobInput(필수)
validationData	미세 조정을 위한 유효성 검사 데이터입니다.	JobInput
modelProvider	개체 유형 설정	AzureOpenAI 사용자 지정(필수)

AzureOpenAiFineTuning

이름	묘사	값
modelProvider	[필수] 미세 조정 유형을 결정하는 열거형입니다.	"AzureOpenAI"(필수)
하이퍼 매개 변수	Azure Open AI 모델을 미세 조정하기 위한 HyperParameters입니다.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

이름	묘사	값
batchSize	각 일괄 처리의 예제 수입니다. 일괄 처리 크기가 클수록 모델 매개 변수는 덜 자주 업데이트되지만 분산은 낮습니다.	int
learningRateMultiplier	학습 속도에 대한 배율 인수입니다. 학습 속도가 작을수록 과잉 맞춤을 방지하는 데 유용할 수 있습니다.	int
nEpochs	모델을 학습시킬 Epoch의 수입니다. Epoch는 학습 데이터 세트를 통해 하나의 전체 주기를 나타냅니다.	int

CustomModelFineTuning

이름	묘사	값
modelProvider	[필수] 미세 조정 유형을 결정하는 열거형입니다.	"사용자 지정"(필수)
하이퍼 매개 변수	사용자 지정 모델을 미세 조정하기 위한 HyperParameters입니다.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

이름	묘사	값
{customized property}		문자열

FineTuningJobOutputs

이름	묘사	값
{customized property}		JobOutput

LabelingJobProperties

이름	묘사	값
componentId	구성 요소 리소스의 ARM 리소스 ID입니다.	문자열
computeId	컴퓨팅 리소스의 ARM 리소스 ID입니다.	문자열
dataConfiguration	작업에 사용되는 데이터의 구성입니다.	labelingDataConfiguration
묘사	자산 설명 텍스트입니다.	문자열
displayName	작업의 표시 이름입니다.	문자열
experimentName	작업이 속한 실험의 이름입니다. 설정하지 않으면 작업이 "기본" 실험에 배치됩니다.	문자열
신원	ID 구성. 설정된 경우 AmlToken, ManagedIdentity, UserIdentity 또는 null 중 하나여야 합니다. Null인 경우 기본값은 AmlToken입니다.	IdentityConfiguration
isArchived	자산이 보관되어 있나요?	bool
jobInstructions	작업의 지침에 레이블을 지정합니다.	LabelingJobInstructions
jobType	[필수] 작업 유형을 지정합니다.	"AutoML" "명령" "미세 조정" "레이블 지정" "파이프라인" "Spark" "Sweep"(필수)
labelCategories	작업의 레이블 범주입니다.	LabelingJobLabelCategories
labelingJobMediaProperties	작업에서 미디어 유형별 속성입니다.	LabelingJobMediaProperties
mlAssistConfiguration	작업에서 MLAssist 기능의 구성입니다.	MLAssistConfiguration
notificationSetting	작업에 대한 알림 설정	notificationSetting
속성	자산 속성 사전입니다.	ResourceBaseProperties
secretsConfiguration	런타임 중에 사용할 수 있는 비밀에 대한 구성입니다.	jobBaseSecretsConfiguration
서비스	JobEndpoints 목록입니다. 로컬 작업의 경우 작업 엔드포인트의 엔드포인트 값은 FileStreamObject입니다.	JobBaseServices
태그	태그 사전입니다. 태그를 추가, 제거 및 업데이트할 수 있습니다.	객체

LabelingDataConfiguration

이름	묘사	값
dataId	레이블 지정을 수행할 데이터 자산의 리소스 ID입니다.	문자열
incrementalDataRefresh	증분 데이터 새로 고침을 사용할지 여부를 나타냅니다.	"사용 안 함" "사용"

LabelingJobInstructions

이름	묘사	값
uri	레이블 지정에 대한 자세한 레이블 지정 지침이 있는 페이지에 대한 링크입니다.	문자열

LabelingJobLabelCategories

이름	묘사	값
{customized property}		LabelCategory

LabelCategory

이름	묘사	값
클래스	이 범주의 레이블 클래스 사전입니다.	LabelCategoryClasses
displayName	레이블 범주의 표시 이름입니다.	문자열
multiSelect	이 범주에서 여러 클래스를 선택할 수 있는지 여부를 나타냅니다.	"사용 안 함" "사용"

LabelCategoryClasses

이름	묘사	값
{customized property}		labelClass

LabelClass

이름	묘사	값
displayName	레이블 클래스의 표시 이름입니다.	문자열
서브 클래스	레이블 클래스의 하위 클래스 사전입니다.	LabelClassSubclasses

LabelClassSubclasses

이름	묘사	값
{customized property}		labelClass

LabelingJobMediaProperties

이름	묘사	값
mediaType	개체 유형 설정	이미지 텍스트(필수)

LabelingJobImageProperties

이름	묘사	값
mediaType	[필수] 작업의 미디어 유형입니다.	"이미지"(필수)
annotationType	이미지 레이블 지정 작업의 주석 유형입니다.	"BoundingBox" "분류" "InstanceSegmentation"

LabelingJobTextProperties

이름	묘사	값
mediaType	[필수] 작업의 미디어 유형입니다.	"Text"(필수)
annotationType	텍스트 레이블 지정 작업의 주석 형식입니다.	"분류" "NamedEntityRecognition"

MLAssistConfiguration

이름	묘사	값
mlAssist	개체 유형 설정	사용 안 함 사용(필수)

MLAssistConfigurationDisabled

이름	묘사	값
mlAssist	[필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다.	"Disabled"(필수)

MLAssistConfigurationEnabled

이름	묘사	값
mlAssist	[필수] MLAssist 기능을 사용할 수 있는지 여부를 나타냅니다.	"Enabled"(필수)
inferencingComputeBinding	[필수] 추론에 사용되는 AML 컴퓨팅 바인딩입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
trainingComputeBinding	[필수] 학습에 사용되는 AML 컴퓨팅 바인딩입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

PipelineJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	"파이프라인"(필수)
입력	파이프라인 작업에 대한 입력입니다.	pipelineJobInputs
작업	작업은 파이프라인 작업을 생성합니다.	pipelineJobJobs
출력	파이프라인 작업에 대한 출력	PipelineJobOutputs
설정	ContinueRunOnStepFailure 등의 파이프라인 설정
sourceJobId	원본 작업의 ARM 리소스 ID입니다.	문자열

PipelineJobInputs

이름	묘사	값
{customized property}		JobInput

PipelineJobJobs

이름	묘사	값
{customized property}

PipelineJobOutputs

이름	묘사	값
{customized property}		JobOutput

SparkJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	"Spark"(필수)
공문서	작업에 사용되는 파일을 보관합니다.	string[]
인수(args)	작업에 대한 인수입니다.	문자열
codeId	[필수] 코드 자산의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
conf	Spark가 구성한 속성입니다.	SparkJobConf
항목	[필수] 작업을 시작할 때 실행할 항목입니다.	SparkJobEntry(필수)
environmentId	작업에 대한 환경 사양의 ARM 리소스 ID입니다.	문자열
environmentVariables	작업에 포함된 환경 변수입니다.	SparkJobEnvironmentVariables
파일	작업에 사용되는 파일입니다.	string[]
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	SparkJobInputs
항아리	작업에 사용되는 Jar 파일입니다.	string[]
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	SparkJobOutputs
pyFiles	작업에 사용되는 Python 파일입니다.	string[]
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	SparkResourceConfiguration

SparkJobConf

이름	묘사	값
{customized property}		문자열

SparkJobEntry

이름	묘사	값
sparkJobEntryType	개체 유형 설정	SparkJobPythonEntry SparkJobScalaEntry(필수)

SparkJobPythonEntry

이름	묘사	값
sparkJobEntryType	[필수] 작업의 진입점 유형입니다.	"SparkJobPythonEntry"(필수)
파일	[필수] 작업 진입점에 대한 상대 Python 파일 경로입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SparkJobScalaEntry

이름	묘사	값
sparkJobEntryType	[필수] 작업의 진입점 유형입니다.	"SparkJobScalaEntry"(필수)
className	[필수] 진입점으로 사용되는 Scala 클래스 이름입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SparkJobEnvironmentVariables

이름	묘사	값
{customized property}		문자열

SparkJobInputs

이름	묘사	값
{customized property}		JobInput

SparkJobOutputs

이름	묘사	값
{customized property}		JobOutput

SparkResourceConfiguration

이름	묘사	값
instanceType	컴퓨팅 대상에서 지원하는 VM의 선택적 형식입니다.	문자열
runtimeVersion	작업에 사용되는 Spark 런타임의 버전입니다.	문자열

SweepJob

이름	묘사	값
jobType	[필수] 작업 유형을 지정합니다.	"Sweep"(필수)
componentConfiguration	구성 요소 스윕에 대한 구성 요소 구성	ComponentConfiguration
earlyTermination	조기 종료 정책을 사용하면 완료하기 전에 성능이 저하된 실행을 취소할 수 있습니다.	earlyTerminationPolicy
입력	작업에 사용되는 입력 데이터 바인딩의 매핑입니다.	SweepJobInputs
제한	스윕 작업 제한입니다.	SweepJobLimits
목표	[필수] 최적화 목표입니다.	Objective(필수)
출력	작업에 사용되는 출력 데이터 바인딩의 매핑입니다.	SweepJobOutputs
queueSettings	작업에 대한 큐 설정	QueueSettings
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration
samplingAlgorithm	[필수] 하이퍼 매개 변수 샘플링 알고리즘	SamplingAlgorithm(필수)
searchSpace	[필수] 각 매개 변수와 해당 분포를 포함하는 사전입니다. 사전 키는 매개 변수의 이름입니다.
재판	[필수] 평가판 구성 요소 정의입니다.	trialComponent (필수)

ComponentConfiguration

이름	묘사	값
pipelineSettings	ContinueRunOnStepFailure 등의 파이프라인 설정

SweepJobInputs

이름	묘사	값
{customized property}		JobInput

SweepJobLimits

이름	묘사	값
jobLimitsType	[필수] JobLimit 형식입니다.	"명령" "Sweep"(필수)
maxConcurrentTrials	작업 최대 동시 평가판을 스윕합니다.	int
maxTotalTrials	스윕 작업 최대 총 평가판입니다.	int
타임 아웃	ISO 8601 형식의 최대 실행 기간이며, 그 후에 작업이 취소됩니다. 전체 자릿수가 초인 기간만 지원합니다.	문자열
trialTimeout	비우기 작업 평가판 시간 제한 값입니다.	문자열

목표

이름	묘사	값
골	[필수] 하이퍼 매개 변수 튜닝에 지원되는 메트릭 목표를 정의합니다.	"최대화" "최소화"(필수)
primaryMetric	[필수] 최적화할 메트릭의 이름입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]

SweepJobOutputs

이름	묘사	값
{customized property}		JobOutput

SamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	개체 유형 설정	베이지안 Grid 임의 (필수)

BayesianSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	"Bayesian"(필수)

GridSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	"Grid"(필수)

RandomSamplingAlgorithm

이름	묘사	값
samplingAlgorithmType	[필수] 구성 속성과 함께 하이퍼 매개 변수 값을 생성하는 데 사용되는 알고리즘	"Random"(필수)
logbase	로그 기반 임의 샘플링의 기준으로 사용할 문자열 형식의 선택적 양수 또는 e	문자열
규칙	특정 유형의 임의 알고리즘	"Random" "Sobol"
씨	난수 생성을 위한 시드로 사용할 선택적 정수입니다.	int

TrialComponent

이름	묘사	값
codeId	코드 자산의 ARM 리소스 ID입니다.	문자열
명령	[필수] 작업을 시작할 때 실행할 명령입니다. 예. "python train.py"	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
분포	작업의 배포 구성입니다. 설정된 경우 Mpi, Tensorflow, PyTorch 또는 null 중 하나여야 합니다.	DistributionConfiguration
environmentId	[필수] 작업에 대한 환경 사양의 ARM 리소스 ID입니다.	string(필수) 제약 조건: 최소 길이 = 1 패턴 = [a-zA-Z0-9_]
environmentVariables	작업에 포함된 환경 변수입니다.	trialComponentEnvironmentVariables
리소스	작업에 대한 컴퓨팅 리소스 구성입니다.	JobResourceConfiguration

TrialComponentEnvironmentVariables

이름	묘사	값
{customized property}		문자열