Microsoft.MachineLearningServices-werkruimten/taken 2023-04-01

• meest recente
• 2024-10-01
• 2024-10-01-preview
• 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-resourcedefinitie

Het resourcetype werkruimten/taken kan worden geïmplementeerd met bewerkingen die zijn gericht op:

• Resourcegroepen - Zie opdrachten voor de implementatie van resourcegroepen

Zie logboek wijzigenvoor een lijst met gewijzigde eigenschappen in elke API-versie.

Resource-indeling

Als u een Resource microsoft.MachineLearningServices/werkruimten/taken wilt maken, voegt u de volgende Bicep toe aan uw sjabloon.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2023-04-01' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

JobBaseProperties-objecten

Stel de eigenschap jobType in om het type object op te geven.

Gebruik voor AutoML-:

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

Gebruik voor Command:

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

Gebruik voor Pipeline:

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

Gebruik voor Sweep:

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

IdentityConfiguration-objecten

Stel de eigenschap identityType in om het type object op te geven.

Gebruik voor AMLToken-:

{
  identityType: 'AMLToken'
}

Gebruik voor Beheerde:

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

Gebruik voor UserIdentity-:

{
  identityType: 'UserIdentity'
}

Seizoensgebondenheidsobjecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode: 'Auto'
}

Gebruik voor Aangepaste:

{
  mode: 'Custom'
  value: int
}

EarlyTerminationPolicy-objecten

Stel de eigenschap policyType in om het type object op te geven.

Gebruik voor Bandit-:

{
  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int
}

Gebruik voor MedianStopping:

{
  policyType: 'MedianStopping'
}

Gebruik voor TruncationSelection:

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

DistributionConfiguration-objecten

Stel de eigenschap distributionType in om het type object op te geven.

Gebruik voor Mpi-:

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

Gebruik voor PyTorch-:

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

Gebruik voor TensorFlow-:

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int
}

TargetRollingWindowSize-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode: 'Auto'
}

Gebruik voor Aangepaste:

{
  mode: 'Custom'
  value: int
}

JobInput-objecten

Stel de eigenschap jobInputType in om het type object op te geven.

Gebruik voor custom_model:

{
  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Gebruik voor letterlijke:

{
  jobInputType: 'literal'
  value: 'string'
}

Gebruik voor mlflow_model:

{
  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Gebruik voor mltable:

{
  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Gebruik voor triton_model:

{
  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Voor uri_filegebruikt u:

{
  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Gebruik voor uri_folder:

{
  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

ForecastHorizon-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode: 'Auto'
}

Gebruik voor Aangepaste:

{
  mode: 'Custom'
  value: int
}

AutoMLVertical-objecten

Stel de eigenschap taskType in om het type object op te geven.

Gebruik voor Classificatie:

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

Gebruik voor voorspellen:

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

Gebruik voor ImageClassification:

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

Gebruik voor ImageClassificationMultilabel:

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

Gebruik voor ImageInstanceSegmentation:

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

Gebruik voor ImageObjectDetection:

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

Gebruik voor regressie-:

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

Gebruik voor TextClassification:

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

Gebruik voor TextClassificationMultilabel:

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

Gebruik voor TextNER-:

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

TargetLags-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode: 'Auto'
}

Gebruik voor Aangepaste:

{
  mode: 'Custom'
  values: [
    int
  ]
}

SamplingAlgorithm-objecten

Stel de eigenschap samplingAlgorithmType in om het type object op te geven.

Gebruik voor Bayesian-:

{
  samplingAlgorithmType: 'Bayesian'
}

Gebruik voor Grid:

{
  samplingAlgorithmType: 'Grid'
}

Gebruik voor Willekeurige:

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

Knooppuntobjecten

Stel de eigenschap nodesValueType in om het type object op te geven.

Gebruik voor Alle:

{
  nodesValueType: 'All'
}

NCrossValidations-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode: 'Auto'
}

Gebruik voor Aangepaste:

{
  mode: 'Custom'
  value: int
}

JobOutput-objecten

Stel de eigenschap jobOutputType in om het type object op te geven.

Gebruik voor custom_model:

{
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Gebruik voor mlflow_model:

{
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Gebruik voor mltable:

{
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Gebruik voor triton_model:

{
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Voor uri_filegebruikt u:

{
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Gebruik voor uri_folder:

{
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

Eigenschapswaarden

AllNodes

Naam	Beschrijving	Waarde
nodesValueType	[Vereist] Type van de waarde Knooppunten	'Alles' (vereist)

AmlToken

Naam	Beschrijving	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	AMLToken (vereist)

AutoForecastHorizon

Naam	Beschrijving	Waarde
wijze	[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in.	'Auto' (vereist)

AutoMLJob

Naam	Beschrijving	Waarde
environmentId	De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven, indien niet opgegeven, wordt deze standaard ingesteld op de door AutoML samengestelde omgevingsversie van Productie bij het uitvoeren van de taak.	snaar
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	AutoMLJobEnvironmentVariables
jobType	[Vereist] Hiermee geeft u het type taak.	'AutoML' (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	AutoMLJobOutputs
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-
taskDetails	[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/Image kan zijn	AutoMLVertical (vereist)

AutoMLJobEnvironmentVariables

Naam	Beschrijving	Waarde

AutoMLJobOutputs

Naam	Beschrijving	Waarde

AutoMLVertical

Naam	Beschrijving	Waarde
logVerbosity	Logboek uitgebreidheid voor de taak.	'Kritiek' 'Fouten opsporen' 'Fout' 'Info' 'NotSet' 'Waarschuwing'
targetColumnName	Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	snaar
taskType	Ingesteld op Classificatie voor het type Classificatie. Ingesteld op 'Prognose' voor het type Voorspellen. Ingesteld op 'ImageClassification' voor het type ImageClassification. Ingesteld op 'ImageClassificationMultilabel' voor het type ImageClassificationMultilabel. Ingesteld op ImageInstanceSegmentation voor type ImageInstanceSegmentation. Ingesteld op ImageObjectDetection voor het type ImageObjectDetection. Ingesteld op Regressie voor het type Regressie. Ingesteld op 'TextClassification' voor het type TextClassification. Ingesteld op 'TextClassificationMultilabel' voor het type TextClassificationMultilabel. Ingesteld op 'TextNER' voor het type TextNer.	'Classificatie' 'Prognoses' 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' Regressie 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (vereist)
trainingData	[Vereist] Invoer van trainingsgegevens.	MLTableJobInput- (vereist)

AutoNCrossValidations

Naam	Beschrijving	Waarde
wijze	[Vereist] Modus voor het bepalen van N-Kruisvalidaties.	'Auto' (vereist)

AutoSeasonality

Naam	Beschrijving	Waarde
wijze	[Vereist] Seizoensgebondenheidsmodus.	'Auto' (vereist)

AutoTargetLags

Naam	Beschrijving	Waarde
wijze	[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast	'Auto' (vereist)

AutoTargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Auto' (vereist)

BanditPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'Bandit' (vereist)
slackAmount	Absolute afstand die is toegestaan vanaf de best presterende uitvoering.	Int
slackFactor	Verhouding van de toegestane afstand van de best presterende uitvoering.	Int

BayesianSamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Bayesian' (vereist)

Classificatie

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
positiveLabel	Positief label voor berekening van binaire metrische gegevens.	snaar
primaryMetric	Primaire metrische gegevens voor de taak.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[Vereist] Taaktype voor AutoMLJob.	'Classificatie' (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	ClassificationTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

ClassificationTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' "DecisionTree" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Geblokkeerde modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' "DecisionTree" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

ColumnTransformer

Naam	Beschrijving	Waarde
Velden	Velden waarop transformatielogica moet worden toegepast.	tekenreeks[]
Parameters	Verschillende eigenschappen die moeten worden doorgegeven aan de transformator. De verwachte invoer is een woordenlijst van sleutel-waardeparen in JSON-indeling.	enig

CommandJob

Naam	Beschrijving	Waarde
codeId	ARM-resource-id van de codeasset.	snaar
bevelen	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration-
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	CommandJobEnvironmentVariables
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	CommandJobInputs
jobType	[Vereist] Hiermee geeft u het type taak.	'Opdracht' (vereist)
grens	Opdrachttaaklimiet.	CommandJobLimits-
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	CommandJobOutputs-
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-

CommandJobEnvironmentVariables

Naam	Beschrijving	Waarde

CommandJobInputs

Naam	Beschrijving	Waarde

CommandJobLimits

Naam	Beschrijving	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
Timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden.	snaar

CommandJobOutputs

Naam	Beschrijving	Waarde

CustomForecastHorizon

Naam	Beschrijving	Waarde
wijze	[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in.	'Aangepast' (vereist)
waarde	[Vereist] Waarde van de prognose horizon.	int (vereist)

CustomModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

CustomModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

CustomNCrossValidations

Naam	Beschrijving	Waarde
wijze	[Vereist] Modus voor het bepalen van N-Kruisvalidaties.	'Aangepast' (vereist)
waarde	[Vereist] Waarde voor N-kruisvalidaties.	int (vereist)

CustomSeasonality

Naam	Beschrijving	Waarde
wijze	[Vereist] Seizoensgebondenheidsmodus.	'Aangepast' (vereist)
waarde	[Vereist] Seizoensgebondenheidswaarde.	int (vereist)

CustomTargetLags

Naam	Beschrijving	Waarde
wijze	[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast	'Aangepast' (vereist)
waarden	[Vereist] Stel waarden voor doelvertragingen in.	int[] (vereist)

CustomTargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Aangepast' (vereist)
waarde	[Vereist] TargetRollingWindowSize-waarde.	int (vereist)

DistributionConfiguration

Naam	Beschrijving	Waarde
distributionType	Ingesteld op Mpi voor het type Mpi-. Ingesteld op PyTorch voor het type PyTorch. Ingesteld op TensorFlow voor het type TensorFlow.	'Mpi' 'PyTorch' 'TensorFlow' (vereist)

EarlyTerminationPolicy

Naam	Beschrijving	Waarde
delayEvaluation	Aantal intervallen waarmee de eerste evaluatie moet worden vertraagd.	Int
evaluationInterval	Interval (aantal uitvoeringen) tussen beleidsevaluaties.	Int
policyType	Ingesteld op 'Bandit' voor het type BanditPolicy. Ingesteld op 'MedianStopping' voor het type MedianStoppingPolicy. Ingesteld op TruncationSelection voor het type TruncationSelectionPolicy.	'Bandit' 'MedianStopping' 'TruncationSelection' (vereist)

ForecastHorizon

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoForecastHorizon. Ingesteld op 'Aangepast' voor het type CustomForecastHorizon.	'Auto' 'Aangepast' (vereist)

Vooruitzichten

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
forecastingSettings	Taakspecifieke invoer voorspellen.	ForecastingSettings-
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
primaryMetric	Primaire metrische gegevens voor het voorspellen van een taak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[Vereist] Taaktype voor AutoMLJob.	'Prognose' (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	ForecastingTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

ForecastingSettings

Naam	Beschrijving	Waarde
countryOrRegionForHolidays	Land of regio voor feestdagen voor prognosetaken. Dit moeten ISO 3166 tweeletterige land-/regiocodes zijn, bijvoorbeeld 'VS' of 'GB'.	snaar
cvStepSize	Aantal perioden tussen de oorspronkelijke tijd van één CV-vouw en de volgende vouw. Voor Als CVStepSize = 3 voor dagelijkse gegevens, is de oorspronkelijke tijd voor elke vouw bijvoorbeeld drie dagen na elkaar.	Int
featureLags	Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null.	'Auto' 'Geen'
forecastHorizon	De gewenste maximale prognose horizon in eenheden van tijdreeksfrequentie.	ForecastHorizon-
frequentie	Bij het voorspellen vertegenwoordigt deze parameter de periode waarmee de prognose gewenst is, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset.	snaar
Seizoensgebonden	Stel de seizoensgebondenheid van tijdreeksen in als een geheel getal van het veelvoud van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'auto', wordt dit afgeleid.	Seizoensgebondenheid
shortSeriesHandlingConfig	De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.	'Auto' 'Neerzetten' 'Geen' 'Pad'
targetAggregateFunction	De functie die moet worden gebruikt om de doelkolom van de tijdreeks te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, wordt de fout gegenereerd. De mogelijke doelaggregatiefuncties zijn: 'sum', 'max', 'min' en 'mean'.	'Max' 'Gemiddelde' 'Min' 'Geen' 'Som'
targetLags	Het aantal eerdere perioden tot vertraging van de doelkolom.	TargetLags
targetRollingWindowSize	Het aantal eerdere perioden dat wordt gebruikt voor het maken van een doorlopend venster gemiddelde van de doelkolom.	TargetRollingWindowSize-
timeColumnName	De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen om de datum/tijd-kolom op te geven in de invoergegevens die worden gebruikt voor het bouwen van de tijdreeks en het uitstellen van de frequentie.	snaar
timeSeriesIdColumnNames	De namen van kolommen die worden gebruikt om een tijdreeks te groeperen. Het kan worden gebruikt om meerdere reeksen te maken. Als graan niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt bij het voorspellen van taaktypen.	tekenreeks[]
useStl	Configureer STL-decompositie van de doelkolom van de tijdreeks.	'Geen' 'Seizoen' 'SeasonTrend'

ForecastingTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor het voorspellen van een taak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' AutoArima 'Gemiddelde' "DecisionTree" 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Geblokkeerde modellen voor het voorspellen van een taak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' AutoArima 'Gemiddelde' "DecisionTree" 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

GridSamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Raster' (vereist)

IdentityConfiguration

Naam	Beschrijving	Waarde
identityType	Stel in op AMLToken voor het type AmlToken. Ingesteld op Beheerd voor het type ManagedIdentity. Ingesteld op UserIdentity voor het type UserIdentity.	'AMLToken' 'Beheerd' UserIdentity (vereist)

ImageClassification

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassification' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageClassificationMultilabel

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' "CATE" 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassificationMultilabel' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageInstanceSegmentation

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection-
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'MeanAveragePrecision'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	ImageInstanceSegmentation (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageLimitSettings

Naam	Beschrijving	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	Int
maxTrials	Maximum aantal AutoML-iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar

ImageModelDistributionSettingsClassification

Naam	Beschrijving	Waarde
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	snaar
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
Gedistribueerd	Of u distributietraining wilt gebruiken.	snaar
earlyStopping	Schakel vroege stoplogica in tijdens de training.	snaar
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	snaar
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	snaar
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	snaar
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	snaar
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	snaar
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	snaar
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	snaar
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	snaar
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	snaar
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	snaar
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	snaar
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	snaar
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	snaar
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	snaar
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	snaar
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	snaar
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	snaar
trainingCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	snaar
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	snaar
validationCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	snaar
validationResizeSize	Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn.	snaar
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	snaar
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	snaar
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	snaar
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	snaar

ImageModelDistributionSettingsObjectDetection

Naam	Beschrijving	Waarde
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	snaar
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1].	snaar
Gedistribueerd	Of u distributietraining wilt gebruiken.	snaar
earlyStopping	Schakel vroege stoplogica in tijdens de training.	snaar
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	snaar
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	snaar
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	snaar
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	snaar
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	snaar
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	snaar
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	snaar
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	snaar
maxSize	De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
modelSize	Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	snaar
multiScale	Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	snaar
nmsMappenThreshold	De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet in het bereik liggen [0, 1].	snaar
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	snaar
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	snaar
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	snaar
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	snaar
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	snaar
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	snaar
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet zijn Geen om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tilePredictionsNmsThreshold	De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. NMS: Niet-maximale onderdrukking	snaar
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	snaar
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	snaar
validation ValidatieThreshold	Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1].	snaar
validationMetricType	De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.	snaar
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	snaar
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	snaar
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	snaar

ImageModelSettingsClassification

Naam	Beschrijving	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	snaar
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	Bool
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
controlepuntFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	Int
checkpointModel	Het vooraf getrainde controlepuntmodel voor incrementele training.	MLFlowModelJobInput-
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	snaar
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	Bool
earlyStopping	Schakel vroege stoplogica in tijdens de training.	Bool
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	Int
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	Int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	Bool
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	Int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	Int
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	Int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	Int
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	Bool
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	Int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	Int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	Int
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	Int
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	Int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	Int
trainingCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	Int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	Int
validationCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	Int
validationResizeSize	Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn.	Int
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	Int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	Int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	Int
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	Int

ImageModelSettingsObjectDetection

Naam	Beschrijving	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	snaar
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	Bool
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1].	Int
controlepuntFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	Int
checkpointModel	Het vooraf getrainde controlepuntmodel voor incrementele training.	MLFlowModelJobInput-
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	snaar
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	Bool
earlyStopping	Schakel vroege stoplogica in tijdens de training.	Bool
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	Int
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	Int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	Bool
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	Int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	Int
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	Int
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	Int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
maxSize	De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
modelSize	Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	'ExtraLarge' 'Groot' 'Gemiddeld' 'Geen' 'Klein'
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	Int
multiScale	Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	Bool
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	Bool
nmsMappenThreshold	De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet een float in het bereik [0, 1] zijn.	Int
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	Int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	Int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	Int
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	Int
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	Int
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet zijn Geen om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
tilePredictionsNmsThreshold	De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	Int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	Int
validation ValidatieThreshold	Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1].	Int
validationMetricType	De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens.	'Coco' 'CocoVoc' 'Geen' 'Voc'
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	Int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	Int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	Int

ImageObjectDetection

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection-
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'MeanAveragePrecision'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	ImageObjectDetection (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageSweepSettings

Naam	Beschrijving	Waarde
earlyTermination	Type beleid voor vroegtijdige beëindiging.	EarlyTerminationPolicy-
samplingAlgorithm	[Vereist] Type van de algoritmen voor het nemen van hyperparameters.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

JobBaseProperties

Naam	Beschrijving	Waarde
componentId	ARM-resource-id van de onderdeelresource.	snaar
computeId	ARM-resource-id van de rekenresource.	snaar
beschrijving	De tekst van de assetbeschrijving.	snaar
displayName	Weergavenaam van taak.	snaar
experimentName	De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst.	snaar
identiteit	Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null.	IdentityConfiguration-
isArchived	Is de asset gearchiveerd?	Bool
jobType	Ingesteld op 'AutoML' voor het type AutoMLJob. Ingesteld op Opdracht voor CommandJob. Ingesteld op Pijplijn voor het type PipelineJob. Ingesteld op Opruimen voor het type SweepJob.	'AutoML' 'Opdracht' 'Pijplijn' 'Opruimen' (vereist)
Eigenschappen	De woordenlijst voor asseteigenschappen.	ResourceBaseProperties-
diensten	Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject.	JobBaseServices-
Tags	Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt.	ResourceBaseTags-

JobBaseServices

Naam	Beschrijving	Waarde

JobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	Ingesteld op 'custom_model' voor het type CustomModelJobInput. Ingesteld op 'letterlijk' voor het type LiteralJobInput. Ingesteld op 'mlflow_model' voor het type MLFlowModelJobInput. Ingesteld op 'mltable' voor het type MLTableJobInput. Ingesteld op 'triton_model' voor het type TritonModelJobInput. Ingesteld op 'uri_file' voor het type UriFileJobInput. Ingesteld op 'uri_folder' voor het type UriFolderJobInput.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)

JobOutput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de uitvoer.	snaar
jobOutputType	Ingesteld op 'custom_model' voor het type CustomModelJobOutput. Ingesteld op 'mlflow_model' voor het type MLFlowModelJobOutput. Ingesteld op 'mltable' voor het type MLTableJobOutput. Ingesteld op 'triton_model' voor het type TritonModelJobOutput. Ingesteld op 'uri_file' voor het type UriFileJobOutput. Ingesteld op 'uri_folder' voor het type UriFolderJobOutput.	'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)

JobResourceConfiguration

Naam	Beschrijving	Waarde
dockerArgs	Extra argumenten die moeten worden doorgegeven aan de opdracht Docker-run. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen.	snaar
instanceCount	Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt.	Int
instanceType	Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel.	snaar
Eigenschappen	Extra eigenschappen zak.	ResourceConfigurationProperties-
shmSize	Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn.	snaar Beperkingen: Patroon = \d+[bBkKmMgG]

JobService

Naam	Beschrijving	Waarde
Eindpunt	URL voor eindpunt.	snaar
jobServiceType	Eindpunttype.	snaar
Knooppunten	Knooppunten waarop de gebruiker de service wil starten. Als knooppunten niet zijn ingesteld of ingesteld op null, wordt de service alleen gestart op het leader-knooppunt.	Knooppunten
haven	Poort voor eindpunt.	Int
Eigenschappen	Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt.	JobServiceProperties-

JobServiceProperties

Naam	Beschrijving	Waarde

LiteralJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'letterlijk' (vereist)
waarde	[Vereist] Letterlijke waarde voor de invoer.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

ManagedIdentity

Naam	Beschrijving	Waarde
clientId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van client-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	Beheerd (vereist)
objectId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van object-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van arm-resource-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar

MedianStoppingPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	MedianStopping (vereist)

Microsoft.MachineLearningServices/workspaces/jobs

Naam	Beschrijving	Waarde
naam	De resourcenaam	snaar Beperkingen: Patroon = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (vereist)
ouder	In Bicep kunt u de bovenliggende resource voor een onderliggende resource opgeven. U hoeft deze eigenschap alleen toe te voegen wanneer de onderliggende resource buiten de bovenliggende resource wordt gedeclareerd. Zie onderliggende resource buiten de bovenliggende resourcevoor meer informatie.	Symbolische naam voor resource van het type: werkruimten
Eigenschappen	[Vereist] Aanvullende kenmerken van de entiteit.	JobBaseProperties (vereist)

MLFlowModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'mlflow_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLFlowModelJobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLFlowModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'mlflow_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

MLTableJobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLTableJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'mltable' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLTableJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'mltable' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

Mpi

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	Mpi (vereist)
processCountPerInstance	Aantal processen per MPI-knooppunt.	Int

NCrossValidations

Naam	Beschrijving	Waarde
wijze	Ingesteld op Auto voor type AutoNCrossValidations. Ingesteld op 'Aangepast' voor het type CustomNCrossValidations.	'Auto' 'Aangepast' (vereist)

NlpVerticalFeaturizationSettings

Naam	Beschrijving	Waarde
gegevenssetLanguage	De taal van de gegevensset, handig voor de tekstgegevens.	snaar

NlpVerticalLimitSettings

Naam	Beschrijving	Waarde
maxConcurrentTrials	Maximum aantal Gelijktijdige AutoML-iteraties.	Int
maxTrials	Aantal AutoML-iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar

Knooppunten

Naam	Beschrijving	Waarde
nodesValueType	Ingesteld op 'Alle' voor het type AllNodes.	'Alles' (vereist)

Objectief

Naam	Beschrijving	Waarde
doel	[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters	'Maximaliseren' 'Minimaliseren' (vereist)
primaryMetric	[Vereist] Naam van de metrische waarde die u wilt optimaliseren.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

PipelineJob

Naam	Beschrijving	Waarde
Ingangen	Invoer voor de pijplijntaak.	PipelineJobInputs
Banen	Taken maken de pijplijntaak.	PipelineJobJobs
jobType	[Vereist] Hiermee geeft u het type taak.	'Pijplijn' (vereist)
Uitgangen	Uitvoer voor de pijplijntaak	PipelineJobOutputs
Instellingen	Pijplijninstellingen, voor zaken zoals ContinueRunOnStepFailure, enzovoort.	enig
sourceJobId	ARM-resource-id van brontaak.	snaar

PipelineJobInputs

Naam	Beschrijving	Waarde

PipelineJobJobs

Naam	Beschrijving	Waarde

PipelineJobOutputs

Naam	Beschrijving	Waarde

PyTorch

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'PyTorch' (vereist)
processCountPerInstance	Aantal processen per knooppunt.	Int

RandomSamplingAlgorithm

Naam	Beschrijving	Waarde
regel	Het specifieke type willekeurig algoritme	'Willekeurig' 'Sobol'
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Willekeurig' (vereist)
zaad	Een optioneel geheel getal dat moet worden gebruikt als de seed voor het genereren van willekeurige getallen	Int

Regressie

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
primaryMetric	Primaire metriek voor regressietaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[Vereist] Taaktype voor AutoMLJob.	Regressie (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	RegressionTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

RegressionTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: "DecisionTree" 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Geblokkeerde modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: "DecisionTree" 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

ResourceBaseProperties

Naam	Beschrijving	Waarde

ResourceBaseTags

Naam	Beschrijving	Waarde

ResourceConfigurationProperties

Naam	Beschrijving	Waarde

SamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	Ingesteld op 'Bayesian' voor het type BayesianSamplingAlgorithm. Ingesteld op 'Raster' voor het type GridSamplingAlgorithm. Ingesteld op 'Willekeurig' voor het type RandomSamplingAlgorithm.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

Seizoensgebonden

Naam	Beschrijving	Waarde
wijze	Ingesteld op Auto voor type AutoSeasonality. Ingesteld op 'Aangepast' voor het type CustomSeasonality.	'Auto' 'Aangepast' (vereist)

StackEnsembleSettings

Naam	Beschrijving	Waarde
stackMetaLearnerKWargs	Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner.	enig
stackMetaLearnerTrainPercentage	Hiermee geeft u het aandeel van de trainingsset op (bij het kiezen van het trainings- en validatietype) dat moet worden gereserveerd voor het trainen van de meta-learner. De standaardwaarde is 0,2.	Int
stackMetaLearnerType	De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Geen'

SweepJob

Naam	Beschrijving	Waarde
earlyTermination	Beleid voor vroegtijdige beëindiging zorgt ervoor dat uitvoeringen met slechte prestaties worden geannuleerd voordat ze zijn voltooid	EarlyTerminationPolicy-
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	SweepJobInputs
jobType	[Vereist] Hiermee geeft u het type taak.	'Opruimen' (vereist)
grens	Taaklimiet opruimen.	SweepJobLimits-
objectief	[Vereist] Optimalisatiedoelstelling.	Objective (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	SweepJobOutputs
samplingAlgorithm	[Vereist] Het algoritme voor hyperparametersampling	SamplingAlgorithm (vereist)
searchSpace	[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter	elke (vereist)
proces	[Vereist] Definitie van proefonderdeel.	TrialComponent (vereist)

SweepJobInputs

Naam	Beschrijving	Waarde

SweepJobLimits

Naam	Beschrijving	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
maxConcurrentTrials	Sweep Job max gelijktijdige proefversies.	Int
maxTotalTrials	Sweep Job maximum aantal proefversies.	Int
Timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden.	snaar
trialTimeout	Time-outwaarde voor time-out voor de proefversie van de taak opruimen.	snaar

SweepJobOutputs

Naam	Beschrijving	Waarde

TableVerticalFeaturizationSettings

Naam	Beschrijving	Waarde
blockedTransformers	Deze transformatoren mogen niet worden gebruikt in featurization.	Tekenreeksmatrix met een van de volgende waarden: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	Woordenlijst van kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort).	TableVerticalFeaturizationSettingsColumnNameAndTypes
gegevenssetLanguage	De taal van de gegevensset, handig voor de tekstgegevens.	snaar
enableDnnFeaturization	Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevensmetrisatie.	Bool
wijze	Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de noodzakelijke transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker aanvullende invoer opgeven om aan te passen hoe featurization wordt uitgevoerd.	'Auto' 'Aangepast' 'Uit'
transformerParams	Gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop deze moet worden toegepast en parameters voor de transformatorconstructor.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Naam	Beschrijving	Waarde

TableVerticalFeaturizationSettingsTransformerParams

Naam	Beschrijving	Waarde

TableVerticalLimitSettings

Naam	Beschrijving	Waarde
enableEarlyTermination	Vroegtijdige beëindiging inschakelen, bepaalt of AutoMLJob vroeg wordt beëindigd als er geen scoreverbetering is in de afgelopen 20 iteraties.	Bool
exitScore	Afsluitscore voor de AutoML-taak.	Int
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties.	Int
maxCoresPerTrial	Maximum aantal kernen per iteratie.	Int
maxTrials	Aantal iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar
trialTimeout	Time-out voor iteratie.	snaar

TargetLags

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoTargetLags. Ingesteld op 'Aangepast' voor het type CustomTargetLags.	'Auto' 'Aangepast' (vereist)

TargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoTargetRollingWindowSize. Ingesteld op 'Aangepast' voor het type CustomTargetRollingWindowSize.	'Auto' 'Aangepast' (vereist)

TensorFlow

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'TensorFlow' (vereist)
parameterServerCount	Aantal parameterservertaken.	Int
workerCount	Aantal werknemers. Als dit niet is opgegeven, wordt het aantal exemplaren standaard ingesteld.	Int

TextClassification

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor Text-Classification taak.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[Vereist] Taaktype voor AutoMLJob.	TextClassification (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TextClassificationMultilabel

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassificationMultilabel' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TextNer

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextNER' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TrialComponent

Naam	Beschrijving	Waarde
codeId	ARM-resource-id van de codeasset.	snaar
bevelen	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration-
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	TrialComponentEnvironmentVariables
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-

TrialComponentEnvironmentVariables

Naam	Beschrijving	Waarde

TritonModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'triton_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

TritonModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'triton_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

TruncationSelectionPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'TruncationSelection' (vereist)
afkappingSpercentage	Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval.	Int

UriFileJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'uri_file' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

UriFileJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'uri_file' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

UriFolderJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

UriFolderJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'uri_folder' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

UserIdentity

Naam	Beschrijving	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	UserIdentity (vereist)

Quickstart-voorbeelden

In de volgende quickstartvoorbeelden wordt dit resourcetype geïmplementeerd.

Bicep-bestand	Beschrijving
Een Classificatietaak voor Azure Machine Learning AutoML maken	Met deze sjabloon maakt u een Azure Machine Learning AutoML-classificatietaak om erachter te komen wat het beste model is om te voorspellen of een klant zich bij een financiële instelling abonneert op een vaste termijndeposito.
Een Azure Machine Learning-opdrachttaak maken	Met deze sjabloon maakt u een Azure Machine Learning-opdrachttaak met een eenvoudig hello_world script
een Azure Machine Learning Sweep-taak maken	Met deze sjabloon maakt u een Azure Machine Learning Sweep-taak voor het afstemmen van hyperparameters.

Resourcedefinitie van ARM-sjabloon

Het resourcetype werkruimten/taken kan worden geïmplementeerd met bewerkingen die zijn gericht op:

• Resourcegroepen - Zie opdrachten voor de implementatie van resourcegroepen

Zie logboek wijzigenvoor een lijst met gewijzigde eigenschappen in elke API-versie.

Resource-indeling

Als u een resource voor Microsoft.MachineLearningServices/werkruimten/taken wilt maken, voegt u de volgende JSON toe aan uw sjabloon.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2023-04-01",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

JobBaseProperties-objecten

Stel de eigenschap jobType in om het type object op te geven.

Gebruik voor AutoML-:

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

Gebruik voor Command:

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

Gebruik voor Pipeline:

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

Gebruik voor Sweep:

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

IdentityConfiguration-objecten

Stel de eigenschap identityType in om het type object op te geven.

Gebruik voor AMLToken-:

{
  "identityType": "AMLToken"
}

Gebruik voor Beheerde:

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

Gebruik voor UserIdentity-:

{
  "identityType": "UserIdentity"
}

Seizoensgebondenheidsobjecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  "mode": "Auto"
}

Gebruik voor Aangepaste:

{
  "mode": "Custom",
  "value": "int"
}

EarlyTerminationPolicy-objecten

Stel de eigenschap policyType in om het type object op te geven.

Gebruik voor Bandit-:

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

Gebruik voor MedianStopping:

{
  "policyType": "MedianStopping"
}

Gebruik voor TruncationSelection:

{
  "policyType": "TruncationSelection",
  "truncationPercentage": "int"
}

DistributionConfiguration-objecten

Stel de eigenschap distributionType in om het type object op te geven.

Gebruik voor Mpi-:

{
  "distributionType": "Mpi",
  "processCountPerInstance": "int"
}

Gebruik voor PyTorch-:

{
  "distributionType": "PyTorch",
  "processCountPerInstance": "int"
}

Gebruik voor TensorFlow-:

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

TargetRollingWindowSize-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  "mode": "Auto"
}

Gebruik voor Aangepaste:

{
  "mode": "Custom",
  "value": "int"
}

JobInput-objecten

Stel de eigenschap jobInputType in om het type object op te geven.

Gebruik voor custom_model:

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

Gebruik voor letterlijke:

{
  "jobInputType": "literal",
  "value": "string"
}

Gebruik voor mlflow_model:

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

Gebruik voor mltable:

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

Gebruik voor triton_model:

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

Voor uri_filegebruikt u:

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

Gebruik voor uri_folder:

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

ForecastHorizon-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  "mode": "Auto"
}

Gebruik voor Aangepaste:

{
  "mode": "Custom",
  "value": "int"
}

AutoMLVertical-objecten

Stel de eigenschap taskType in om het type object op te geven.

Gebruik voor Classificatie:

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

Gebruik voor voorspellen:

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

Gebruik voor ImageClassification:

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

Gebruik voor ImageClassificationMultilabel:

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

Gebruik voor ImageInstanceSegmentation:

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

Gebruik voor ImageObjectDetection:

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

Gebruik voor regressie-:

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

Gebruik voor TextClassification:

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

Gebruik voor TextClassificationMultilabel:

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

Gebruik voor TextNER-:

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

TargetLags-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  "mode": "Auto"
}

Gebruik voor Aangepaste:

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

SamplingAlgorithm-objecten

Stel de eigenschap samplingAlgorithmType in om het type object op te geven.

Gebruik voor Bayesian-:

{
  "samplingAlgorithmType": "Bayesian"
}

Gebruik voor Grid:

{
  "samplingAlgorithmType": "Grid"
}

Gebruik voor Willekeurige:

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

Knooppuntobjecten

Stel de eigenschap nodesValueType in om het type object op te geven.

Gebruik voor Alle:

{
  "nodesValueType": "All"
}

NCrossValidations-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  "mode": "Auto"
}

Gebruik voor Aangepaste:

{
  "mode": "Custom",
  "value": "int"
}

JobOutput-objecten

Stel de eigenschap jobOutputType in om het type object op te geven.

Gebruik voor custom_model:

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

Gebruik voor mlflow_model:

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

Gebruik voor mltable:

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

Gebruik voor triton_model:

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

Voor uri_filegebruikt u:

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

Gebruik voor uri_folder:

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

Eigenschapswaarden

AllNodes

Naam	Beschrijving	Waarde
nodesValueType	[Vereist] Type van de waarde Knooppunten	'Alles' (vereist)

AmlToken

Naam	Beschrijving	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	AMLToken (vereist)

AutoForecastHorizon

Naam	Beschrijving	Waarde
wijze	[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in.	'Auto' (vereist)

AutoMLJob

Naam	Beschrijving	Waarde
environmentId	De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven, indien niet opgegeven, wordt deze standaard ingesteld op de door AutoML samengestelde omgevingsversie van Productie bij het uitvoeren van de taak.	snaar
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	AutoMLJobEnvironmentVariables
jobType	[Vereist] Hiermee geeft u het type taak.	'AutoML' (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	AutoMLJobOutputs
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-
taskDetails	[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/Image kan zijn	AutoMLVertical (vereist)

AutoMLJobEnvironmentVariables

Naam	Beschrijving	Waarde

AutoMLJobOutputs

Naam	Beschrijving	Waarde

AutoMLVertical

Naam	Beschrijving	Waarde
logVerbosity	Logboek uitgebreidheid voor de taak.	'Kritiek' 'Fouten opsporen' 'Fout' 'Info' 'NotSet' 'Waarschuwing'
targetColumnName	Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	snaar
taskType	Ingesteld op Classificatie voor het type Classificatie. Ingesteld op 'Prognose' voor het type Voorspellen. Ingesteld op 'ImageClassification' voor het type ImageClassification. Ingesteld op 'ImageClassificationMultilabel' voor het type ImageClassificationMultilabel. Ingesteld op ImageInstanceSegmentation voor type ImageInstanceSegmentation. Ingesteld op ImageObjectDetection voor het type ImageObjectDetection. Ingesteld op Regressie voor het type Regressie. Ingesteld op 'TextClassification' voor het type TextClassification. Ingesteld op 'TextClassificationMultilabel' voor het type TextClassificationMultilabel. Ingesteld op 'TextNER' voor het type TextNer.	'Classificatie' 'Prognoses' 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' Regressie 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (vereist)
trainingData	[Vereist] Invoer van trainingsgegevens.	MLTableJobInput- (vereist)

AutoNCrossValidations

Naam	Beschrijving	Waarde
wijze	[Vereist] Modus voor het bepalen van N-Kruisvalidaties.	'Auto' (vereist)

AutoSeasonality

Naam	Beschrijving	Waarde
wijze	[Vereist] Seizoensgebondenheidsmodus.	'Auto' (vereist)

AutoTargetLags

Naam	Beschrijving	Waarde
wijze	[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast	'Auto' (vereist)

AutoTargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Auto' (vereist)

BanditPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'Bandit' (vereist)
slackAmount	Absolute afstand die is toegestaan vanaf de best presterende uitvoering.	Int
slackFactor	Verhouding van de toegestane afstand van de best presterende uitvoering.	Int

BayesianSamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Bayesian' (vereist)

Classificatie

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
positiveLabel	Positief label voor berekening van binaire metrische gegevens.	snaar
primaryMetric	Primaire metrische gegevens voor de taak.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[Vereist] Taaktype voor AutoMLJob.	'Classificatie' (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	ClassificationTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

ClassificationTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' "DecisionTree" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Geblokkeerde modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' "DecisionTree" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

ColumnTransformer

Naam	Beschrijving	Waarde
Velden	Velden waarop transformatielogica moet worden toegepast.	tekenreeks[]
Parameters	Verschillende eigenschappen die moeten worden doorgegeven aan de transformator. De verwachte invoer is een woordenlijst van sleutel-waardeparen in JSON-indeling.	enig

CommandJob

Naam	Beschrijving	Waarde
codeId	ARM-resource-id van de codeasset.	snaar
bevelen	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration-
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	CommandJobEnvironmentVariables
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	CommandJobInputs
jobType	[Vereist] Hiermee geeft u het type taak.	'Opdracht' (vereist)
grens	Opdrachttaaklimiet.	CommandJobLimits-
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	CommandJobOutputs-
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-

CommandJobEnvironmentVariables

Naam	Beschrijving	Waarde

CommandJobInputs

Naam	Beschrijving	Waarde

CommandJobLimits

Naam	Beschrijving	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
Timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden.	snaar

CommandJobOutputs

Naam	Beschrijving	Waarde

CustomForecastHorizon

Naam	Beschrijving	Waarde
wijze	[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in.	'Aangepast' (vereist)
waarde	[Vereist] Waarde van de prognose horizon.	int (vereist)

CustomModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

CustomModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

CustomNCrossValidations

Naam	Beschrijving	Waarde
wijze	[Vereist] Modus voor het bepalen van N-Kruisvalidaties.	'Aangepast' (vereist)
waarde	[Vereist] Waarde voor N-kruisvalidaties.	int (vereist)

CustomSeasonality

Naam	Beschrijving	Waarde
wijze	[Vereist] Seizoensgebondenheidsmodus.	'Aangepast' (vereist)
waarde	[Vereist] Seizoensgebondenheidswaarde.	int (vereist)

CustomTargetLags

Naam	Beschrijving	Waarde
wijze	[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast	'Aangepast' (vereist)
waarden	[Vereist] Stel waarden voor doelvertragingen in.	int[] (vereist)

CustomTargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Aangepast' (vereist)
waarde	[Vereist] TargetRollingWindowSize-waarde.	int (vereist)

DistributionConfiguration

Naam	Beschrijving	Waarde
distributionType	Ingesteld op Mpi voor het type Mpi-. Ingesteld op PyTorch voor het type PyTorch. Ingesteld op TensorFlow voor het type TensorFlow.	'Mpi' 'PyTorch' 'TensorFlow' (vereist)

EarlyTerminationPolicy

Naam	Beschrijving	Waarde
delayEvaluation	Aantal intervallen waarmee de eerste evaluatie moet worden vertraagd.	Int
evaluationInterval	Interval (aantal uitvoeringen) tussen beleidsevaluaties.	Int
policyType	Ingesteld op 'Bandit' voor het type BanditPolicy. Ingesteld op 'MedianStopping' voor het type MedianStoppingPolicy. Ingesteld op TruncationSelection voor het type TruncationSelectionPolicy.	'Bandit' 'MedianStopping' 'TruncationSelection' (vereist)

ForecastHorizon

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoForecastHorizon. Ingesteld op 'Aangepast' voor het type CustomForecastHorizon.	'Auto' 'Aangepast' (vereist)

Vooruitzichten

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
forecastingSettings	Taakspecifieke invoer voorspellen.	ForecastingSettings-
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
primaryMetric	Primaire metrische gegevens voor het voorspellen van een taak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[Vereist] Taaktype voor AutoMLJob.	'Prognose' (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	ForecastingTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

ForecastingSettings

Naam	Beschrijving	Waarde
countryOrRegionForHolidays	Land of regio voor feestdagen voor prognosetaken. Dit moeten ISO 3166 tweeletterige land-/regiocodes zijn, bijvoorbeeld 'VS' of 'GB'.	snaar
cvStepSize	Aantal perioden tussen de oorspronkelijke tijd van één CV-vouw en de volgende vouw. Voor Als CVStepSize = 3 voor dagelijkse gegevens, is de oorspronkelijke tijd voor elke vouw bijvoorbeeld drie dagen na elkaar.	Int
featureLags	Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null.	'Auto' 'Geen'
forecastHorizon	De gewenste maximale prognose horizon in eenheden van tijdreeksfrequentie.	ForecastHorizon-
frequentie	Bij het voorspellen vertegenwoordigt deze parameter de periode waarmee de prognose gewenst is, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset.	snaar
Seizoensgebonden	Stel de seizoensgebondenheid van tijdreeksen in als een geheel getal van het veelvoud van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'auto', wordt dit afgeleid.	Seizoensgebondenheid
shortSeriesHandlingConfig	De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.	'Auto' 'Neerzetten' 'Geen' 'Pad'
targetAggregateFunction	De functie die moet worden gebruikt om de doelkolom van de tijdreeks te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, wordt de fout gegenereerd. De mogelijke doelaggregatiefuncties zijn: 'sum', 'max', 'min' en 'mean'.	'Max' 'Gemiddelde' 'Min' 'Geen' 'Som'
targetLags	Het aantal eerdere perioden tot vertraging van de doelkolom.	TargetLags
targetRollingWindowSize	Het aantal eerdere perioden dat wordt gebruikt voor het maken van een doorlopend venster gemiddelde van de doelkolom.	TargetRollingWindowSize-
timeColumnName	De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen om de datum/tijd-kolom op te geven in de invoergegevens die worden gebruikt voor het bouwen van de tijdreeks en het uitstellen van de frequentie.	snaar
timeSeriesIdColumnNames	De namen van kolommen die worden gebruikt om een tijdreeks te groeperen. Het kan worden gebruikt om meerdere reeksen te maken. Als graan niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt bij het voorspellen van taaktypen.	tekenreeks[]
useStl	Configureer STL-decompositie van de doelkolom van de tijdreeks.	'Geen' 'Seizoen' 'SeasonTrend'

ForecastingTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor het voorspellen van een taak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' AutoArima 'Gemiddelde' "DecisionTree" 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Geblokkeerde modellen voor het voorspellen van een taak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' AutoArima 'Gemiddelde' "DecisionTree" 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

GridSamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Raster' (vereist)

IdentityConfiguration

Naam	Beschrijving	Waarde
identityType	Stel in op AMLToken voor het type AmlToken. Ingesteld op Beheerd voor het type ManagedIdentity. Ingesteld op UserIdentity voor het type UserIdentity.	'AMLToken' 'Beheerd' UserIdentity (vereist)

ImageClassification

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassification' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageClassificationMultilabel

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' "CATE" 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassificationMultilabel' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageInstanceSegmentation

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection-
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'MeanAveragePrecision'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	ImageInstanceSegmentation (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageLimitSettings

Naam	Beschrijving	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	Int
maxTrials	Maximum aantal AutoML-iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar

ImageModelDistributionSettingsClassification

Naam	Beschrijving	Waarde
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	snaar
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
Gedistribueerd	Of u distributietraining wilt gebruiken.	snaar
earlyStopping	Schakel vroege stoplogica in tijdens de training.	snaar
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	snaar
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	snaar
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	snaar
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	snaar
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	snaar
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	snaar
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	snaar
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	snaar
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	snaar
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	snaar
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	snaar
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	snaar
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	snaar
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	snaar
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	snaar
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	snaar
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	snaar
trainingCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	snaar
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	snaar
validationCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	snaar
validationResizeSize	Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn.	snaar
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	snaar
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	snaar
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	snaar
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	snaar

ImageModelDistributionSettingsObjectDetection

Naam	Beschrijving	Waarde
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	snaar
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1].	snaar
Gedistribueerd	Of u distributietraining wilt gebruiken.	snaar
earlyStopping	Schakel vroege stoplogica in tijdens de training.	snaar
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	snaar
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	snaar
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	snaar
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	snaar
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	snaar
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	snaar
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	snaar
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	snaar
maxSize	De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
modelSize	Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	snaar
multiScale	Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	snaar
nmsMappenThreshold	De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet in het bereik liggen [0, 1].	snaar
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	snaar
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	snaar
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	snaar
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	snaar
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	snaar
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	snaar
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet zijn Geen om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tilePredictionsNmsThreshold	De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. NMS: Niet-maximale onderdrukking	snaar
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	snaar
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	snaar
validation ValidatieThreshold	Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1].	snaar
validationMetricType	De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.	snaar
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	snaar
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	snaar
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	snaar

ImageModelSettingsClassification

Naam	Beschrijving	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	snaar
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	Bool
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
controlepuntFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	Int
checkpointModel	Het vooraf getrainde controlepuntmodel voor incrementele training.	MLFlowModelJobInput-
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	snaar
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	Bool
earlyStopping	Schakel vroege stoplogica in tijdens de training.	Bool
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	Int
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	Int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	Bool
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	Int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	Int
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	Int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	Int
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	Bool
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	Int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	Int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	Int
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	Int
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	Int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	Int
trainingCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	Int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	Int
validationCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	Int
validationResizeSize	Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn.	Int
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	Int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	Int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	Int
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	Int

ImageModelSettingsObjectDetection

Naam	Beschrijving	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	snaar
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	Bool
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1].	Int
controlepuntFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	Int
checkpointModel	Het vooraf getrainde controlepuntmodel voor incrementele training.	MLFlowModelJobInput-
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	snaar
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	Bool
earlyStopping	Schakel vroege stoplogica in tijdens de training.	Bool
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	Int
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	Int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	Bool
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	Int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	Int
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	Int
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	Int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
maxSize	De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
modelSize	Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	'ExtraLarge' 'Groot' 'Gemiddeld' 'Geen' 'Klein'
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	Int
multiScale	Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	Bool
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	Bool
nmsMappenThreshold	De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet een float in het bereik [0, 1] zijn.	Int
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	Int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	Int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	Int
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	Int
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	Int
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet zijn Geen om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
tilePredictionsNmsThreshold	De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	Int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	Int
validation ValidatieThreshold	Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1].	Int
validationMetricType	De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens.	'Coco' 'CocoVoc' 'Geen' 'Voc'
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	Int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	Int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	Int

ImageObjectDetection

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection-
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'MeanAveragePrecision'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	ImageObjectDetection (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageSweepSettings

Naam	Beschrijving	Waarde
earlyTermination	Type beleid voor vroegtijdige beëindiging.	EarlyTerminationPolicy-
samplingAlgorithm	[Vereist] Type van de algoritmen voor het nemen van hyperparameters.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

JobBaseProperties

Naam	Beschrijving	Waarde
componentId	ARM-resource-id van de onderdeelresource.	snaar
computeId	ARM-resource-id van de rekenresource.	snaar
beschrijving	De tekst van de assetbeschrijving.	snaar
displayName	Weergavenaam van taak.	snaar
experimentName	De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst.	snaar
identiteit	Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null.	IdentityConfiguration-
isArchived	Is de asset gearchiveerd?	Bool
jobType	Ingesteld op 'AutoML' voor het type AutoMLJob. Ingesteld op Opdracht voor CommandJob. Ingesteld op Pijplijn voor het type PipelineJob. Ingesteld op Opruimen voor het type SweepJob.	'AutoML' 'Opdracht' 'Pijplijn' 'Opruimen' (vereist)
Eigenschappen	De woordenlijst voor asseteigenschappen.	ResourceBaseProperties-
diensten	Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject.	JobBaseServices-
Tags	Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt.	ResourceBaseTags-

JobBaseServices

Naam	Beschrijving	Waarde

JobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	Ingesteld op 'custom_model' voor het type CustomModelJobInput. Ingesteld op 'letterlijk' voor het type LiteralJobInput. Ingesteld op 'mlflow_model' voor het type MLFlowModelJobInput. Ingesteld op 'mltable' voor het type MLTableJobInput. Ingesteld op 'triton_model' voor het type TritonModelJobInput. Ingesteld op 'uri_file' voor het type UriFileJobInput. Ingesteld op 'uri_folder' voor het type UriFolderJobInput.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)

JobOutput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de uitvoer.	snaar
jobOutputType	Ingesteld op 'custom_model' voor het type CustomModelJobOutput. Ingesteld op 'mlflow_model' voor het type MLFlowModelJobOutput. Ingesteld op 'mltable' voor het type MLTableJobOutput. Ingesteld op 'triton_model' voor het type TritonModelJobOutput. Ingesteld op 'uri_file' voor het type UriFileJobOutput. Ingesteld op 'uri_folder' voor het type UriFolderJobOutput.	'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)

JobResourceConfiguration

Naam	Beschrijving	Waarde
dockerArgs	Extra argumenten die moeten worden doorgegeven aan de opdracht Docker-run. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen.	snaar
instanceCount	Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt.	Int
instanceType	Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel.	snaar
Eigenschappen	Extra eigenschappen zak.	ResourceConfigurationProperties-
shmSize	Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn.	snaar Beperkingen: Patroon = \d+[bBkKmMgG]

JobService

Naam	Beschrijving	Waarde
Eindpunt	URL voor eindpunt.	snaar
jobServiceType	Eindpunttype.	snaar
Knooppunten	Knooppunten waarop de gebruiker de service wil starten. Als knooppunten niet zijn ingesteld of ingesteld op null, wordt de service alleen gestart op het leader-knooppunt.	Knooppunten
haven	Poort voor eindpunt.	Int
Eigenschappen	Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt.	JobServiceProperties-

JobServiceProperties

Naam	Beschrijving	Waarde

LiteralJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'letterlijk' (vereist)
waarde	[Vereist] Letterlijke waarde voor de invoer.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

ManagedIdentity

Naam	Beschrijving	Waarde
clientId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van client-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	Beheerd (vereist)
objectId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van object-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van arm-resource-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar

MedianStoppingPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	MedianStopping (vereist)

Microsoft.MachineLearningServices/workspaces/jobs

Naam	Beschrijving	Waarde
apiVersion	De API-versie	'2023-04-01'
naam	De resourcenaam	snaar Beperkingen: Patroon = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (vereist)
Eigenschappen	[Vereist] Aanvullende kenmerken van de entiteit.	JobBaseProperties (vereist)
type	Het resourcetype	'Microsoft.MachineLearningServices/workspaces/jobs'

MLFlowModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'mlflow_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLFlowModelJobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLFlowModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'mlflow_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

MLTableJobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLTableJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'mltable' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLTableJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'mltable' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

Mpi

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	Mpi (vereist)
processCountPerInstance	Aantal processen per MPI-knooppunt.	Int

NCrossValidations

Naam	Beschrijving	Waarde
wijze	Ingesteld op Auto voor type AutoNCrossValidations. Ingesteld op 'Aangepast' voor het type CustomNCrossValidations.	'Auto' 'Aangepast' (vereist)

NlpVerticalFeaturizationSettings

Naam	Beschrijving	Waarde
gegevenssetLanguage	De taal van de gegevensset, handig voor de tekstgegevens.	snaar

NlpVerticalLimitSettings

Naam	Beschrijving	Waarde
maxConcurrentTrials	Maximum aantal Gelijktijdige AutoML-iteraties.	Int
maxTrials	Aantal AutoML-iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar

Knooppunten

Naam	Beschrijving	Waarde
nodesValueType	Ingesteld op 'Alle' voor het type AllNodes.	'Alles' (vereist)

Objectief

Naam	Beschrijving	Waarde
doel	[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters	'Maximaliseren' 'Minimaliseren' (vereist)
primaryMetric	[Vereist] Naam van de metrische waarde die u wilt optimaliseren.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

PipelineJob

Naam	Beschrijving	Waarde
Ingangen	Invoer voor de pijplijntaak.	PipelineJobInputs
Banen	Taken maken de pijplijntaak.	PipelineJobJobs
jobType	[Vereist] Hiermee geeft u het type taak.	'Pijplijn' (vereist)
Uitgangen	Uitvoer voor de pijplijntaak	PipelineJobOutputs
Instellingen	Pijplijninstellingen, voor zaken zoals ContinueRunOnStepFailure, enzovoort.	enig
sourceJobId	ARM-resource-id van brontaak.	snaar

PipelineJobInputs

Naam	Beschrijving	Waarde

PipelineJobJobs

Naam	Beschrijving	Waarde

PipelineJobOutputs

Naam	Beschrijving	Waarde

PyTorch

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'PyTorch' (vereist)
processCountPerInstance	Aantal processen per knooppunt.	Int

RandomSamplingAlgorithm

Naam	Beschrijving	Waarde
regel	Het specifieke type willekeurig algoritme	'Willekeurig' 'Sobol'
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Willekeurig' (vereist)
zaad	Een optioneel geheel getal dat moet worden gebruikt als de seed voor het genereren van willekeurige getallen	Int

Regressie

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
primaryMetric	Primaire metriek voor regressietaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[Vereist] Taaktype voor AutoMLJob.	Regressie (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	RegressionTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

RegressionTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: "DecisionTree" 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Geblokkeerde modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: "DecisionTree" 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

ResourceBaseProperties

Naam	Beschrijving	Waarde

ResourceBaseTags

Naam	Beschrijving	Waarde

ResourceConfigurationProperties

Naam	Beschrijving	Waarde

SamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	Ingesteld op 'Bayesian' voor het type BayesianSamplingAlgorithm. Ingesteld op 'Raster' voor het type GridSamplingAlgorithm. Ingesteld op 'Willekeurig' voor het type RandomSamplingAlgorithm.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

Seizoensgebonden

Naam	Beschrijving	Waarde
wijze	Ingesteld op Auto voor type AutoSeasonality. Ingesteld op 'Aangepast' voor het type CustomSeasonality.	'Auto' 'Aangepast' (vereist)

StackEnsembleSettings

Naam	Beschrijving	Waarde
stackMetaLearnerKWargs	Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner.	enig
stackMetaLearnerTrainPercentage	Hiermee geeft u het aandeel van de trainingsset op (bij het kiezen van het trainings- en validatietype) dat moet worden gereserveerd voor het trainen van de meta-learner. De standaardwaarde is 0,2.	Int
stackMetaLearnerType	De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Geen'

SweepJob

Naam	Beschrijving	Waarde
earlyTermination	Beleid voor vroegtijdige beëindiging zorgt ervoor dat uitvoeringen met slechte prestaties worden geannuleerd voordat ze zijn voltooid	EarlyTerminationPolicy-
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	SweepJobInputs
jobType	[Vereist] Hiermee geeft u het type taak.	'Opruimen' (vereist)
grens	Taaklimiet opruimen.	SweepJobLimits-
objectief	[Vereist] Optimalisatiedoelstelling.	Objective (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	SweepJobOutputs
samplingAlgorithm	[Vereist] Het algoritme voor hyperparametersampling	SamplingAlgorithm (vereist)
searchSpace	[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter	elke (vereist)
proces	[Vereist] Definitie van proefonderdeel.	TrialComponent (vereist)

SweepJobInputs

Naam	Beschrijving	Waarde

SweepJobLimits

Naam	Beschrijving	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
maxConcurrentTrials	Sweep Job max gelijktijdige proefversies.	Int
maxTotalTrials	Sweep Job maximum aantal proefversies.	Int
Timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden.	snaar
trialTimeout	Time-outwaarde voor time-out voor de proefversie van de taak opruimen.	snaar

SweepJobOutputs

Naam	Beschrijving	Waarde

TableVerticalFeaturizationSettings

Naam	Beschrijving	Waarde
blockedTransformers	Deze transformatoren mogen niet worden gebruikt in featurization.	Tekenreeksmatrix met een van de volgende waarden: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	Woordenlijst van kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort).	TableVerticalFeaturizationSettingsColumnNameAndTypes
gegevenssetLanguage	De taal van de gegevensset, handig voor de tekstgegevens.	snaar
enableDnnFeaturization	Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevensmetrisatie.	Bool
wijze	Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de noodzakelijke transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker aanvullende invoer opgeven om aan te passen hoe featurization wordt uitgevoerd.	'Auto' 'Aangepast' 'Uit'
transformerParams	Gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop deze moet worden toegepast en parameters voor de transformatorconstructor.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Naam	Beschrijving	Waarde

TableVerticalFeaturizationSettingsTransformerParams

Naam	Beschrijving	Waarde

TableVerticalLimitSettings

Naam	Beschrijving	Waarde
enableEarlyTermination	Vroegtijdige beëindiging inschakelen, bepaalt of AutoMLJob vroeg wordt beëindigd als er geen scoreverbetering is in de afgelopen 20 iteraties.	Bool
exitScore	Afsluitscore voor de AutoML-taak.	Int
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties.	Int
maxCoresPerTrial	Maximum aantal kernen per iteratie.	Int
maxTrials	Aantal iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar
trialTimeout	Time-out voor iteratie.	snaar

TargetLags

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoTargetLags. Ingesteld op 'Aangepast' voor het type CustomTargetLags.	'Auto' 'Aangepast' (vereist)

TargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoTargetRollingWindowSize. Ingesteld op 'Aangepast' voor het type CustomTargetRollingWindowSize.	'Auto' 'Aangepast' (vereist)

TensorFlow

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'TensorFlow' (vereist)
parameterServerCount	Aantal parameterservertaken.	Int
workerCount	Aantal werknemers. Als dit niet is opgegeven, wordt het aantal exemplaren standaard ingesteld.	Int

TextClassification

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor Text-Classification taak.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[Vereist] Taaktype voor AutoMLJob.	TextClassification (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TextClassificationMultilabel

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassificationMultilabel' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TextNer

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextNER' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TrialComponent

Naam	Beschrijving	Waarde
codeId	ARM-resource-id van de codeasset.	snaar
bevelen	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration-
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	TrialComponentEnvironmentVariables
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-

TrialComponentEnvironmentVariables

Naam	Beschrijving	Waarde

TritonModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'triton_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

TritonModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'triton_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

TruncationSelectionPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'TruncationSelection' (vereist)
afkappingSpercentage	Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval.	Int

UriFileJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'uri_file' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

UriFileJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'uri_file' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

UriFolderJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

UriFolderJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'uri_folder' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

UserIdentity

Naam	Beschrijving	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	UserIdentity (vereist)

Quickstart-sjablonen

Met de volgende quickstart-sjablonen wordt dit resourcetype geïmplementeerd.

Sjabloon	Beschrijving
Een Classificatietaak voor Azure Machine Learning AutoML maken	Met deze sjabloon maakt u een Azure Machine Learning AutoML-classificatietaak om erachter te komen wat het beste model is om te voorspellen of een klant zich bij een financiële instelling abonneert op een vaste termijndeposito.
Een Azure Machine Learning-opdrachttaak maken	Met deze sjabloon maakt u een Azure Machine Learning-opdrachttaak met een eenvoudig hello_world script
een Azure Machine Learning Sweep-taak maken	Met deze sjabloon maakt u een Azure Machine Learning Sweep-taak voor het afstemmen van hyperparameters.

Resourcedefinitie van Terraform (AzAPI-provider)

Het resourcetype werkruimten/taken kan worden geïmplementeerd met bewerkingen die zijn gericht op:

• resourcegroepen

Zie logboek wijzigenvoor een lijst met gewijzigde eigenschappen in elke API-versie.

Resource-indeling

Als u een resource voor Microsoft.MachineLearningServices/werkruimten/taken wilt maken, voegt u de volgende Terraform toe aan uw sjabloon.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2023-04-01"
  name = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

JobBaseProperties-objecten

Stel de eigenschap jobType in om het type object op te geven.

Gebruik voor AutoML-:

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

Gebruik voor Command:

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

Gebruik voor Pipeline:

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

Gebruik voor Sweep:

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

IdentityConfiguration-objecten

Stel de eigenschap identityType in om het type object op te geven.

Gebruik voor AMLToken-:

{
  identityType = "AMLToken"
}

Gebruik voor Beheerde:

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

Gebruik voor UserIdentity-:

{
  identityType = "UserIdentity"
}

Seizoensgebondenheidsobjecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode = "Auto"
}

Gebruik voor Aangepaste:

{
  mode = "Custom"
  value = int
}

EarlyTerminationPolicy-objecten

Stel de eigenschap policyType in om het type object op te geven.

Gebruik voor Bandit-:

{
  policyType = "Bandit"
  slackAmount = int
  slackFactor = int
}

Gebruik voor MedianStopping:

{
  policyType = "MedianStopping"
}

Gebruik voor TruncationSelection:

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

DistributionConfiguration-objecten

Stel de eigenschap distributionType in om het type object op te geven.

Gebruik voor Mpi-:

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

Gebruik voor PyTorch-:

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

Gebruik voor TensorFlow-:

{
  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int
}

TargetRollingWindowSize-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode = "Auto"
}

Gebruik voor Aangepaste:

{
  mode = "Custom"
  value = int
}

JobInput-objecten

Stel de eigenschap jobInputType in om het type object op te geven.

Gebruik voor custom_model:

{
  jobInputType = "custom_model"
  mode = "string"
  uri = "string"
}

Gebruik voor letterlijke:

{
  jobInputType = "literal"
  value = "string"
}

Gebruik voor mlflow_model:

{
  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Gebruik voor mltable:

{
  jobInputType = "mltable"
  mode = "string"
  uri = "string"
}

Gebruik voor triton_model:

{
  jobInputType = "triton_model"
  mode = "string"
  uri = "string"
}

Voor uri_filegebruikt u:

{
  jobInputType = "uri_file"
  mode = "string"
  uri = "string"
}

Gebruik voor uri_folder:

{
  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"
}

ForecastHorizon-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode = "Auto"
}

Gebruik voor Aangepaste:

{
  mode = "Custom"
  value = int
}

AutoMLVertical-objecten

Stel de eigenschap taskType in om het type object op te geven.

Gebruik voor Classificatie:

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

Gebruik voor voorspellen:

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

Gebruik voor ImageClassification:

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

Gebruik voor ImageClassificationMultilabel:

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

Gebruik voor ImageInstanceSegmentation:

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

Gebruik voor ImageObjectDetection:

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

Gebruik voor regressie-:

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

Gebruik voor TextClassification:

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

Gebruik voor TextClassificationMultilabel:

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

Gebruik voor TextNER-:

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

TargetLags-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode = "Auto"
}

Gebruik voor Aangepaste:

{
  mode = "Custom"
  values = [
    int
  ]
}

SamplingAlgorithm-objecten

Stel de eigenschap samplingAlgorithmType in om het type object op te geven.

Gebruik voor Bayesian-:

{
  samplingAlgorithmType = "Bayesian"
}

Gebruik voor Grid:

{
  samplingAlgorithmType = "Grid"
}

Gebruik voor Willekeurige:

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

Knooppuntobjecten

Stel de eigenschap nodesValueType in om het type object op te geven.

Gebruik voor Alle:

{
  nodesValueType = "All"
}

NCrossValidations-objecten

Stel de modus eigenschap in om het type object op te geven.

Gebruik voor Automatische:

{
  mode = "Auto"
}

Gebruik voor Aangepaste:

{
  mode = "Custom"
  value = int
}

JobOutput-objecten

Stel de eigenschap jobOutputType in om het type object op te geven.

Gebruik voor custom_model:

{
  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"
}

Gebruik voor mlflow_model:

{
  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Gebruik voor mltable:

{
  jobOutputType = "mltable"
  mode = "string"
  uri = "string"
}

Gebruik voor triton_model:

{
  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"
}

Voor uri_filegebruikt u:

{
  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"
}

Gebruik voor uri_folder:

{
  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"
}

Eigenschapswaarden

AllNodes

Naam	Beschrijving	Waarde
nodesValueType	[Vereist] Type van de waarde Knooppunten	'Alles' (vereist)

AmlToken

Naam	Beschrijving	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	AMLToken (vereist)

AutoForecastHorizon

Naam	Beschrijving	Waarde
wijze	[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in.	'Auto' (vereist)

AutoMLJob

Naam	Beschrijving	Waarde
environmentId	De ARM-resource-id van de omgevingsspecificatie voor de taak. Dit is een optionele waarde die moet worden opgegeven, indien niet opgegeven, wordt deze standaard ingesteld op de door AutoML samengestelde omgevingsversie van Productie bij het uitvoeren van de taak.	snaar
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	AutoMLJobEnvironmentVariables
jobType	[Vereist] Hiermee geeft u het type taak.	'AutoML' (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	AutoMLJobOutputs
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-
taskDetails	[Vereist] Dit vertegenwoordigt een scenario dat een van tabellen/NLP/Image kan zijn	AutoMLVertical (vereist)

AutoMLJobEnvironmentVariables

Naam	Beschrijving	Waarde

AutoMLJobOutputs

Naam	Beschrijving	Waarde

AutoMLVertical

Naam	Beschrijving	Waarde
logVerbosity	Logboek uitgebreidheid voor de taak.	'Kritiek' 'Fouten opsporen' 'Fout' 'Info' 'NotSet' 'Waarschuwing'
targetColumnName	Naam van doelkolom: dit is de kolom voorspellingswaarden. Ook wel labelkolomnaam genoemd in de context van classificatietaken.	snaar
taskType	Ingesteld op Classificatie voor het type Classificatie. Ingesteld op 'Prognose' voor het type Voorspellen. Ingesteld op 'ImageClassification' voor het type ImageClassification. Ingesteld op 'ImageClassificationMultilabel' voor het type ImageClassificationMultilabel. Ingesteld op ImageInstanceSegmentation voor type ImageInstanceSegmentation. Ingesteld op ImageObjectDetection voor het type ImageObjectDetection. Ingesteld op Regressie voor het type Regressie. Ingesteld op 'TextClassification' voor het type TextClassification. Ingesteld op 'TextClassificationMultilabel' voor het type TextClassificationMultilabel. Ingesteld op 'TextNER' voor het type TextNer.	'Classificatie' 'Prognoses' 'ImageClassification' 'ImageClassificationMultilabel' 'ImageInstanceSegmentation' 'ImageObjectDetection' Regressie 'TextClassification' 'TextClassificationMultilabel' 'TextNER' (vereist)
trainingData	[Vereist] Invoer van trainingsgegevens.	MLTableJobInput- (vereist)

AutoNCrossValidations

Naam	Beschrijving	Waarde
wijze	[Vereist] Modus voor het bepalen van N-Kruisvalidaties.	'Auto' (vereist)

AutoSeasonality

Naam	Beschrijving	Waarde
wijze	[Vereist] Seizoensgebondenheidsmodus.	'Auto' (vereist)

AutoTargetLags

Naam	Beschrijving	Waarde
wijze	[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast	'Auto' (vereist)

AutoTargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Auto' (vereist)

BanditPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'Bandit' (vereist)
slackAmount	Absolute afstand die is toegestaan vanaf de best presterende uitvoering.	Int
slackFactor	Verhouding van de toegestane afstand van de best presterende uitvoering.	Int

BayesianSamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Bayesian' (vereist)

Classificatie

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
positiveLabel	Positief label voor berekening van binaire metrische gegevens.	snaar
primaryMetric	Primaire metrische gegevens voor de taak.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[Vereist] Taaktype voor AutoMLJob.	'Classificatie' (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	ClassificationTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

ClassificationTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' "DecisionTree" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Geblokkeerde modellen voor classificatietaak.	Tekenreeksmatrix met een van de volgende waarden: 'BernoulliNaiveBayes' "DecisionTree" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

ColumnTransformer

Naam	Beschrijving	Waarde
Velden	Velden waarop transformatielogica moet worden toegepast.	tekenreeks[]
Parameters	Verschillende eigenschappen die moeten worden doorgegeven aan de transformator. De verwachte invoer is een woordenlijst van sleutel-waardeparen in JSON-indeling.	enig

CommandJob

Naam	Beschrijving	Waarde
codeId	ARM-resource-id van de codeasset.	snaar
bevelen	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration-
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	CommandJobEnvironmentVariables
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	CommandJobInputs
jobType	[Vereist] Hiermee geeft u het type taak.	'Opdracht' (vereist)
grens	Opdrachttaaklimiet.	CommandJobLimits-
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	CommandJobOutputs-
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-

CommandJobEnvironmentVariables

Naam	Beschrijving	Waarde

CommandJobInputs

Naam	Beschrijving	Waarde

CommandJobLimits

Naam	Beschrijving	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
Timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden.	snaar

CommandJobOutputs

Naam	Beschrijving	Waarde

CustomForecastHorizon

Naam	Beschrijving	Waarde
wijze	[Vereist] Stel de selectiemodus voor de waarde van de prognose horizon in.	'Aangepast' (vereist)
waarde	[Vereist] Waarde van de prognose horizon.	int (vereist)

CustomModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

CustomModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

CustomNCrossValidations

Naam	Beschrijving	Waarde
wijze	[Vereist] Modus voor het bepalen van N-Kruisvalidaties.	'Aangepast' (vereist)
waarde	[Vereist] Waarde voor N-kruisvalidaties.	int (vereist)

CustomSeasonality

Naam	Beschrijving	Waarde
wijze	[Vereist] Seizoensgebondenheidsmodus.	'Aangepast' (vereist)
waarde	[Vereist] Seizoensgebondenheidswaarde.	int (vereist)

CustomTargetLags

Naam	Beschrijving	Waarde
wijze	[Vereist] Doelvertragingsmodus instellen - Automatisch/aangepast	'Aangepast' (vereist)
waarden	[Vereist] Stel waarden voor doelvertragingen in.	int[] (vereist)

CustomTargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	[Vereist] TargetRollingWindowSiz-detectiemodus.	'Aangepast' (vereist)
waarde	[Vereist] TargetRollingWindowSize-waarde.	int (vereist)

DistributionConfiguration

Naam	Beschrijving	Waarde
distributionType	Ingesteld op Mpi voor het type Mpi-. Ingesteld op PyTorch voor het type PyTorch. Ingesteld op TensorFlow voor het type TensorFlow.	'Mpi' 'PyTorch' 'TensorFlow' (vereist)

EarlyTerminationPolicy

Naam	Beschrijving	Waarde
delayEvaluation	Aantal intervallen waarmee de eerste evaluatie moet worden vertraagd.	Int
evaluationInterval	Interval (aantal uitvoeringen) tussen beleidsevaluaties.	Int
policyType	Ingesteld op 'Bandit' voor het type BanditPolicy. Ingesteld op 'MedianStopping' voor het type MedianStoppingPolicy. Ingesteld op TruncationSelection voor het type TruncationSelectionPolicy.	'Bandit' 'MedianStopping' 'TruncationSelection' (vereist)

ForecastHorizon

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoForecastHorizon. Ingesteld op 'Aangepast' voor het type CustomForecastHorizon.	'Auto' 'Aangepast' (vereist)

Vooruitzichten

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
forecastingSettings	Taakspecifieke invoer voorspellen.	ForecastingSettings-
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
primaryMetric	Primaire metrische gegevens voor het voorspellen van een taak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[Vereist] Taaktype voor AutoMLJob.	'Prognose' (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	ForecastingTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

ForecastingSettings

Naam	Beschrijving	Waarde
countryOrRegionForHolidays	Land of regio voor feestdagen voor prognosetaken. Dit moeten ISO 3166 tweeletterige land-/regiocodes zijn, bijvoorbeeld 'VS' of 'GB'.	snaar
cvStepSize	Aantal perioden tussen de oorspronkelijke tijd van één CV-vouw en de volgende vouw. Voor Als CVStepSize = 3 voor dagelijkse gegevens, is de oorspronkelijke tijd voor elke vouw bijvoorbeeld drie dagen na elkaar.	Int
featureLags	Vlag voor het genereren van vertragingen voor de numerieke functies met 'auto' of null.	'Auto' 'Geen'
forecastHorizon	De gewenste maximale prognose horizon in eenheden van tijdreeksfrequentie.	ForecastHorizon-
frequentie	Bij het voorspellen vertegenwoordigt deze parameter de periode waarmee de prognose gewenst is, bijvoorbeeld dagelijks, wekelijks, jaarlijks, enzovoort. De prognosefrequentie is standaard de frequentie van de gegevensset.	snaar
Seizoensgebonden	Stel de seizoensgebondenheid van tijdreeksen in als een geheel getal van het veelvoud van de reeksfrequentie. Als seizoensgebondenheid is ingesteld op 'auto', wordt dit afgeleid.	Seizoensgebondenheid
shortSeriesHandlingConfig	De parameter die definieert hoe autoML korte tijdreeksen moet verwerken.	'Auto' 'Neerzetten' 'Geen' 'Pad'
targetAggregateFunction	De functie die moet worden gebruikt om de doelkolom van de tijdreeks te aggregeren om te voldoen aan een door de gebruiker opgegeven frequentie. Als de TargetAggregateFunction is ingesteld, dus niet 'Geen', maar de freq-parameter niet is ingesteld, wordt de fout gegenereerd. De mogelijke doelaggregatiefuncties zijn: 'sum', 'max', 'min' en 'mean'.	'Max' 'Gemiddelde' 'Min' 'Geen' 'Som'
targetLags	Het aantal eerdere perioden tot vertraging van de doelkolom.	TargetLags
targetRollingWindowSize	Het aantal eerdere perioden dat wordt gebruikt voor het maken van een doorlopend venster gemiddelde van de doelkolom.	TargetRollingWindowSize-
timeColumnName	De naam van de tijdkolom. Deze parameter is vereist bij het voorspellen om de datum/tijd-kolom op te geven in de invoergegevens die worden gebruikt voor het bouwen van de tijdreeks en het uitstellen van de frequentie.	snaar
timeSeriesIdColumnNames	De namen van kolommen die worden gebruikt om een tijdreeks te groeperen. Het kan worden gebruikt om meerdere reeksen te maken. Als graan niet is gedefinieerd, wordt ervan uitgegaan dat de gegevensset één tijdreeks is. Deze parameter wordt gebruikt bij het voorspellen van taaktypen.	tekenreeks[]
useStl	Configureer STL-decompositie van de doelkolom van de tijdreeks.	'Geen' 'Seizoen' 'SeasonTrend'

ForecastingTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor het voorspellen van een taak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' AutoArima 'Gemiddelde' "DecisionTree" 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Geblokkeerde modellen voor het voorspellen van een taak.	Tekenreeksmatrix met een van de volgende waarden: 'Arimax' AutoArima 'Gemiddelde' "DecisionTree" 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naïef' 'Profeet' 'RandomForest' 'SeasonalAverage' 'SeasonalNaive' 'SGD' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

GridSamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Raster' (vereist)

IdentityConfiguration

Naam	Beschrijving	Waarde
identityType	Stel in op AMLToken voor het type AmlToken. Ingesteld op Beheerd voor het type ManagedIdentity. Ingesteld op UserIdentity voor het type UserIdentity.	'AMLToken' 'Beheerd' UserIdentity (vereist)

ImageClassification

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassification' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageClassificationMultilabel

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsClassification
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' "CATE" 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsClassification[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'ImageClassificationMultilabel' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageInstanceSegmentation

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection-
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'MeanAveragePrecision'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	ImageInstanceSegmentation (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageLimitSettings

Naam	Beschrijving	Waarde
maxConcurrentTrials	Maximum aantal gelijktijdige AutoML-iteraties.	Int
maxTrials	Maximum aantal AutoML-iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar

ImageModelDistributionSettingsClassification

Naam	Beschrijving	Waarde
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	snaar
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
Gedistribueerd	Of u distributietraining wilt gebruiken.	snaar
earlyStopping	Schakel vroege stoplogica in tijdens de training.	snaar
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	snaar
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	snaar
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	snaar
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	snaar
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	snaar
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	snaar
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	snaar
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	snaar
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	snaar
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	snaar
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	snaar
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	snaar
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	snaar
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	snaar
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	snaar
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	snaar
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	snaar
trainingCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	snaar
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	snaar
validationCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	snaar
validationResizeSize	Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn.	snaar
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	snaar
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	snaar
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	snaar
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	snaar

ImageModelDistributionSettingsObjectDetection

Naam	Beschrijving	Waarde
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	snaar
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	snaar
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1].	snaar
Gedistribueerd	Of u distributietraining wilt gebruiken.	snaar
earlyStopping	Schakel vroege stoplogica in tijdens de training.	snaar
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	snaar
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	snaar
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	snaar
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	snaar
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	snaar
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	snaar
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	snaar
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	snaar
maxSize	De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
modelSize	Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	snaar
multiScale	Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	snaar
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	snaar
nmsMappenThreshold	De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet in het bereik liggen [0, 1].	snaar
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	snaar
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	snaar
Optimizer	Type optimizer. Moet 'sgd', 'adam' of 'adamw' zijn.	snaar
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	snaar
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	snaar
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	snaar
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet zijn Geen om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tilePredictionsNmsThreshold	De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5. NMS: Niet-maximale onderdrukking	snaar
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	snaar
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	snaar
validation ValidatieThreshold	Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1].	snaar
validationMetricType	De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.	snaar
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	snaar
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	snaar
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	snaar

ImageModelSettingsClassification

Naam	Beschrijving	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	snaar
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	Bool
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
controlepuntFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	Int
checkpointModel	Het vooraf getrainde controlepuntmodel voor incrementele training.	MLFlowModelJobInput-
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	snaar
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	Bool
earlyStopping	Schakel vroege stoplogica in tijdens de training.	Bool
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	Int
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	Int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	Bool
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	Int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	Int
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	Int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	Int
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	Bool
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	Int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	Int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	Int
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	Int
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	Int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	Int
trainingCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de trainingsgegevensset. Moet een positief geheel getal zijn.	Int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	Int
validationCropSize	Bijsnijdgrootte van afbeeldingen die wordt ingevoerd in het neurale netwerk voor de validatiegegevensset. Moet een positief geheel getal zijn.	Int
validationResizeSize	Afbeeldingsgrootte waarnaar u het formaat wilt wijzigen voordat u bijsnijd voor validatiegegevensset. Moet een positief geheel getal zijn.	Int
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	Int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	Int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	Int
weightedLoss	Gewogen verlies. De geaccepteerde waarden zijn 0 voor geen gewogen verlies. 1 voor gewogen verlies met wortel. (class_weights). 2 voor gewogen verlies met class_weights. Moet 0 of 1 of 2 zijn.	Int

ImageModelSettingsObjectDetection

Naam	Beschrijving	Waarde
advancedSettings	Instellingen voor geavanceerde scenario's.	snaar
amsGradient	Schakel AMSGrad in wanneer optimizer 'adam' of 'adamw' is.	Bool
uitbreidingen	Instellingen voor het gebruik van augmentations.	snaar
beta1	De waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
beta2	De waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.	Int
boxDetectionsPerImage	Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
boxScoreThreshold	Tijdens deductie retourneert u alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een float zijn in het bereik[0, 1].	Int
controlepuntFrequency	Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.	Int
checkpointModel	Het vooraf getrainde controlepuntmodel voor incrementele training.	MLFlowModelJobInput-
checkpointRunId	De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.	snaar
Gedistribueerd	Of u gedistribueerde training wilt gebruiken.	Bool
earlyStopping	Schakel vroege stoplogica in tijdens de training.	Bool
earlyStoppingDelay	Minimum aantal tijdvakken of validatie-evaluaties om te wachten voordat primaire metrische gegevens worden verbeterd wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.	Int
earlyStoppingPatience	Minimumaantal epochs of validatie-evaluaties zonder primaire metrische verbetering voordat de uitvoering is gestopt. Moet een positief geheel getal zijn.	Int
enableOnnxNormalization	Normalisatie inschakelen bij het exporteren van een ONNX-model.	Bool
evaluationFrequency	Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.	Int
gradientAccumulationStep	Accumulatie van kleurovergangen betekent het uitvoeren van een geconfigureerd aantal stappen voor GradAccumulationStep zonder het gewicht van het model bijwerken tijdens het accumuleren van de kleurovergangen van deze stappen en vervolgens met behulp van de geaccumuleerde kleurovergangen om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.	Int
imageSize	Afbeeldingsgrootte voor trainen en valideren. Moet een positief geheel getal zijn. Opmerking: De trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	Int
layersToFreeze	Aantal lagen dat moet worden geblokkeerd voor het model. Moet een positief geheel getal zijn. Bijvoorbeeld: het doorgeven van 2 als waarde voor 'seresnext' betekent vrieslaag0 en laag1. Voor een volledige lijst met ondersteunde modellen en details over laagblokkering, alstublieft zie: /azure/machine-learning/how-to-auto-train-image-models.	Int
learningRate	Eerste leersnelheid. Moet een float in het bereik [0, 1] zijn.	Int
learningRateScheduler	Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn.	'Geen' 'Stap' 'WarmupCosine'
maxSize	De maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
minSize	Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt gevoed. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan CUDA OOM bereiken als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
modelName	De naam van het model dat moet worden gebruikt voor training. Raadpleeg de officiële documentatie voor meer informatie over de beschikbare modellen: /azure/machine-learning/how-to-auto-train-image-models.	snaar
modelSize	Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'xlarge' zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	'ExtraLarge' 'Groot' 'Gemiddeld' 'Geen' 'Klein'
impuls	Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.	Int
multiScale	Schakel meerdere schaalafbeeldingen in op verschillende afbeeldingsgrootten met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme yolov5.	Bool
nesterov	Schakel nesterov in wanneer optimizer 'sgd' is.	Bool
nmsMappenThreshold	De drempelwaarde voor ALGORITMEN die wordt gebruikt tijdens deductie in NMS na verwerking. Moet een float in het bereik [0, 1] zijn.	Int
numberOfEpochs	Aantal trainingstijdvakken. Moet een positief geheel getal zijn.	Int
numberOfWorkers	Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.	Int
Optimizer	Type optimizer.	'Adam' 'Adamw' 'Geen' 'Sgd'
randomSeed	Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.	Int
stepLRGamma	Waarde van gamma wanneer de leerfrequentieplanner 'stap' is. Moet een float in het bereik [0, 1] zijn.	Int
stepLRStepSize	Waarde van stapgrootte wanneer de leerfrequentieplanner 'stap' is. Moet een positief geheel getal zijn.	Int
tileGridSize	De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag niet zijn Geen om kleine objectdetectielogica in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	snaar
tileOverlapRatio	Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1). Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
tilePredictionsNmsThreshold	De drempelwaarde voor OPGEGEVEN voor het uitvoeren van NMS tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet in het bereik liggen [0, 1]. Opmerking: deze instellingen worden niet ondersteund voor het algoritme yolov5.	Int
trainingBatchSize	Grootte van trainingsbatch. Moet een positief geheel getal zijn.	Int
validationBatchSize	Grootte van validatiebatch. Moet een positief geheel getal zijn.	Int
validation ValidatieThreshold	Drempelwaarde voor OPGEGEVEN voor gebruik bij het berekenen van de metrische waarde voor validatie. Moet in het bereik liggen [0, 1].	Int
validationMetricType	De metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens.	'Coco' 'CocoVoc' 'Geen' 'Voc'
warmupCosineLRCycles	Waarde van cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.	Int
warmupCosineLRWarmupEpochs	Waarde van opwarmtijdtijdvakken wanneer leerfrequentieplanner 'warmup_cosine' is. Moet een positief geheel getal zijn.	Int
weightDecay	Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een float zijn in het bereik[0, 1].	Int

ImageObjectDetection

Naam	Beschrijving	Waarde
limitSettings	[Vereist] Instellingen voor de AutoML-taak beperken.	ImageLimitSettings (vereist)
modelSettings	Instellingen die worden gebruikt voor het trainen van het model.	ImageModelSettingsObjectDetection-
primaryMetric	Primaire metrische gegevens die u voor deze taak wilt optimaliseren.	'MeanAveragePrecision'
searchSpace	Zoekruimte voor het nemen van steekproeven van verschillende combinaties van modellen en hun hyperparameters.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Model opruimen en hyperparameter opruimen gerelateerde instellingen.	ImageSweepSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	ImageObjectDetection (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int

ImageSweepSettings

Naam	Beschrijving	Waarde
earlyTermination	Type beleid voor vroegtijdige beëindiging.	EarlyTerminationPolicy-
samplingAlgorithm	[Vereist] Type van de algoritmen voor het nemen van hyperparameters.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

JobBaseProperties

Naam	Beschrijving	Waarde
componentId	ARM-resource-id van de onderdeelresource.	snaar
computeId	ARM-resource-id van de rekenresource.	snaar
beschrijving	De tekst van de assetbeschrijving.	snaar
displayName	Weergavenaam van taak.	snaar
experimentName	De naam van het experiment waartoe de taak behoort. Als deze niet is ingesteld, wordt de taak in het standaardexperiment geplaatst.	snaar
identiteit	Identiteitsconfiguratie. Indien ingesteld, moet dit een van AmlToken, ManagedIdentity, UserIdentity of null zijn. Standaard ingesteld op AmlToken als null.	IdentityConfiguration-
isArchived	Is de asset gearchiveerd?	Bool
jobType	Ingesteld op 'AutoML' voor het type AutoMLJob. Ingesteld op Opdracht voor CommandJob. Ingesteld op Pijplijn voor het type PipelineJob. Ingesteld op Opruimen voor het type SweepJob.	'AutoML' 'Opdracht' 'Pijplijn' 'Opruimen' (vereist)
Eigenschappen	De woordenlijst voor asseteigenschappen.	ResourceBaseProperties-
diensten	Lijst met JobEndpoints. Voor lokale taken heeft een taakeindpunt een eindpuntwaarde van FileStreamObject.	JobBaseServices-
Tags	Tagwoordenlijst. Tags kunnen worden toegevoegd, verwijderd en bijgewerkt.	ResourceBaseTags-

JobBaseServices

Naam	Beschrijving	Waarde

JobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	Ingesteld op 'custom_model' voor het type CustomModelJobInput. Ingesteld op 'letterlijk' voor het type LiteralJobInput. Ingesteld op 'mlflow_model' voor het type MLFlowModelJobInput. Ingesteld op 'mltable' voor het type MLTableJobInput. Ingesteld op 'triton_model' voor het type TritonModelJobInput. Ingesteld op 'uri_file' voor het type UriFileJobInput. Ingesteld op 'uri_folder' voor het type UriFolderJobInput.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)

JobOutput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de uitvoer.	snaar
jobOutputType	Ingesteld op 'custom_model' voor het type CustomModelJobOutput. Ingesteld op 'mlflow_model' voor het type MLFlowModelJobOutput. Ingesteld op 'mltable' voor het type MLTableJobOutput. Ingesteld op 'triton_model' voor het type TritonModelJobOutput. Ingesteld op 'uri_file' voor het type UriFileJobOutput. Ingesteld op 'uri_folder' voor het type UriFolderJobOutput.	'custom_model' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)

JobResourceConfiguration

Naam	Beschrijving	Waarde
dockerArgs	Extra argumenten die moeten worden doorgegeven aan de opdracht Docker-run. Hiermee worden alle parameters overschreven die al zijn ingesteld door het systeem of in deze sectie. Deze parameter wordt alleen ondersteund voor Azure ML-rekentypen.	snaar
instanceCount	Optioneel aantal exemplaren of knooppunten dat door het rekendoel wordt gebruikt.	Int
instanceType	Optioneel type VM dat wordt gebruikt als ondersteund door het rekendoel.	snaar
Eigenschappen	Extra eigenschappen zak.	ResourceConfigurationProperties-
shmSize	Grootte van het gedeelde geheugenblok van de Docker-container. Dit moet de notatie (getal)(eenheid) hebben waarbij getal groter is dan 0 en de eenheid een van b(bytes), k(kilobytes), m(megabytes) of g(gigabytes) kan zijn.	snaar Beperkingen: Patroon = \d+[bBkKmMgG]

JobService

Naam	Beschrijving	Waarde
Eindpunt	URL voor eindpunt.	snaar
jobServiceType	Eindpunttype.	snaar
Knooppunten	Knooppunten waarop de gebruiker de service wil starten. Als knooppunten niet zijn ingesteld of ingesteld op null, wordt de service alleen gestart op het leader-knooppunt.	Knooppunten
haven	Poort voor eindpunt.	Int
Eigenschappen	Aanvullende eigenschappen die moeten worden ingesteld op het eindpunt.	JobServiceProperties-

JobServiceProperties

Naam	Beschrijving	Waarde

LiteralJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'letterlijk' (vereist)
waarde	[Vereist] Letterlijke waarde voor de invoer.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

ManagedIdentity

Naam	Beschrijving	Waarde
clientId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van client-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	Beheerd (vereist)
objectId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van object-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar Beperkingen: Minimale lengte = 36 Maximale lengte = 36 Patroon = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Hiermee geeft u een door de gebruiker toegewezen identiteit op basis van arm-resource-id. Stel dit veld niet in voor het door het systeem toegewezen veld.	snaar

MedianStoppingPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	MedianStopping (vereist)

Microsoft.MachineLearningServices/workspaces/jobs

Naam	Beschrijving	Waarde
naam	De resourcenaam	snaar Beperkingen: Patroon = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (vereist)
parent_id	De id van de resource die het bovenliggende item voor deze resource is.	Id voor resource van het type: werkruimten
Eigenschappen	[Vereist] Aanvullende kenmerken van de entiteit.	JobBaseProperties (vereist)
type	Het resourcetype	"Microsoft.MachineLearningServices/workspaces/jobs@2023-04-01"

MLFlowModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'mlflow_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLFlowModelJobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLFlowModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'mlflow_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

MLTableJobInput

Naam	Beschrijving	Waarde
beschrijving	Beschrijving voor de invoer.	snaar
jobInputType	[Vereist] Hiermee geeft u het type taak.	'custom_model' 'letterlijk' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLTableJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'mltable' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

MLTableJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'mltable' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

Mpi

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	Mpi (vereist)
processCountPerInstance	Aantal processen per MPI-knooppunt.	Int

NCrossValidations

Naam	Beschrijving	Waarde
wijze	Ingesteld op Auto voor type AutoNCrossValidations. Ingesteld op 'Aangepast' voor het type CustomNCrossValidations.	'Auto' 'Aangepast' (vereist)

NlpVerticalFeaturizationSettings

Naam	Beschrijving	Waarde
gegevenssetLanguage	De taal van de gegevensset, handig voor de tekstgegevens.	snaar

NlpVerticalLimitSettings

Naam	Beschrijving	Waarde
maxConcurrentTrials	Maximum aantal Gelijktijdige AutoML-iteraties.	Int
maxTrials	Aantal AutoML-iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar

Knooppunten

Naam	Beschrijving	Waarde
nodesValueType	Ingesteld op 'Alle' voor het type AllNodes.	'Alles' (vereist)

Objectief

Naam	Beschrijving	Waarde
doel	[Vereist] Definieert ondersteunde metrische doelen voor het afstemmen van hyperparameters	'Maximaliseren' 'Minimaliseren' (vereist)
primaryMetric	[Vereist] Naam van de metrische waarde die u wilt optimaliseren.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

PipelineJob

Naam	Beschrijving	Waarde
Ingangen	Invoer voor de pijplijntaak.	PipelineJobInputs
Banen	Taken maken de pijplijntaak.	PipelineJobJobs
jobType	[Vereist] Hiermee geeft u het type taak.	'Pijplijn' (vereist)
Uitgangen	Uitvoer voor de pijplijntaak	PipelineJobOutputs
Instellingen	Pijplijninstellingen, voor zaken zoals ContinueRunOnStepFailure, enzovoort.	enig
sourceJobId	ARM-resource-id van brontaak.	snaar

PipelineJobInputs

Naam	Beschrijving	Waarde

PipelineJobJobs

Naam	Beschrijving	Waarde

PipelineJobOutputs

Naam	Beschrijving	Waarde

PyTorch

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'PyTorch' (vereist)
processCountPerInstance	Aantal processen per knooppunt.	Int

RandomSamplingAlgorithm

Naam	Beschrijving	Waarde
regel	Het specifieke type willekeurig algoritme	'Willekeurig' 'Sobol'
samplingAlgorithmType	[Vereist] Het algoritme dat wordt gebruikt voor het genereren van hyperparameterwaarden, samen met configuratie-eigenschappen	'Willekeurig' (vereist)
zaad	Een optioneel geheel getal dat moet worden gebruikt als de seed voor het genereren van willekeurige getallen	Int

Regressie

Naam	Beschrijving	Waarde
cvSplitColumnNames	Kolommen die moeten worden gebruikt voor CVSplit-gegevens.	tekenreeks[]
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	TableVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Aantal kruisvalidatievouws dat moet worden toegepast op de trainingsgegevensset wanneer er geen validatiegegevensset is opgegeven.	NCrossValidations
primaryMetric	Primaire metriek voor regressietaak.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
taskType	[Vereist] Taaktype voor AutoMLJob.	Regressie (vereist)
testData	Gegevensinvoer testen.	MLTableJobInput-
testDataSize	Het deel van de testgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
trainingSettings	Invoer voor de trainingsfase voor een AutoML-taak.	RegressionTrainingSettings
validationData	Invoer van validatiegegevens.	MLTableJobInput-
validationDataSize	Het deel van de trainingsgegevensset dat moet worden gereserveerd voor validatiedoeleinden. Waarden tussen (0,0, 1,0) Wordt toegepast wanneer er geen validatiegegevensset wordt opgegeven.	Int
weightColumnName	De naam van de kolom met de steekproefgewicht. Geautomatiseerde ML ondersteunt een gewogen kolom als invoer, waardoor rijen in de gegevens omhoog of omlaag worden gewogen.	snaar

RegressionTrainingSettings

Naam	Beschrijving	Waarde
allowedTrainingAlgorithms	Toegestane modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: "DecisionTree" 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Geblokkeerde modellen voor regressietaak.	Tekenreeksmatrix met een van de volgende waarden: "DecisionTree" 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Schakel de aanbeveling van DNN-modellen in.	Bool
enableModelExplainability	Vlag om uitleg in te schakelen voor het beste model.	Bool
enableOnnxCompatibleModels	Vlag voor het inschakelen van compatibele onnx-modellen.	Bool
enableStackEnsemble	Schakel stack ensemble run in.	Bool
enableVoteEnsemble	Stem ensembleuitvoering inschakelen.	Bool
ensembleModelDownloadTimeout	Tijdens votingEnsemble en StackEnsemble modelgeneratie worden meerdere aangepaste modellen van de vorige onderliggende uitvoeringen gedownload. Configureer deze parameter met een hogere waarde dan 300 sec. Als er meer tijd nodig is.	snaar
stackEnsembleSettings	Stack ensemble-instellingen voor stack ensemble run.	StackEnsembleSettings

ResourceBaseProperties

Naam	Beschrijving	Waarde

ResourceBaseTags

Naam	Beschrijving	Waarde

ResourceConfigurationProperties

Naam	Beschrijving	Waarde

SamplingAlgorithm

Naam	Beschrijving	Waarde
samplingAlgorithmType	Ingesteld op 'Bayesian' voor het type BayesianSamplingAlgorithm. Ingesteld op 'Raster' voor het type GridSamplingAlgorithm. Ingesteld op 'Willekeurig' voor het type RandomSamplingAlgorithm.	'Bayesian' 'Raster' 'Willekeurig' (vereist)

Seizoensgebonden

Naam	Beschrijving	Waarde
wijze	Ingesteld op Auto voor type AutoSeasonality. Ingesteld op 'Aangepast' voor het type CustomSeasonality.	'Auto' 'Aangepast' (vereist)

StackEnsembleSettings

Naam	Beschrijving	Waarde
stackMetaLearnerKWargs	Optionele parameters die moeten worden doorgegeven aan de initialisatiefunctie van de meta-learner.	enig
stackMetaLearnerTrainPercentage	Hiermee geeft u het aandeel van de trainingsset op (bij het kiezen van het trainings- en validatietype) dat moet worden gereserveerd voor het trainen van de meta-learner. De standaardwaarde is 0,2.	Int
stackMetaLearnerType	De meta-learner is een model dat is getraind op de uitvoer van de afzonderlijke heterogene modellen.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Geen'

SweepJob

Naam	Beschrijving	Waarde
earlyTermination	Beleid voor vroegtijdige beëindiging zorgt ervoor dat uitvoeringen met slechte prestaties worden geannuleerd voordat ze zijn voltooid	EarlyTerminationPolicy-
Ingangen	Toewijzing van invoergegevensbindingen die in de taak worden gebruikt.	SweepJobInputs
jobType	[Vereist] Hiermee geeft u het type taak.	'Opruimen' (vereist)
grens	Taaklimiet opruimen.	SweepJobLimits-
objectief	[Vereist] Optimalisatiedoelstelling.	Objective (vereist)
Uitgangen	Toewijzing van uitvoergegevensbindingen die in de taak worden gebruikt.	SweepJobOutputs
samplingAlgorithm	[Vereist] Het algoritme voor hyperparametersampling	SamplingAlgorithm (vereist)
searchSpace	[Vereist] Een woordenlijst met elke parameter en de bijbehorende distributie. De woordenlijstsleutel is de naam van de parameter	elke (vereist)
proces	[Vereist] Definitie van proefonderdeel.	TrialComponent (vereist)

SweepJobInputs

Naam	Beschrijving	Waarde

SweepJobLimits

Naam	Beschrijving	Waarde
jobLimitsType	[Vereist] Type JobLimit.	'Opdracht' 'Opruimen' (vereist)
maxConcurrentTrials	Sweep Job max gelijktijdige proefversies.	Int
maxTotalTrials	Sweep Job maximum aantal proefversies.	Int
Timeout	De maximale uitvoeringsduur in ISO 8601-indeling, waarna de taak wordt geannuleerd. Ondersteunt alleen de duur met precisie zo laag als seconden.	snaar
trialTimeout	Time-outwaarde voor time-out voor de proefversie van de taak opruimen.	snaar

SweepJobOutputs

Naam	Beschrijving	Waarde

TableVerticalFeaturizationSettings

Naam	Beschrijving	Waarde
blockedTransformers	Deze transformatoren mogen niet worden gebruikt in featurization.	Tekenreeksmatrix met een van de volgende waarden: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	Woordenlijst van kolomnaam en het bijbehorende type (int, float, tekenreeks, datum/tijd, enzovoort).	TableVerticalFeaturizationSettingsColumnNameAndTypes
gegevenssetLanguage	De taal van de gegevensset, handig voor de tekstgegevens.	snaar
enableDnnFeaturization	Bepaalt of op Dnn gebaseerde featurizers moeten worden gebruikt voor gegevensmetrisatie.	Bool
wijze	Featurization-modus: de gebruiker kan de standaardmodus 'Auto' behouden en AutoML zorgt voor de noodzakelijke transformatie van de gegevens in de featurization-fase. Als 'Uit' is geselecteerd, wordt er geen featurization uitgevoerd. Als 'Aangepast' is geselecteerd, kan de gebruiker aanvullende invoer opgeven om aan te passen hoe featurization wordt uitgevoerd.	'Auto' 'Aangepast' 'Uit'
transformerParams	Gebruiker kan extra transformatoren opgeven die moeten worden gebruikt, samen met de kolommen waarop deze moet worden toegepast en parameters voor de transformatorconstructor.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Naam	Beschrijving	Waarde

TableVerticalFeaturizationSettingsTransformerParams

Naam	Beschrijving	Waarde

TableVerticalLimitSettings

Naam	Beschrijving	Waarde
enableEarlyTermination	Vroegtijdige beëindiging inschakelen, bepaalt of AutoMLJob vroeg wordt beëindigd als er geen scoreverbetering is in de afgelopen 20 iteraties.	Bool
exitScore	Afsluitscore voor de AutoML-taak.	Int
maxConcurrentTrials	Maximum aantal gelijktijdige iteraties.	Int
maxCoresPerTrial	Maximum aantal kernen per iteratie.	Int
maxTrials	Aantal iteraties.	Int
Timeout	Time-out voor AutoML-taken.	snaar
trialTimeout	Time-out voor iteratie.	snaar

TargetLags

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoTargetLags. Ingesteld op 'Aangepast' voor het type CustomTargetLags.	'Auto' 'Aangepast' (vereist)

TargetRollingWindowSize

Naam	Beschrijving	Waarde
wijze	Ingesteld op 'Auto' voor type AutoTargetRollingWindowSize. Ingesteld op 'Aangepast' voor het type CustomTargetRollingWindowSize.	'Auto' 'Aangepast' (vereist)

TensorFlow

Naam	Beschrijving	Waarde
distributionType	[Vereist] Hiermee geeft u het type distributieframework op.	'TensorFlow' (vereist)
parameterServerCount	Aantal parameterservertaken.	Int
workerCount	Aantal werknemers. Als dit niet is opgegeven, wordt het aantal exemplaren standaard ingesteld.	Int

TextClassification

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Primaire metrische gegevens voor Text-Classification taak.	'Nauwkeurigheid' 'AUCWeighted' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
taskType	[Vereist] Taaktype voor AutoMLJob.	TextClassification (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TextClassificationMultilabel

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextClassificationMultilabel' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TextNer

Naam	Beschrijving	Waarde
featurizationSettings	Featurization-invoer die nodig is voor de AutoML-taak.	NlpVerticalFeaturizationSettings
limitSettings	Uitvoeringsbeperkingen voor AutoMLJob.	NlpVerticalLimitSettings
taskType	[Vereist] Taaktype voor AutoMLJob.	'TextNER' (vereist)
validationData	Invoer van validatiegegevens.	MLTableJobInput-

TrialComponent

Naam	Beschrijving	Waarde
codeId	ARM-resource-id van de codeasset.	snaar
bevelen	[Vereist] De opdracht die moet worden uitgevoerd bij het opstarten van de taak. bijvoorbeeld "python train.py"	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
distributie	Distributieconfiguratie van de taak. Indien ingesteld, moet dit een van Mpi, Tensorflow, PyTorch of null zijn.	DistributionConfiguration-
environmentId	[Vereist] De ARM-resource-id van de omgevingsspecificatie voor de taak.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)
environmentVariables	Omgevingsvariabelen die zijn opgenomen in de taak.	TrialComponentEnvironmentVariables
weg	Rekenresourceconfiguratie voor de taak.	JobResourceConfiguration-

TrialComponentEnvironmentVariables

Naam	Beschrijving	Waarde

TritonModelJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'triton_model' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

TritonModelJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'triton_model' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

TruncationSelectionPolicy

Naam	Beschrijving	Waarde
policyType	[Vereist] Naam van beleidsconfiguratie	'TruncationSelection' (vereist)
afkappingSpercentage	Het percentage uitvoeringen dat moet worden geannuleerd bij elk evaluatie-interval.	Int

UriFileJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'uri_file' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

UriFileJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'uri_file' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

UriFolderJobInput

Naam	Beschrijving	Waarde
jobInputType	[Vereist] Hiermee geeft u het type taak.	'uri_folder' (vereist)
wijze	Leveringsmodus invoerasset.	'Direct' 'Downloaden' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
Uri	[Vereist] Invoerasset-URI.	snaar Beperkingen: Minimale lengte = 1 Patroon = [a-zA-Z0-9_] (vereist)

UriFolderJobOutput

Naam	Beschrijving	Waarde
jobOutputType	[Vereist] Hiermee geeft u het type taak.	'uri_folder' (vereist)
wijze	Uitvoerassetleveringsmodus.	'ReadWriteMount' 'Uploaden'
Uri	Uitvoerasset-URI.	snaar

UserIdentity

Naam	Beschrijving	Waarde
identityType	[Vereist] Hiermee geeft u het type identiteitsframework op.	UserIdentity (vereist)