Udostępnij za pośrednictwem

Microsoft.MachineLearningServices workspaces/jobs 2022-02-01-preview

  • Artykuł

Definicja zasobu Bicep

Typ zasobu obszarów roboczych/zadań można wdrożyć przy użyciu operacji docelowych:

Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.

Format zasobu

Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/jobs, dodaj następujący kod Bicep do szablonu.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    schedule: {
      endTime: 'string'
      scheduleStatus: 'string'
      startTime: 'string'
      timeZone: 'string'
      scheduleType: 'string'
      // For remaining properties, see ScheduleBase objects
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

{
  allowedModels: [
    'string'
  ]
  blockedModels: [
    'string'
  ]
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      cvSplitColumnNames: [
        'string'
      ]
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      nCrossValidations: {
        mode: 'string'
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize: int
    }
    weightColumnName: 'string'
  }
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    dropColumns: [
      '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'
  }
  primaryMetric: 'string'
  taskType: 'Classification'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
}

W przypadku prognozowanieużyj:

{
  allowedModels: [
    'string'
  ]
  blockedModels: [
    'string'
  ]
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      cvSplitColumnNames: [
        'string'
      ]
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      nCrossValidations: {
        mode: 'string'
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize: int
    }
    weightColumnName: 'string'
  }
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    dropColumns: [
      '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'
  }
  primaryMetric: 'string'
  taskType: 'Forecasting'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
}

W przypadku ImageClassificationużyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageClassification'
}

W przypadku ImageClassificationMultilabelużyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageClassificationMultilabel'
}

W przypadku ImageInstanceSegmentationużyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageInstanceSegmentation'
}

W przypadku ImageObjectDetectionużyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  modelSettings: {
    advancedSettings: 'string'
    amsGradient: bool
    augmentations: 'string'
    beta1: int
    beta2: int
    boxDetectionsPerImage: int
    boxScoreThreshold: int
    checkpointDatasetId: 'string'
    checkpointFilename: 'string'
    checkpointFrequency: int
    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
    splitRatio: 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'
      splitRatio: '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
    }
    limits: {
      maxConcurrentTrials: int
      maxTrials: int
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'ImageObjectDetection'
}

W przypadku regresjiużyj:

{
  allowedModels: [
    'string'
  ]
  blockedModels: [
    'string'
  ]
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      cvSplitColumnNames: [
        'string'
      ]
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      nCrossValidations: {
        mode: 'string'
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize: int
    }
    weightColumnName: 'string'
  }
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    dropColumns: [
      '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'
  }
  primaryMetric: 'string'
  taskType: 'Regression'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(Azure.Bicep.Types.Concrete.AnyType)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
}

W przypadku TextClassificationużyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'
  taskType: 'TextClassification'
}

W przypadku TextClassificationMultilabelużyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextClassificationMultilabel'
}

W przypadkuTextNER użyj:

{
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextNER'
}

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

{
  samplingAlgorithmType: 'Bayesian'
}

W przypadku usługi Gridużyj:

{
  samplingAlgorithmType: 'Grid'
}

W przypadku losowychużyj:

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

Obiekty ScheduleBase

Ustaw właściwość scheduleType, aby określić typ obiektu.

W przypadku Cronużyj:

{
  expression: 'string'
  scheduleType: 'Cron'
}

W przypadkucyklu użyj:

{
  frequency: 'string'
  interval: int
  pattern: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    weekdays: [
      'string'
    ]
  }
  scheduleType: 'Recurrence'
}

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

Obiekty JobOutput

Ustaw właściwość jobOutputType, aby określić typ obiektu.

W przypadku CustomModelużyj:

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

W przypadku mlFlowModelużyj:

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

W przypadku MLTable użyj:

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

W przypadkuTritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

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

W przypadku MedianStopping użyj:

{
  policyType: 'MedianStopping'
}

W przypadku TruncationSelectionużyj:

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

Obiekty DistributionConfiguration

Ustaw właściwość distributionType, aby określić typ obiektu.

W przypadku Mpi użyj:

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

W przypadku PyTorch użyj:

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

W przypadku TensorFlow użyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

{
  identityType: 'AMLToken'
}

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

{
  identityType: 'UserIdentity'
}

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

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

Obiekty JobInput

Ustaw właściwość jobInputType, aby określić typ obiektu.

W przypadku CustomModelużyj:

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

W przypadkuliterału użyj:

{
  jobInputType: 'Literal'
  value: 'string'
}

W przypadku mlFlowModelużyj:

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

W przypadku MLTable użyj:

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

W przypadkuTritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty JobBaseDetails

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

{
  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: {
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
  }
}

W przypadkupotoku użyj:

{
  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)
}

W przypadkusweep użyj:

{
  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: {
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
      }
    }
  }
}

Wartości właściwości

AmlToken

Nazwa Opis Wartość
identityType [Wymagane] Określa typ struktury tożsamości. "AMLToken" (wymagane)

AutoForecastHorizon

Nazwa Opis Wartość
tryb [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. "Auto" (wymagane)

AutoMLJob

Nazwa Opis Wartość
environmentId Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.
Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.		 struna
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. AutoMLJobEnvironmentVariables
jobType [Wymagane] Określa typ zadania. "AutoML" (wymagane)
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. AutoMLJobOutputs
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration
taskDetails [Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu AutoMLVertical (wymagane)

AutoMLJobEnvironmentVariables

Nazwa Opis Wartość

AutoMLJobOutputs

Nazwa Opis Wartość

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
taskType Ustaw wartość "Classification" dla typu Classification. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Ustaw wartość "ImageClassification" dla typu ImageClassification. Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Ustaw wartość "ImageObjectDetection" dla typu ImageObjectDetection. Ustaw wartość "Regresja" dla typu Regresja. Ustaw wartość "TextClassification" dla typu TextClassification. Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer. "Klasyfikacja"
"Prognozowanie"
"ImageClassification"
"ImageClassificationMultilabel"
"ImageInstanceSegmentation"
"ImageObjectDetection"
"Regresja"
"TextClassification"
"TextClassificationMultilabel"
"TextNER" (wymagane)

AutoNCrossValidations

Nazwa Opis Wartość
tryb [Wymagane] Tryb określania poprawności N-Cross. "Auto" (wymagane)

Autoseasonity

Nazwa Opis Wartość
tryb [Wymagane] Tryb sezonowości. "Auto" (wymagane)

AutoTargetLags

Nazwa Opis Wartość
tryb [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe "Auto" (wymagane)

AutoTargetRollingWindowSize

Nazwa Opis Wartość
tryb [Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz). "Auto" (wymagane)

BanditPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "Bandit" (wymagany)
slackAmount Bezwzględna odległość dozwolona od najlepiej działającego przebiegu. Int
slackFactor Współczynnik dozwolonej odległości od najlepszego przebiegu. Int

BayesianSamplingAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Bayesian" (wymagane)

Klasyfikacja

Nazwa Opis Wartość
allowedModels Dozwolone modele dla zadania klasyfikacji. Tablica ciągów zawierająca dowolną z:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticsRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Zablokowane modele dla zadania klasyfikacji. Tablica ciągów zawierająca dowolną z:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticsRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Kolumnowyprzekształtnik

Nazwa Opis Wartość
Pola Pola do zastosowania logiki przekształcania. string[]
Parametry Różne właściwości, które mają być przekazywane do transformatora.
Oczekiwane dane wejściowe to słownik par klucz,wartość w formacie JSON.		 jakikolwiek

CommandJob

Nazwa Opis Wartość
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" struna

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_] (wymagane)
dystrybucja Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. DistributionConfiguration
environmentId [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. CommandJobEnvironmentVariables
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. CommandJobInputs
jobType [Wymagane] Określa typ zadania. "Polecenie" (wymagane)
Limity Limit zadań poleceń. CommandJobLimits
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. CommandJobOutputs
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration

CommandJobEnvironmentVariables

Nazwa Opis Wartość

CommandJobInputs

Nazwa Opis Wartość

CommandJobLimits

Nazwa Opis Wartość
jobLimitsType [Wymagane] Typ JobLimit. "Polecenie"
"Zamiatanie" (wymagane)
Limit czasu Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. struna

CommandJobOutputs

Nazwa Opis Wartość

CronSchedule

Nazwa Opis Wartość
wyrażenie [Wymagane] Określa wyrażenie cron harmonogramu.
Wyrażenie powinno być zgodne z formatem NCronTab.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
scheduleType [Wymagane] Określa typ harmonogramu "Cron" (wymagane)

CustomForecastHorizon

Nazwa Opis Wartość
tryb [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość horyzontu prognozy. int (wymagane)

CustomModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "CustomModel" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

CustomModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "CustomModel" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

CustomNCrossValidations

Nazwa Opis Wartość
tryb [Wymagane] Tryb określania poprawności N-Cross. "Niestandardowy" (wymagany)
wartość [Wymagane] N-Cross validations wartość. int (wymagane)

CustomSeasonality

Nazwa Opis Wartość
tryb [Wymagane] Tryb sezonowości. "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość sezonowości. int (wymagane)

CustomTargetLags

Nazwa Opis Wartość
tryb [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe "Niestandardowy" (wymagany)
Wartości [Wymagane] Ustaw wartości opóźnień docelowych. int[] (wymagane)

CustomTargetRollingWindowSize

Nazwa Opis Wartość
tryb [Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz). "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość TargetRollingWindowSize. int (wymagane)

Rozkładkonfiguracja

Nazwa Opis Wartość
distributionType Ustaw wartość "Mpi" dla typu Mpi. Ustaw wartość "PyTorch" dla typu PyTorch. Ustaw wartość "TensorFlow" dla typu TensorFlow. "Mpi"
"PyTorch"
"TensorFlow" (wymagany)

EarlyTerminationPolicy

Nazwa Opis Wartość
delayEvaluation Liczba interwałów, według których należy opóźnić pierwszą ocenę. Int
evaluationInterval Interwał (liczba przebiegów) między ocenami zasad. Int
policyType Ustaw wartość "Bandit" dla typu BanditPolicy. Ustaw wartość "MedianStopping" dla typu MedianStoppingPolicy. Ustaw wartość "TruncationSelection" dla typu TruncationSelectionPolicy. "Bandit"
"MedianStopping"
"Obcięcie wyboru" (wymagane)

PrognozaHorizon

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoForecastHorizon. Ustaw wartość "Custom" dla typu CustomForecastHorizon. "Auto"
"Niestandardowy" (wymagany)

Prognozowanie

Nazwa Opis Wartość
allowedModels Dozwolone modele do zadania prognozowania. Tablica ciągów zawierająca dowolną z:
"Arimax"
"AutoArima"
"Średnia"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naiwny"
"Prorok"
"RandomForest"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"SGD"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Zablokowane modele do zadania prognozowania. Tablica ciągów zawierająca dowolną z:
"Arimax"
"AutoArima"
"Średnia"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naiwny"
"Prorok"
"RandomForest"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"SGD"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prognozowanie danych wejściowych specyficznych dla zadania. ForecastingSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania prognozowania. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Prognozowanie" (wymagane)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

PrognozowanieUstawienia

Nazwa Opis Wartość
countryOrRegionForHolidays Kraj lub region świąt na potrzeby prognozowania zadań.
Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".		 struna
cvStepSize Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Dla
na przykład jeśli CVStepSize = 3 dla danych dziennych, czas pochodzenia dla każdego składania będzie wynosić
trzy dni od siebie.		 Int
featureLags Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. "Auto"
"Brak"
forecastHorizon Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. ForecastHorizon
częstotliwość Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie. struna
Sezonowości Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii.
Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.		 sezonowość
shortSeriesHandlingConfig Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. "Auto"
"Upuść"
"Brak"
"Pad"
targetAggregateFunction Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika.
Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".		 "Max"
"Średnia"
"Min"
"Brak"
"Suma"
targetLags Liczba poprzednich okresów do opóźnienia z kolumny docelowej. TargetLags
targetRollingWindowSize Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. TargetRollingWindowSize
timeColumnName Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości. struna
timeSeriesIdColumnNames Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii.
Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.		 string[]
useStl Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. "Brak"
"Sezon"
"SeasonTrend"

GridSamplingAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Siatka" (wymagana)

IdentityConfiguration

Nazwa Opis Wartość
identityType Ustaw wartość "AMLToken" dla typu AmlToken. Ustaw wartość "Managed" dla typu ManagedIdentity. Ustaw wartość "UserIdentity" dla typu UserIdentity. "AMLToken"
"Zarządzane"
"UserIdentity" (wymagane)

ImageClassification

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)

ImageClassificationMultilabel

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassificationMultilabel" (wymagane)

ImageInstanceSegmentation

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsObjectDetection
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "MeanAveragePrecision"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageInstanceSegmentation" (wymagane)

ImageLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. Int
maxTrials Maksymalna liczba iteracji rozwiązania AutoML. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna

ImageModelDistributionSettingsClassification

Nazwa Opis Wartość
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". struna
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
Rozproszonych Czy używać trenowania rozproszonego. struna
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. struna
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 struna
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 struna
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. struna
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. struna
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 struna
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 struna
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". struna
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". struna
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. struna
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. struna
Optymalizator Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw". struna
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. struna
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 struna
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. struna
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. struna
trainingCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. struna
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. struna
validationCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. struna
validationResizeSizeSize Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. struna
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. struna
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. struna
ważoneLoss Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania.
1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.		 struna

ImageModelDistributionSettingsObjectDetection

Nazwa Opis Wartość
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". struna
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
boxDetectionsPerImage Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
boxScoreThreshold Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż
BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].		 struna
Rozproszonych Czy używać trenowania rozproszonego. struna
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. struna
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 struna
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 struna
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. struna
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. struna
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 struna
imageSize Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą.
Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 struna
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". struna
maxSize Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
minSize Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
modelSize Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge".
Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
wieloskalowa Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%.
Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". struna
nmsIouThreshold Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1]. struna
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. struna
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. struna
Optymalizator Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw". struna
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. struna
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 struna
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. struna
tileGridSize Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być
Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tileOverlapRatio Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tilePredictionsNmsThreshold Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów.
Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1].
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
NMS: brak maksymalnego pomijania		 struna
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. struna
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. struna
validationIouThreshold Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. struna
validationMetricType Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc". struna
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. struna
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. struna

ImageModelSettingsClassification

Nazwa Opis Wartość
advancedSettings Ustawienia dla zaawansowanych scenariuszy. struna
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". Bool
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
checkpointDatasetId FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId.		 struna
checkpointFilename Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename.		 struna
checkpointFrequency Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. Int
checkpointRunId Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. struna
Rozproszonych Czy używać trenowania rozproszonego. Bool
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. Bool
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 Int
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 Int
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. Bool
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. Int
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 Int
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". "Brak"
"Krok"
"WarmupCosine"
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". Bool
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. Int
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. Int
Optymalizator Typ optymalizatora. "Adam"
"Adamw"
"Brak"
"Sgd"
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. Int
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 Int
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. Int
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. Int
trainingCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. Int
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. Int
validationCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. Int
validationResizeSizeSize Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. Int
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. Int
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. Int
ważoneLoss Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania.
1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.		 Int

ImageModelSettingsObjectDetection

Nazwa Opis Wartość
advancedSettings Ustawienia dla zaawansowanych scenariuszy. struna
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". Bool
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
boxDetectionsPerImage Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
boxScoreThreshold Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż
BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].		 Int
checkpointDatasetId FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId.		 struna
checkpointFilename Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename.		 struna
checkpointFrequency Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. Int
checkpointRunId Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. struna
Rozproszonych Czy używać trenowania rozproszonego. Bool
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. Bool
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 Int
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 Int
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. Bool
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. Int
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 Int
imageSize Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą.
Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 Int
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". "Brak"
"Krok"
"WarmupCosine"
maxSize Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
minSize Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
modelSize Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge".
Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 "ExtraLarge"
"Duży"
"Średni"
"Brak"
"Mały"
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
wieloskalowa Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%.
Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 Bool
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". Bool
nmsIouThreshold Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. Int
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. Int
Optymalizator Typ optymalizatora. "Adam"
"Adamw"
"Brak"
"Sgd"
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. Int
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 Int
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. Int
tileGridSize Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być
Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tileOverlapRatio Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
tilePredictionsNmsThreshold Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów.
Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1].
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. Int
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. Int
validationIouThreshold Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Int
validationMetricType Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. "Coco"
"CocoVoc"
"Brak"
"Voc"
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. Int
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. Int

ImageObjectDetection

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsObjectDetection
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "MeanAveragePrecision"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageObjectDetection" (wymagane)

ImageSweepLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania. Int
maxTrials Maksymalna liczba iteracji dla bazowego zadania zamiatania. Int

ImageSweepSettings

Nazwa Opis Wartość
earlyTermination Typ zasad wczesnego kończenia. EarlyTerminationPolicy
Limity [Wymagane] Ogranicz ustawienia dla zamiatania modeli i zamiatania hiperparametrów. ImageSweepLimitSettings (wymagane)
próbkowanieAlgorithm [Wymagane] Typ algorytmów próbkowania hiperparametrów. "Bayesian"
"Siatka"
"Losowe" (wymagane)

ImageVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Ustawienia zestawu danych weryfikacji. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nazwa Opis Wartość
dane Tabela MLTable danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Szczegóły elementu JobBaseDetails

Nazwa Opis Wartość
computeId Identyfikator zasobu usługi ARM zasobu obliczeniowego. struna
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana zadania. struna
experimentName Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". struna
tożsamość Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null.
Wartość domyślna to AmlToken, jeśli ma wartość null.		 IdentityConfiguration
isArchived Czy zasób jest archiwizowany? Bool
jobType Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Ustaw wartość "Pipeline" dla typu PipelineJob. Ustaw wartość "Zamiatanie" dla typu SweepJob. "AutoML"
"Polecenie"
"Potok"
"Zamiatanie" (wymagane)
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
harmonogram Definicja harmonogramu zadania.
Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu.		 ScheduleBase
usługi Lista punktów zadań.
W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.		 JobBaseServices
Tagi Słownik tagów. Tagi można dodawać, usuwać i aktualizować. ResourceBaseTags

JobBaseServices

Nazwa Opis Wartość

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustaw wartość "CustomModel" dla typu CustomModelJobInput. Ustaw wartość "Literał" dla typu LiterałJobInput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobInput. Ustaw wartość "MLTable" dla typu MLTableJobInput. Ustaw wartość "TritonModel" dla typu TritonModelJobInput. Ustaw wartość "UriFile" dla typu UriFileJobInput. Ustaw wartość "UriFolder" dla typu UriFolderJobInput. "CustomModel"
"Literał"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)

JobOutput

Nazwa Opis Wartość
opis Opis danych wyjściowych. struna
jobOutputType Ustaw wartość "CustomModel" dla typu CustomModelJobOutput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobOutput. Ustaw wartość "MLTable" dla typu MLTableJobOutput. Ustaw wartość "TritonModel" dla typu TritonModelJobOutput. Ustaw wartość "UriFile" dla typu UriFileJobOutput. Ustaw wartość "UriFolder" dla typu UriFolderJobOutput. "CustomModel"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)

JobService

Nazwa Opis Wartość
punkt końcowy Adres URL punktu końcowego. struna
jobServiceType Typ punktu końcowego. struna
port Port dla punktu końcowego. Int
Właściwości Dodatkowe właściwości do ustawienia w punkcie końcowym. JobServiceProperties

Właściwości usługi zadań

Nazwa Opis Wartość

LiterałJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "Literał" (wymagany)
wartość [Wymagane] Wartość literału dla danych wejściowych. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

Identyfikator zarządzany

Nazwa Opis Wartość
clientId Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

Ograniczenia:
Minimalna długość = 36
Maksymalna długość = 36
Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType [Wymagane] Określa typ struktury tożsamości. "Zarządzane" (wymagane)
objectId Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

Ograniczenia:
Minimalna długość = 36
Maksymalna długość = 36
Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

MedianStoppingPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "MedianStopping" (wymagane)

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa Opis Wartość
nazwa Nazwa zasobu struna

Ograniczenia:
Wzorzec = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (wymagane)
rodzic W Bicep można określić zasób nadrzędny dla zasobu podrzędnego. Tę właściwość należy dodać tylko wtedy, gdy zasób podrzędny jest zadeklarowany poza zasobem nadrzędnym.

Aby uzyskać więcej informacji, zobacz Zasób podrzędny poza zasobem nadrzędnym.		 Nazwa symboliczna zasobu typu: obszarów roboczych
Właściwości [Wymagane] Dodatkowe atrybuty jednostki. JobBaseDetails (wymagane)

MLFlowModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "MLFlowModel" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "MLFlowModel" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

MLTableJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "MLTable" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "CustomModel"
"Literał"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "MLTable" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

Mpi

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "Mpi" (wymagane)
processCountPerInstance Liczba procesów na węzeł MPI. Int

NCrossValidations

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoNCrossValidations. Ustaw wartość "Custom" dla typu CustomNCrossValidations. "Auto"
"Niestandardowy" (wymagany)

NlpVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Dane wejściowe danych walidacji. NlpVerticalValidationDataSettings

NlpVerticalFeaturizationSettings

Nazwa Opis Wartość
datasetLanguage Język zestawu danych przydatny dla danych tekstowych. struna

NlpVerticalLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba iteracji automl współbieżnych. Int
maxTrials Liczba iteracji rozwiązania AutoML. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna

NlpVerticalValidationDataSettings

Nazwa Opis Wartość
dane Tabela MLTable danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Cel

Nazwa Opis Wartość
cel [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów "Maksymalizuj"
"Minimalizuj" (wymagane)
primaryMetric [Wymagane] Nazwa metryki do optymalizacji. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

PotokJob

Nazwa Opis Wartość
Wejścia Dane wejściowe zadania potoku. PipelineJobInputs
Zadania Zadania skonstruować zadanie potoku. PipelineJobJobs
jobType [Wymagane] Określa typ zadania. "Potok" (wymagany)
Wyjść Dane wyjściowe zadania potoku PipelineJobOutputs
Ustawienia Ustawienia potoku, np. ContinueRunOnStepFailure itp. jakikolwiek

PipelineJobInputs

Nazwa Opis Wartość

PipelineJobJobs

Nazwa Opis Wartość

PipelineJobOutputs

Nazwa Opis Wartość

PyTorch

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "PyTorch" (wymagane)
processCountPerInstance Liczba procesów na węzeł. Int

RandomSamplingAlgorithm

Nazwa Opis Wartość
reguła Określony typ algorytmu losowego "Losowe"
"Sobol"
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Losowe" (wymagane)
nasienie Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych Int

Cyklwpattern

Nazwa Opis Wartość
Godzin [Wymagane] Lista godzin wzorca harmonogramu cyklu int[] (wymagane)
protokół [Wymagane] Lista minut wzorca harmonogramu cyklu int[] (wymagane)
Dni powszednie Lista dni roboczych dla wzorca harmonogramu cyklu Tablica ciągów zawierająca dowolną z:
"Piątek"
"Poniedziałek"
"Sobota"
"Niedziela"
"Czwartek"
"Wtorek"
"Środa"

CyklSchedule

Nazwa Opis Wartość
częstotliwość [Wymagane] Określa częstotliwość wyzwalania harmonogramu "Dzień"
"Godzina"
"Minuta"
"Miesiąc"
"Tydzień" (wymagany)
interwał [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością int (wymagane)
deseń Określa wzorzec harmonogramu cyklu RecurrencePattern
scheduleType [Wymagane] Określa typ harmonogramu "Cykl" (wymagany)

Regresja

Nazwa Opis Wartość
allowedModels Dozwolone modele dla zadania regresji. Tablica ciągów zawierająca dowolną z:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Zablokowane modele dla zadania regresji. Tablica ciągów zawierająca dowolną z:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania regresji. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Regresja" (wymagana)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Właściwości bazy danych ResourceBase

Nazwa Opis Wartość

ResourceBaseTags

Nazwa Opis Wartość

Konfiguracja zasobów

Nazwa Opis Wartość
instanceCount Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy. Int
instanceType Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. struna
Właściwości Dodatkowa torba właściwości. ResourceConfigurationProperties

ResourceConfigurationProperties

Nazwa Opis Wartość

PróbkowanieAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType Ustaw wartość "Bayesian" dla typu BayesianSamplingAlgorithm. Ustaw wartość "Grid" dla typu GridSamplingAlgorithm. Ustaw wartość "Random" dla typu RandomSamplingAlgorithm. "Bayesian"
"Siatka"
"Losowe" (wymagane)

ScheduleBase

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w formacie ISO 8601.
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
scheduleStatus Określa stan harmonogramu "Wyłączone"
"Włączone"
scheduleType Ustaw wartość "Cron" dla typu CronSchedule. Ustaw wartość "Cykl" dla typu RecurrenceSchedule. "Cron"
"Cykl" (wymagany)
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows.		 struna

Sezonowości

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoSeasonality. Ustaw wartość "Custom" dla typu CustomSeasonality. "Auto"
"Niestandardowy" (wymagany)

StackEnsembleSettings

Nazwa Opis Wartość
stackMetaLearnerKWargs Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. jakikolwiek
stackMetaLearnerTrainPercentage Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2. Int
stackMetaLearnerType Metauczeń to model trenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticsRegression"
"LogisticsRegressionCV"
"Brak"

Zamiatanie

Nazwa Opis Wartość
earlyTermination Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem EarlyTerminationPolicy
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. SweepJobInputs
jobType [Wymagane] Określa typ zadania. "Zamiatanie" (wymagane)
Limity Limit zadań zamiatania. SweepJobLimits
cel [Wymagane] Cel optymalizacji. objective (wymagane)
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. SweepJobOutputs
próbkowanieAlgorithm [Wymagane] Algorytm próbkowania hiperparametrów PróbkowanieAlgorithm (wymagane)
searchSpace [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru dowolna (wymagana)
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość

SweepJobLimits

Nazwa Opis Wartość
jobLimitsType [Wymagane] Typ JobLimit. "Polecenie"
"Zamiatanie" (wymagane)
maxConcurrentTrials Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania. Int
maxTotalTrials Zamiatanie zadania — maksymalna łączna liczba prób. Int
Limit czasu Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. struna
trialTimeout Zamiatanie wartości limitu czasu wersji próbnej zadania. struna

SweepJobOutputs

Nazwa Opis Wartość

TableVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Dane wejściowe danych walidacji. TableVerticalValidationDataSettings
weightColumnName Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. struna

TableVerticalFeaturizationSettings

Nazwa Opis Wartość
blockedTransformers Transformatory te nie są stosowane w cechowaniu. string[]
columnNameAndTypes Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Język zestawu danych przydatny dla danych tekstowych. struna
dropColumns Kolumny, które mają zostać porzucone z danych podczas cechowania. string[]
enableDnnFeaturization Określa, czy używać cech opartych na Dnn do cechowania danych. Bool
tryb Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania.
Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie.
Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.		 "Auto"
"Niestandardowy"
"Wyłączone"
transformerParams Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa Opis Wartość

TableVerticalFeaturizationSettingsTransformerParams

Nazwa Opis Wartość

TableVerticalLimitSettings

Nazwa Opis Wartość
enableEarlyTermination Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny. Bool
exitScore Wynik zakończenia zadania rozwiązania AutoML. Int
maxConcurrentTrials Maksymalna liczba iteracji współbieżnych. Int
maxCoresPerTrial Maksymalna liczba rdzeni na iterację. Int
maxTrials Liczba iteracji. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna
trialTimeout Limit czasu iteracji. struna

TableVerticalValidationDataSettings

Nazwa Opis Wartość
cvSplitColumnNames Kolumny do użycia dla danych CVSplit. string[]
dane Tabela MLTable danych walidacji. MLTableJobInput
nCrossValidations Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych
jeśli zestaw danych sprawdzania poprawności nie jest podany.		 NCrossValidations
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Opóźnienie docelowe

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoTargetLags. Ustaw wartość "Custom" dla typu CustomTargetLags. "Auto"
"Niestandardowy" (wymagany)

TargetRollingWindowSize

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoTargetRollingWindowSize. Ustaw wartość "Custom" dla typu CustomTargetRollingWindowSize. "Auto"
"Niestandardowy" (wymagany)

TensorFlow

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "TensorFlow" (wymagany)
parametrServerCount Liczba zadań serwera parametrów. Int
workerCount Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. Int

TestDataSettings

Nazwa Opis Wartość
dane Testowanie danych MLTable. MLTableJobInput
testDataSize Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Klasyfikacja tekstu

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
primaryMetric Podstawowa metryka dla zadania Text-Classification. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassification" (wymagane)

TextClassificationMultilabel

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassificationMultilabel" (wymagane)

TextNer

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextNER" (wymagane)

TrainingDataSettings

Nazwa Opis Wartość
dane [Wymagane] Trenowanie danych MLTable. MLTableJobInput (wymagane)

TrainingSettings

Nazwa Opis Wartość
enableDnnTraining Włącz zalecenie dotyczące modeli sieci rozproszonej. Bool
enableModelExplainability Flaga włączania możliwości objaśnienia dla najlepszego modelu. Bool
enableOnnxCompatibleModels Flaga włączania modeli zgodnych z programem onnx. Bool
enableStackEnsemble Włącz uruchamianie zespołu stosu. Bool
enableVoteEnsemble Włącz uruchamianie zespołu do głosowania. Bool
ensembleModelDownloadTimeout Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych.
Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.		 struna
stackEnsembleSettings Ustawienia zespołu stosu dla przebiegu zespołu stosu. StackEnsembleSettings

Wersja próbnaComponent

Nazwa Opis Wartość
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" struna

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_] (wymagane)
dystrybucja Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. DistributionConfiguration
environmentId [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. TrialComponentEnvironmentVariables
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa Opis Wartość

TritonModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "TritonModel" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

TritonModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "TritonModel" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

ObcięcieselectionPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "Obcięcie wyboru" (wymagane)
obcięciepercentage Procent przebiegów do anulowania w każdym interwale oceny. Int

UriFileJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "UriFile" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFileJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "UriFile" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

UriFolderJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFolderJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

Identyfikator użytkownika

Nazwa Opis Wartość
identityType [Wymagane] Określa typ struktury tożsamości. "UserIdentity" (wymagane)

Przykłady z przewodnika Szybki start

W poniższych przykładach szybkiego startu wdrożono ten typ zasobu.

Plik Bicep Opis
Tworzenie zadania klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning Ten szablon tworzy zadanie klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning, aby dowiedzieć się, jak najlepszy model do przewidywania, czy klient zasubskrybuje depozyt na stałe za pomocą instytucji finansowej.
Tworzenie zadania polecenia usługi Azure Machine Learning Ten szablon tworzy zadanie polecenia usługi Azure Machine Learning za pomocą podstawowego skryptu hello_world
Tworzenie zadania zamiatania usługi Azure Machine Learning Ten szablon tworzy zadanie zamiatania usługi Azure Machine Learning na potrzeby dostrajania hiperparametrów.

Definicja zasobu szablonu usługi ARM

Typ zasobu obszarów roboczych/zadań można wdrożyć przy użyciu operacji docelowych:

Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.

Format zasobu

Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/jobs, dodaj następujący kod JSON do szablonu.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-02-01-preview",
  "name": "string",
  "properties": {
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "schedule": {
      "endTime": "string",
      "scheduleStatus": "string",
      "startTime": "string",
      "timeZone": "string",
      "scheduleType": "string"
      // For remaining properties, see ScheduleBase objects
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

{
  "allowedModels": [ "string" ],
  "blockedModels": [ "string" ],
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "cvSplitColumnNames": [ "string" ],
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "nCrossValidations": {
        "mode": "string"
        // For remaining properties, see NCrossValidations objects
      },
      "validationDataSize": "int"
    },
    "weightColumnName": "string"
  },
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "dropColumns": [ "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"
  },
  "primaryMetric": "string",
  "taskType": "Classification",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }
}

W przypadku prognozowanieużyj:

{
  "allowedModels": [ "string" ],
  "blockedModels": [ "string" ],
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "cvSplitColumnNames": [ "string" ],
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "nCrossValidations": {
        "mode": "string"
        // For remaining properties, see NCrossValidations objects
      },
      "validationDataSize": "int"
    },
    "weightColumnName": "string"
  },
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "dropColumns": [ "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"
  },
  "primaryMetric": "string",
  "taskType": "Forecasting",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }
}

W przypadku ImageClassificationużyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageClassification"
}

W przypadku ImageClassificationMultilabelużyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageClassificationMultilabel"
}

W przypadku ImageInstanceSegmentationużyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageInstanceSegmentation"
}

W przypadku ImageObjectDetectionużyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "modelSettings": {
    "advancedSettings": "string",
    "amsGradient": "bool",
    "augmentations": "string",
    "beta1": "int",
    "beta2": "int",
    "boxDetectionsPerImage": "int",
    "boxScoreThreshold": "int",
    "checkpointDatasetId": "string",
    "checkpointFilename": "string",
    "checkpointFrequency": "int",
    "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",
    "splitRatio": "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",
      "splitRatio": "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
    },
    "limits": {
      "maxConcurrentTrials": "int",
      "maxTrials": "int"
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "ImageObjectDetection"
}

W przypadku regresjiużyj:

{
  "allowedModels": [ "string" ],
  "blockedModels": [ "string" ],
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "cvSplitColumnNames": [ "string" ],
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "nCrossValidations": {
        "mode": "string"
        // For remaining properties, see NCrossValidations objects
      },
      "validationDataSize": "int"
    },
    "weightColumnName": "string"
  },
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "dropColumns": [ "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"
  },
  "primaryMetric": "string",
  "taskType": "Regression",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }
}

W przypadku TextClassificationużyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string",
  "taskType": "TextClassification"
}

W przypadku TextClassificationMultilabelużyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "taskType": "TextClassificationMultilabel"
}

W przypadkuTextNER użyj:

{
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "taskType": "TextNER"
}

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

{
  "samplingAlgorithmType": "Bayesian"
}

W przypadku usługi Gridużyj:

{
  "samplingAlgorithmType": "Grid"
}

W przypadku losowychużyj:

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

Obiekty ScheduleBase

Ustaw właściwość scheduleType, aby określić typ obiektu.

W przypadku Cronużyj:

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

W przypadkucyklu użyj:

{
  "frequency": "string",
  "interval": "int",
  "pattern": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "weekdays": [ "string" ]
  },
  "scheduleType": "Recurrence"
}

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  "mode": "Auto"
}

W przypadku niestandardowychużyj:

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

Obiekty JobOutput

Ustaw właściwość jobOutputType, aby określić typ obiektu.

W przypadku CustomModelużyj:

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

W przypadku mlFlowModelużyj:

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

W przypadku MLTable użyj:

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

W przypadkuTritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

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

W przypadku MedianStopping użyj:

{
  "policyType": "MedianStopping"
}

W przypadku TruncationSelectionużyj:

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

Obiekty DistributionConfiguration

Ustaw właściwość distributionType, aby określić typ obiektu.

W przypadku Mpi użyj:

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

W przypadku PyTorch użyj:

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

W przypadku TensorFlow użyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  "mode": "Auto"
}

W przypadku niestandardowychużyj:

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

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  "mode": "Auto"
}

W przypadku niestandardowychużyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

{
  "identityType": "AMLToken"
}

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

{
  "identityType": "UserIdentity"
}

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  "mode": "Auto"
}

W przypadku niestandardowychużyj:

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

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  "mode": "Auto"
}

W przypadku niestandardowychużyj:

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

Obiekty JobInput

Ustaw właściwość jobInputType, aby określić typ obiektu.

W przypadku CustomModelużyj:

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

W przypadkuliterału użyj:

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

W przypadku mlFlowModelużyj:

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

W przypadku MLTable użyj:

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

W przypadkuTritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty JobBaseDetails

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

{
  "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": {
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {}
    }
  }
}

W przypadkupotoku użyj:

{
  "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": {}
}

W przypadkusweep użyj:

{
  "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": {
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {}
      }
    }
  }
}

Wartości właściwości

AmlToken

Nazwa Opis Wartość
identityType [Wymagane] Określa typ struktury tożsamości. "AMLToken" (wymagane)

AutoForecastHorizon

Nazwa Opis Wartość
tryb [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. "Auto" (wymagane)

AutoMLJob

Nazwa Opis Wartość
environmentId Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.
Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.		 struna
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. AutoMLJobEnvironmentVariables
jobType [Wymagane] Określa typ zadania. "AutoML" (wymagane)
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. AutoMLJobOutputs
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration
taskDetails [Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu AutoMLVertical (wymagane)

AutoMLJobEnvironmentVariables

Nazwa Opis Wartość

AutoMLJobOutputs

Nazwa Opis Wartość

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
taskType Ustaw wartość "Classification" dla typu Classification. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Ustaw wartość "ImageClassification" dla typu ImageClassification. Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Ustaw wartość "ImageObjectDetection" dla typu ImageObjectDetection. Ustaw wartość "Regresja" dla typu Regresja. Ustaw wartość "TextClassification" dla typu TextClassification. Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer. "Klasyfikacja"
"Prognozowanie"
"ImageClassification"
"ImageClassificationMultilabel"
"ImageInstanceSegmentation"
"ImageObjectDetection"
"Regresja"
"TextClassification"
"TextClassificationMultilabel"
"TextNER" (wymagane)

AutoNCrossValidations

Nazwa Opis Wartość
tryb [Wymagane] Tryb określania poprawności N-Cross. "Auto" (wymagane)

Autoseasonity

Nazwa Opis Wartość
tryb [Wymagane] Tryb sezonowości. "Auto" (wymagane)

AutoTargetLags

Nazwa Opis Wartość
tryb [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe "Auto" (wymagane)

AutoTargetRollingWindowSize

Nazwa Opis Wartość
tryb [Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz). "Auto" (wymagane)

BanditPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "Bandit" (wymagany)
slackAmount Bezwzględna odległość dozwolona od najlepiej działającego przebiegu. Int
slackFactor Współczynnik dozwolonej odległości od najlepszego przebiegu. Int

BayesianSamplingAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Bayesian" (wymagane)

Klasyfikacja

Nazwa Opis Wartość
allowedModels Dozwolone modele dla zadania klasyfikacji. Tablica ciągów zawierająca dowolną z:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticsRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Zablokowane modele dla zadania klasyfikacji. Tablica ciągów zawierająca dowolną z:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticsRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Kolumnowyprzekształtnik

Nazwa Opis Wartość
Pola Pola do zastosowania logiki przekształcania. string[]
Parametry Różne właściwości, które mają być przekazywane do transformatora.
Oczekiwane dane wejściowe to słownik par klucz,wartość w formacie JSON.		 jakikolwiek

CommandJob

Nazwa Opis Wartość
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" struna

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_] (wymagane)
dystrybucja Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. DistributionConfiguration
environmentId [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. CommandJobEnvironmentVariables
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. CommandJobInputs
jobType [Wymagane] Określa typ zadania. "Polecenie" (wymagane)
Limity Limit zadań poleceń. CommandJobLimits
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. CommandJobOutputs
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration

CommandJobEnvironmentVariables

Nazwa Opis Wartość

CommandJobInputs

Nazwa Opis Wartość

CommandJobLimits

Nazwa Opis Wartość
jobLimitsType [Wymagane] Typ JobLimit. "Polecenie"
"Zamiatanie" (wymagane)
Limit czasu Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. struna

CommandJobOutputs

Nazwa Opis Wartość

CronSchedule

Nazwa Opis Wartość
wyrażenie [Wymagane] Określa wyrażenie cron harmonogramu.
Wyrażenie powinno być zgodne z formatem NCronTab.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
scheduleType [Wymagane] Określa typ harmonogramu "Cron" (wymagane)

CustomForecastHorizon

Nazwa Opis Wartość
tryb [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość horyzontu prognozy. int (wymagane)

CustomModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "CustomModel" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

CustomModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "CustomModel" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

CustomNCrossValidations

Nazwa Opis Wartość
tryb [Wymagane] Tryb określania poprawności N-Cross. "Niestandardowy" (wymagany)
wartość [Wymagane] N-Cross validations wartość. int (wymagane)

CustomSeasonality

Nazwa Opis Wartość
tryb [Wymagane] Tryb sezonowości. "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość sezonowości. int (wymagane)

CustomTargetLags

Nazwa Opis Wartość
tryb [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe "Niestandardowy" (wymagany)
Wartości [Wymagane] Ustaw wartości opóźnień docelowych. int[] (wymagane)

CustomTargetRollingWindowSize

Nazwa Opis Wartość
tryb [Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz). "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość TargetRollingWindowSize. int (wymagane)

Rozkładkonfiguracja

Nazwa Opis Wartość
distributionType Ustaw wartość "Mpi" dla typu Mpi. Ustaw wartość "PyTorch" dla typu PyTorch. Ustaw wartość "TensorFlow" dla typu TensorFlow. "Mpi"
"PyTorch"
"TensorFlow" (wymagany)

EarlyTerminationPolicy

Nazwa Opis Wartość
delayEvaluation Liczba interwałów, według których należy opóźnić pierwszą ocenę. Int
evaluationInterval Interwał (liczba przebiegów) między ocenami zasad. Int
policyType Ustaw wartość "Bandit" dla typu BanditPolicy. Ustaw wartość "MedianStopping" dla typu MedianStoppingPolicy. Ustaw wartość "TruncationSelection" dla typu TruncationSelectionPolicy. "Bandit"
"MedianStopping"
"Obcięcie wyboru" (wymagane)

PrognozaHorizon

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoForecastHorizon. Ustaw wartość "Custom" dla typu CustomForecastHorizon. "Auto"
"Niestandardowy" (wymagany)

Prognozowanie

Nazwa Opis Wartość
allowedModels Dozwolone modele do zadania prognozowania. Tablica ciągów zawierająca dowolną z:
"Arimax"
"AutoArima"
"Średnia"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naiwny"
"Prorok"
"RandomForest"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"SGD"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Zablokowane modele do zadania prognozowania. Tablica ciągów zawierająca dowolną z:
"Arimax"
"AutoArima"
"Średnia"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naiwny"
"Prorok"
"RandomForest"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"SGD"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prognozowanie danych wejściowych specyficznych dla zadania. ForecastingSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania prognozowania. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Prognozowanie" (wymagane)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

PrognozowanieUstawienia

Nazwa Opis Wartość
countryOrRegionForHolidays Kraj lub region świąt na potrzeby prognozowania zadań.
Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".		 struna
cvStepSize Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Dla
na przykład jeśli CVStepSize = 3 dla danych dziennych, czas pochodzenia dla każdego składania będzie wynosić
trzy dni od siebie.		 Int
featureLags Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. "Auto"
"Brak"
forecastHorizon Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. ForecastHorizon
częstotliwość Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie. struna
Sezonowości Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii.
Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.		 sezonowość
shortSeriesHandlingConfig Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. "Auto"
"Upuść"
"Brak"
"Pad"
targetAggregateFunction Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika.
Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".		 "Max"
"Średnia"
"Min"
"Brak"
"Suma"
targetLags Liczba poprzednich okresów do opóźnienia z kolumny docelowej. TargetLags
targetRollingWindowSize Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. TargetRollingWindowSize
timeColumnName Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości. struna
timeSeriesIdColumnNames Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii.
Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.		 string[]
useStl Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. "Brak"
"Sezon"
"SeasonTrend"

GridSamplingAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Siatka" (wymagana)

IdentityConfiguration

Nazwa Opis Wartość
identityType Ustaw wartość "AMLToken" dla typu AmlToken. Ustaw wartość "Managed" dla typu ManagedIdentity. Ustaw wartość "UserIdentity" dla typu UserIdentity. "AMLToken"
"Zarządzane"
"UserIdentity" (wymagane)

ImageClassification

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)

ImageClassificationMultilabel

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassificationMultilabel" (wymagane)

ImageInstanceSegmentation

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsObjectDetection
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "MeanAveragePrecision"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageInstanceSegmentation" (wymagane)

ImageLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. Int
maxTrials Maksymalna liczba iteracji rozwiązania AutoML. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna

ImageModelDistributionSettingsClassification

Nazwa Opis Wartość
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". struna
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
Rozproszonych Czy używać trenowania rozproszonego. struna
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. struna
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 struna
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 struna
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. struna
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. struna
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 struna
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 struna
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". struna
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". struna
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. struna
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. struna
Optymalizator Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw". struna
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. struna
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 struna
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. struna
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. struna
trainingCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. struna
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. struna
validationCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. struna
validationResizeSizeSize Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. struna
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. struna
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. struna
ważoneLoss Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania.
1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.		 struna

ImageModelDistributionSettingsObjectDetection

Nazwa Opis Wartość
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". struna
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
boxDetectionsPerImage Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
boxScoreThreshold Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż
BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].		 struna
Rozproszonych Czy używać trenowania rozproszonego. struna
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. struna
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 struna
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 struna
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. struna
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. struna
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 struna
imageSize Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą.
Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 struna
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". struna
maxSize Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
minSize Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
modelSize Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge".
Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
wieloskalowa Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%.
Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". struna
nmsIouThreshold Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1]. struna
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. struna
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. struna
Optymalizator Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw". struna
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. struna
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 struna
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. struna
tileGridSize Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być
Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tileOverlapRatio Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tilePredictionsNmsThreshold Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów.
Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1].
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
NMS: brak maksymalnego pomijania		 struna
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. struna
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. struna
validationIouThreshold Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. struna
validationMetricType Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc". struna
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. struna
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. struna

ImageModelSettingsClassification

Nazwa Opis Wartość
advancedSettings Ustawienia dla zaawansowanych scenariuszy. struna
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". Bool
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
checkpointDatasetId FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId.		 struna
checkpointFilename Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename.		 struna
checkpointFrequency Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. Int
checkpointRunId Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. struna
Rozproszonych Czy używać trenowania rozproszonego. Bool
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. Bool
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 Int
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 Int
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. Bool
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. Int
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 Int
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". "Brak"
"Krok"
"WarmupCosine"
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". Bool
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. Int
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. Int
Optymalizator Typ optymalizatora. "Adam"
"Adamw"
"Brak"
"Sgd"
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. Int
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 Int
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. Int
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. Int
trainingCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. Int
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. Int
validationCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. Int
validationResizeSizeSize Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. Int
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. Int
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. Int
ważoneLoss Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania.
1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.		 Int

ImageModelSettingsObjectDetection

Nazwa Opis Wartość
advancedSettings Ustawienia dla zaawansowanych scenariuszy. struna
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". Bool
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
boxDetectionsPerImage Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
boxScoreThreshold Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż
BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].		 Int
checkpointDatasetId FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId.		 struna
checkpointFilename Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename.		 struna
checkpointFrequency Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. Int
checkpointRunId Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. struna
Rozproszonych Czy używać trenowania rozproszonego. Bool
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. Bool
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 Int
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 Int
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. Bool
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. Int
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 Int
imageSize Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą.
Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 Int
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". "Brak"
"Krok"
"WarmupCosine"
maxSize Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
minSize Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
modelSize Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge".
Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 "ExtraLarge"
"Duży"
"Średni"
"Brak"
"Mały"
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
wieloskalowa Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%.
Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 Bool
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". Bool
nmsIouThreshold Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. Int
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. Int
Optymalizator Typ optymalizatora. "Adam"
"Adamw"
"Brak"
"Sgd"
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. Int
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 Int
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. Int
tileGridSize Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być
Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tileOverlapRatio Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
tilePredictionsNmsThreshold Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów.
Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1].
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. Int
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. Int
validationIouThreshold Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Int
validationMetricType Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. "Coco"
"CocoVoc"
"Brak"
"Voc"
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. Int
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. Int

ImageObjectDetection

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsObjectDetection
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "MeanAveragePrecision"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageObjectDetection" (wymagane)

ImageSweepLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania. Int
maxTrials Maksymalna liczba iteracji dla bazowego zadania zamiatania. Int

ImageSweepSettings

Nazwa Opis Wartość
earlyTermination Typ zasad wczesnego kończenia. EarlyTerminationPolicy
Limity [Wymagane] Ogranicz ustawienia dla zamiatania modeli i zamiatania hiperparametrów. ImageSweepLimitSettings (wymagane)
próbkowanieAlgorithm [Wymagane] Typ algorytmów próbkowania hiperparametrów. "Bayesian"
"Siatka"
"Losowe" (wymagane)

ImageVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Ustawienia zestawu danych weryfikacji. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nazwa Opis Wartość
dane Tabela MLTable danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Szczegóły elementu JobBaseDetails

Nazwa Opis Wartość
computeId Identyfikator zasobu usługi ARM zasobu obliczeniowego. struna
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana zadania. struna
experimentName Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". struna
tożsamość Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null.
Wartość domyślna to AmlToken, jeśli ma wartość null.		 IdentityConfiguration
isArchived Czy zasób jest archiwizowany? Bool
jobType Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Ustaw wartość "Pipeline" dla typu PipelineJob. Ustaw wartość "Zamiatanie" dla typu SweepJob. "AutoML"
"Polecenie"
"Potok"
"Zamiatanie" (wymagane)
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
harmonogram Definicja harmonogramu zadania.
Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu.		 ScheduleBase
usługi Lista punktów zadań.
W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.		 JobBaseServices
Tagi Słownik tagów. Tagi można dodawać, usuwać i aktualizować. ResourceBaseTags

JobBaseServices

Nazwa Opis Wartość

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustaw wartość "CustomModel" dla typu CustomModelJobInput. Ustaw wartość "Literał" dla typu LiterałJobInput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobInput. Ustaw wartość "MLTable" dla typu MLTableJobInput. Ustaw wartość "TritonModel" dla typu TritonModelJobInput. Ustaw wartość "UriFile" dla typu UriFileJobInput. Ustaw wartość "UriFolder" dla typu UriFolderJobInput. "CustomModel"
"Literał"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)

JobOutput

Nazwa Opis Wartość
opis Opis danych wyjściowych. struna
jobOutputType Ustaw wartość "CustomModel" dla typu CustomModelJobOutput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobOutput. Ustaw wartość "MLTable" dla typu MLTableJobOutput. Ustaw wartość "TritonModel" dla typu TritonModelJobOutput. Ustaw wartość "UriFile" dla typu UriFileJobOutput. Ustaw wartość "UriFolder" dla typu UriFolderJobOutput. "CustomModel"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)

JobService

Nazwa Opis Wartość
punkt końcowy Adres URL punktu końcowego. struna
jobServiceType Typ punktu końcowego. struna
port Port dla punktu końcowego. Int
Właściwości Dodatkowe właściwości do ustawienia w punkcie końcowym. JobServiceProperties

Właściwości usługi zadań

Nazwa Opis Wartość

LiterałJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "Literał" (wymagany)
wartość [Wymagane] Wartość literału dla danych wejściowych. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

Identyfikator zarządzany

Nazwa Opis Wartość
clientId Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

Ograniczenia:
Minimalna długość = 36
Maksymalna długość = 36
Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType [Wymagane] Określa typ struktury tożsamości. "Zarządzane" (wymagane)
objectId Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

Ograniczenia:
Minimalna długość = 36
Maksymalna długość = 36
Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

MedianStoppingPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "MedianStopping" (wymagane)

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa Opis Wartość
apiVersion Wersja interfejsu API "2022-02-01-preview"
nazwa Nazwa zasobu struna

Ograniczenia:
Wzorzec = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (wymagane)
Właściwości [Wymagane] Dodatkowe atrybuty jednostki. JobBaseDetails (wymagane)
typ Typ zasobu "Microsoft.MachineLearningServices/workspaces/jobs"

MLFlowModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "MLFlowModel" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "MLFlowModel" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

MLTableJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "MLTable" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "CustomModel"
"Literał"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "MLTable" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

Mpi

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "Mpi" (wymagane)
processCountPerInstance Liczba procesów na węzeł MPI. Int

NCrossValidations

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoNCrossValidations. Ustaw wartość "Custom" dla typu CustomNCrossValidations. "Auto"
"Niestandardowy" (wymagany)

NlpVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Dane wejściowe danych walidacji. NlpVerticalValidationDataSettings

NlpVerticalFeaturizationSettings

Nazwa Opis Wartość
datasetLanguage Język zestawu danych przydatny dla danych tekstowych. struna

NlpVerticalLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba iteracji automl współbieżnych. Int
maxTrials Liczba iteracji rozwiązania AutoML. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna

NlpVerticalValidationDataSettings

Nazwa Opis Wartość
dane Tabela MLTable danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Cel

Nazwa Opis Wartość
cel [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów "Maksymalizuj"
"Minimalizuj" (wymagane)
primaryMetric [Wymagane] Nazwa metryki do optymalizacji. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

PotokJob

Nazwa Opis Wartość
Wejścia Dane wejściowe zadania potoku. PipelineJobInputs
Zadania Zadania skonstruować zadanie potoku. PipelineJobJobs
jobType [Wymagane] Określa typ zadania. "Potok" (wymagany)
Wyjść Dane wyjściowe zadania potoku PipelineJobOutputs
Ustawienia Ustawienia potoku, np. ContinueRunOnStepFailure itp. jakikolwiek

PipelineJobInputs

Nazwa Opis Wartość

PipelineJobJobs

Nazwa Opis Wartość

PipelineJobOutputs

Nazwa Opis Wartość

PyTorch

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "PyTorch" (wymagane)
processCountPerInstance Liczba procesów na węzeł. Int

RandomSamplingAlgorithm

Nazwa Opis Wartość
reguła Określony typ algorytmu losowego "Losowe"
"Sobol"
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Losowe" (wymagane)
nasienie Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych Int

Cyklwpattern

Nazwa Opis Wartość
Godzin [Wymagane] Lista godzin wzorca harmonogramu cyklu int[] (wymagane)
protokół [Wymagane] Lista minut wzorca harmonogramu cyklu int[] (wymagane)
Dni powszednie Lista dni roboczych dla wzorca harmonogramu cyklu Tablica ciągów zawierająca dowolną z:
"Piątek"
"Poniedziałek"
"Sobota"
"Niedziela"
"Czwartek"
"Wtorek"
"Środa"

CyklSchedule

Nazwa Opis Wartość
częstotliwość [Wymagane] Określa częstotliwość wyzwalania harmonogramu "Dzień"
"Godzina"
"Minuta"
"Miesiąc"
"Tydzień" (wymagany)
interwał [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością int (wymagane)
deseń Określa wzorzec harmonogramu cyklu RecurrencePattern
scheduleType [Wymagane] Określa typ harmonogramu "Cykl" (wymagany)

Regresja

Nazwa Opis Wartość
allowedModels Dozwolone modele dla zadania regresji. Tablica ciągów zawierająca dowolną z:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Zablokowane modele dla zadania regresji. Tablica ciągów zawierająca dowolną z:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania regresji. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Regresja" (wymagana)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Właściwości bazy danych ResourceBase

Nazwa Opis Wartość

ResourceBaseTags

Nazwa Opis Wartość

Konfiguracja zasobów

Nazwa Opis Wartość
instanceCount Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy. Int
instanceType Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. struna
Właściwości Dodatkowa torba właściwości. ResourceConfigurationProperties

ResourceConfigurationProperties

Nazwa Opis Wartość

PróbkowanieAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType Ustaw wartość "Bayesian" dla typu BayesianSamplingAlgorithm. Ustaw wartość "Grid" dla typu GridSamplingAlgorithm. Ustaw wartość "Random" dla typu RandomSamplingAlgorithm. "Bayesian"
"Siatka"
"Losowe" (wymagane)

ScheduleBase

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w formacie ISO 8601.
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
scheduleStatus Określa stan harmonogramu "Wyłączone"
"Włączone"
scheduleType Ustaw wartość "Cron" dla typu CronSchedule. Ustaw wartość "Cykl" dla typu RecurrenceSchedule. "Cron"
"Cykl" (wymagany)
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows.		 struna

Sezonowości

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoSeasonality. Ustaw wartość "Custom" dla typu CustomSeasonality. "Auto"
"Niestandardowy" (wymagany)

StackEnsembleSettings

Nazwa Opis Wartość
stackMetaLearnerKWargs Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. jakikolwiek
stackMetaLearnerTrainPercentage Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2. Int
stackMetaLearnerType Metauczeń to model trenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticsRegression"
"LogisticsRegressionCV"
"Brak"

Zamiatanie

Nazwa Opis Wartość
earlyTermination Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem EarlyTerminationPolicy
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. SweepJobInputs
jobType [Wymagane] Określa typ zadania. "Zamiatanie" (wymagane)
Limity Limit zadań zamiatania. SweepJobLimits
cel [Wymagane] Cel optymalizacji. objective (wymagane)
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. SweepJobOutputs
próbkowanieAlgorithm [Wymagane] Algorytm próbkowania hiperparametrów PróbkowanieAlgorithm (wymagane)
searchSpace [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru dowolna (wymagana)
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość

SweepJobLimits

Nazwa Opis Wartość
jobLimitsType [Wymagane] Typ JobLimit. "Polecenie"
"Zamiatanie" (wymagane)
maxConcurrentTrials Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania. Int
maxTotalTrials Zamiatanie zadania — maksymalna łączna liczba prób. Int
Limit czasu Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. struna
trialTimeout Zamiatanie wartości limitu czasu wersji próbnej zadania. struna

SweepJobOutputs

Nazwa Opis Wartość

TableVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Dane wejściowe danych walidacji. TableVerticalValidationDataSettings
weightColumnName Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. struna

TableVerticalFeaturizationSettings

Nazwa Opis Wartość
blockedTransformers Transformatory te nie są stosowane w cechowaniu. string[]
columnNameAndTypes Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Język zestawu danych przydatny dla danych tekstowych. struna
dropColumns Kolumny, które mają zostać porzucone z danych podczas cechowania. string[]
enableDnnFeaturization Określa, czy używać cech opartych na Dnn do cechowania danych. Bool
tryb Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania.
Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie.
Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.		 "Auto"
"Niestandardowy"
"Wyłączone"
transformerParams Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa Opis Wartość

TableVerticalFeaturizationSettingsTransformerParams

Nazwa Opis Wartość

TableVerticalLimitSettings

Nazwa Opis Wartość
enableEarlyTermination Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny. Bool
exitScore Wynik zakończenia zadania rozwiązania AutoML. Int
maxConcurrentTrials Maksymalna liczba iteracji współbieżnych. Int
maxCoresPerTrial Maksymalna liczba rdzeni na iterację. Int
maxTrials Liczba iteracji. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna
trialTimeout Limit czasu iteracji. struna

TableVerticalValidationDataSettings

Nazwa Opis Wartość
cvSplitColumnNames Kolumny do użycia dla danych CVSplit. string[]
dane Tabela MLTable danych walidacji. MLTableJobInput
nCrossValidations Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych
jeśli zestaw danych sprawdzania poprawności nie jest podany.		 NCrossValidations
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Opóźnienie docelowe

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoTargetLags. Ustaw wartość "Custom" dla typu CustomTargetLags. "Auto"
"Niestandardowy" (wymagany)

TargetRollingWindowSize

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoTargetRollingWindowSize. Ustaw wartość "Custom" dla typu CustomTargetRollingWindowSize. "Auto"
"Niestandardowy" (wymagany)

TensorFlow

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "TensorFlow" (wymagany)
parametrServerCount Liczba zadań serwera parametrów. Int
workerCount Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. Int

TestDataSettings

Nazwa Opis Wartość
dane Testowanie danych MLTable. MLTableJobInput
testDataSize Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Klasyfikacja tekstu

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
primaryMetric Podstawowa metryka dla zadania Text-Classification. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassification" (wymagane)

TextClassificationMultilabel

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassificationMultilabel" (wymagane)

TextNer

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextNER" (wymagane)

TrainingDataSettings

Nazwa Opis Wartość
dane [Wymagane] Trenowanie danych MLTable. MLTableJobInput (wymagane)

TrainingSettings

Nazwa Opis Wartość
enableDnnTraining Włącz zalecenie dotyczące modeli sieci rozproszonej. Bool
enableModelExplainability Flaga włączania możliwości objaśnienia dla najlepszego modelu. Bool
enableOnnxCompatibleModels Flaga włączania modeli zgodnych z programem onnx. Bool
enableStackEnsemble Włącz uruchamianie zespołu stosu. Bool
enableVoteEnsemble Włącz uruchamianie zespołu do głosowania. Bool
ensembleModelDownloadTimeout Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych.
Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.		 struna
stackEnsembleSettings Ustawienia zespołu stosu dla przebiegu zespołu stosu. StackEnsembleSettings

Wersja próbnaComponent

Nazwa Opis Wartość
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" struna

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_] (wymagane)
dystrybucja Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. DistributionConfiguration
environmentId [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. TrialComponentEnvironmentVariables
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa Opis Wartość

TritonModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "TritonModel" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

TritonModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "TritonModel" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

ObcięcieselectionPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "Obcięcie wyboru" (wymagane)
obcięciepercentage Procent przebiegów do anulowania w każdym interwale oceny. Int

UriFileJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "UriFile" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFileJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "UriFile" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

UriFolderJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFolderJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

Identyfikator użytkownika

Nazwa Opis Wartość
identityType [Wymagane] Określa typ struktury tożsamości. "UserIdentity" (wymagane)

Szablony szybkiego startu

Następujące szablony szybkiego startu wdrażają ten typ zasobu.

Szablon Opis
Tworzenie zadania klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning

Wdrażanie do Azure 		Ten szablon tworzy zadanie klasyfikacji automatycznego uczenia maszynowego w usłudze Azure Machine Learning, aby dowiedzieć się, jak najlepszy model do przewidywania, czy klient zasubskrybuje depozyt na stałe za pomocą instytucji finansowej.
Tworzenie zadania polecenia usługi Azure Machine Learning

Wdrażanie do Azure 		Ten szablon tworzy zadanie polecenia usługi Azure Machine Learning za pomocą podstawowego skryptu hello_world
Tworzenie zadania zamiatania usługi Azure Machine Learning

Wdrażanie do Azure 		Ten szablon tworzy zadanie zamiatania usługi Azure Machine Learning na potrzeby dostrajania hiperparametrów.

Definicja zasobu narzędzia Terraform (dostawcy AzAPI)

Typ zasobu obszarów roboczych/zadań można wdrożyć przy użyciu operacji docelowych:

  • grupy zasobów

Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.

Format zasobu

Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/jobs, dodaj następujący program Terraform do szablonu.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
  name = "string"
  body = jsonencode({
    properties = {
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
      }
      schedule = {
        endTime = "string"
        scheduleStatus = "string"
        startTime = "string"
        timeZone = "string"
        scheduleType = "string"
        // For remaining properties, see ScheduleBase objects
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

{
  allowedModels = [
    "string"
  ]
  blockedModels = [
    "string"
  ]
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      cvSplitColumnNames = [
        "string"
      ]
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      nCrossValidations = {
        mode = "string"
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize = int
    }
    weightColumnName = "string"
  }
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    dropColumns = [
      "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"
  }
  primaryMetric = "string"
  taskType = "Classification"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
}

W przypadku prognozowanieużyj:

{
  allowedModels = [
    "string"
  ]
  blockedModels = [
    "string"
  ]
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      cvSplitColumnNames = [
        "string"
      ]
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      nCrossValidations = {
        mode = "string"
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize = int
    }
    weightColumnName = "string"
  }
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    dropColumns = [
      "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"
  }
  primaryMetric = "string"
  taskType = "Forecasting"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
}

W przypadku ImageClassificationużyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageClassification"
}

W przypadku ImageClassificationMultilabelużyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageClassificationMultilabel"
}

W przypadku ImageInstanceSegmentationużyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageInstanceSegmentation"
}

W przypadku ImageObjectDetectionużyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  modelSettings = {
    advancedSettings = "string"
    amsGradient = bool
    augmentations = "string"
    beta1 = int
    beta2 = int
    boxDetectionsPerImage = int
    boxScoreThreshold = int
    checkpointDatasetId = "string"
    checkpointFilename = "string"
    checkpointFrequency = int
    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
    splitRatio = 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"
      splitRatio = "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
    }
    limits = {
      maxConcurrentTrials = int
      maxTrials = int
    }
    samplingAlgorithm = "string"
  }
  taskType = "ImageObjectDetection"
}

W przypadku regresjiużyj:

{
  allowedModels = [
    "string"
  ]
  blockedModels = [
    "string"
  ]
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      cvSplitColumnNames = [
        "string"
      ]
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      nCrossValidations = {
        mode = "string"
        // For remaining properties, see NCrossValidations objects
      }
      validationDataSize = int
    }
    weightColumnName = "string"
  }
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    dropColumns = [
      "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"
  }
  primaryMetric = "string"
  taskType = "Regression"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
}

W przypadku TextClassificationużyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"
  taskType = "TextClassification"
}

W przypadku TextClassificationMultilabelużyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  taskType = "TextClassificationMultilabel"
}

W przypadkuTextNER użyj:

{
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  taskType = "TextNER"
}

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

{
  samplingAlgorithmType = "Bayesian"
}

W przypadku usługi Gridużyj:

{
  samplingAlgorithmType = "Grid"
}

W przypadku losowychużyj:

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

Obiekty ScheduleBase

Ustaw właściwość scheduleType, aby określić typ obiektu.

W przypadku Cronużyj:

{
  expression = "string"
  scheduleType = "Cron"
}

W przypadkucyklu użyj:

{
  frequency = "string"
  interval = int
  pattern = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    weekdays = [
      "string"
    ]
  }
  scheduleType = "Recurrence"
}

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode = "Auto"
}

W przypadku niestandardowychużyj:

{
  mode = "Custom"
  value = int
}

Obiekty JobOutput

Ustaw właściwość jobOutputType, aby określić typ obiektu.

W przypadku CustomModelużyj:

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

W przypadku mlFlowModelużyj:

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

W przypadku MLTable użyj:

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

W przypadkuTritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

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

W przypadku MedianStopping użyj:

{
  policyType = "MedianStopping"
}

W przypadku TruncationSelectionużyj:

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

Obiekty DistributionConfiguration

Ustaw właściwość distributionType, aby określić typ obiektu.

W przypadku Mpi użyj:

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

W przypadku PyTorch użyj:

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

W przypadku TensorFlow użyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode = "Auto"
}

W przypadku niestandardowychużyj:

{
  mode = "Custom"
  value = int
}

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode = "Auto"
}

W przypadku niestandardowychużyj:

{
  mode = "Custom"
  value = int
}

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

{
  identityType = "AMLToken"
}

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

{
  identityType = "UserIdentity"
}

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode = "Auto"
}

W przypadku niestandardowychużyj:

{
  mode = "Custom"
  value = int
}

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode = "Auto"
}

W przypadku niestandardowychużyj:

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

Obiekty JobInput

Ustaw właściwość jobInputType, aby określić typ obiektu.

W przypadku CustomModelużyj:

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

W przypadkuliterału użyj:

{
  jobInputType = "Literal"
  value = "string"
}

W przypadku mlFlowModelużyj:

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

W przypadku MLTable użyj:

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

W przypadkuTritonModel użyj:

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

W przypadku UriFileużyj:

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

W przypadku UriFolder użyj:

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

Obiekty JobBaseDetails

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

{
  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 = {
    instanceCount = int
    instanceType = "string"
    properties = {
      {customized property} = ?
    }
  }
}

W przypadkupotoku użyj:

{
  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 = ?
}

W przypadkusweep użyj:

{
  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 = {
      instanceCount = int
      instanceType = "string"
      properties = {
        {customized property} = ?
      }
    }
  }
}

Wartości właściwości

AmlToken

Nazwa Opis Wartość
identityType [Wymagane] Określa typ struktury tożsamości. "AMLToken" (wymagane)

AutoForecastHorizon

Nazwa Opis Wartość
tryb [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. "Auto" (wymagane)

AutoMLJob

Nazwa Opis Wartość
environmentId Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.
Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.		 struna
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. AutoMLJobEnvironmentVariables
jobType [Wymagane] Określa typ zadania. "AutoML" (wymagane)
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. AutoMLJobOutputs
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration
taskDetails [Wymagane] Reprezentuje to scenariusz, który może być jednym z tabel/nlp/obrazu AutoMLVertical (wymagane)

AutoMLJobEnvironmentVariables

Nazwa Opis Wartość

AutoMLJobOutputs

Nazwa Opis Wartość

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
taskType Ustaw wartość "Classification" dla typu Classification. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Ustaw wartość "ImageClassification" dla typu ImageClassification. Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Ustaw wartość "ImageObjectDetection" dla typu ImageObjectDetection. Ustaw wartość "Regresja" dla typu Regresja. Ustaw wartość "TextClassification" dla typu TextClassification. Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer. "Klasyfikacja"
"Prognozowanie"
"ImageClassification"
"ImageClassificationMultilabel"
"ImageInstanceSegmentation"
"ImageObjectDetection"
"Regresja"
"TextClassification"
"TextClassificationMultilabel"
"TextNER" (wymagane)

AutoNCrossValidations

Nazwa Opis Wartość
tryb [Wymagane] Tryb określania poprawności N-Cross. "Auto" (wymagane)

Autoseasonity

Nazwa Opis Wartość
tryb [Wymagane] Tryb sezonowości. "Auto" (wymagane)

AutoTargetLags

Nazwa Opis Wartość
tryb [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe "Auto" (wymagane)

AutoTargetRollingWindowSize

Nazwa Opis Wartość
tryb [Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz). "Auto" (wymagane)

BanditPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "Bandit" (wymagany)
slackAmount Bezwzględna odległość dozwolona od najlepiej działającego przebiegu. Int
slackFactor Współczynnik dozwolonej odległości od najlepszego przebiegu. Int

BayesianSamplingAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Bayesian" (wymagane)

Klasyfikacja

Nazwa Opis Wartość
allowedModels Dozwolone modele dla zadania klasyfikacji. Tablica ciągów zawierająca dowolną z:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticsRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Zablokowane modele dla zadania klasyfikacji. Tablica ciągów zawierająca dowolną z:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticsRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Kolumnowyprzekształtnik

Nazwa Opis Wartość
Pola Pola do zastosowania logiki przekształcania. string[]
Parametry Różne właściwości, które mają być przekazywane do transformatora.
Oczekiwane dane wejściowe to słownik par klucz,wartość w formacie JSON.		 jakikolwiek

CommandJob

Nazwa Opis Wartość
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" struna

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_] (wymagane)
dystrybucja Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. DistributionConfiguration
environmentId [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. CommandJobEnvironmentVariables
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. CommandJobInputs
jobType [Wymagane] Określa typ zadania. "Polecenie" (wymagane)
Limity Limit zadań poleceń. CommandJobLimits
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. CommandJobOutputs
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration

CommandJobEnvironmentVariables

Nazwa Opis Wartość

CommandJobInputs

Nazwa Opis Wartość

CommandJobLimits

Nazwa Opis Wartość
jobLimitsType [Wymagane] Typ JobLimit. "Polecenie"
"Zamiatanie" (wymagane)
Limit czasu Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. struna

CommandJobOutputs

Nazwa Opis Wartość

CronSchedule

Nazwa Opis Wartość
wyrażenie [Wymagane] Określa wyrażenie cron harmonogramu.
Wyrażenie powinno być zgodne z formatem NCronTab.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
scheduleType [Wymagane] Określa typ harmonogramu "Cron" (wymagane)

CustomForecastHorizon

Nazwa Opis Wartość
tryb [Wymagane] Ustaw tryb wyboru wartości horyzontu prognozy. "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość horyzontu prognozy. int (wymagane)

CustomModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "CustomModel" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

CustomModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "CustomModel" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

CustomNCrossValidations

Nazwa Opis Wartość
tryb [Wymagane] Tryb określania poprawności N-Cross. "Niestandardowy" (wymagany)
wartość [Wymagane] N-Cross validations wartość. int (wymagane)

CustomSeasonality

Nazwa Opis Wartość
tryb [Wymagane] Tryb sezonowości. "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość sezonowości. int (wymagane)

CustomTargetLags

Nazwa Opis Wartość
tryb [Wymagane] Ustawianie trybu opóźnień docelowych — automatyczne/niestandardowe "Niestandardowy" (wymagany)
Wartości [Wymagane] Ustaw wartości opóźnień docelowych. int[] (wymagane)

CustomTargetRollingWindowSize

Nazwa Opis Wartość
tryb [Wymagane] TargetRollingWindowSiz detection mode (Tryb wykrywania TargetRollingWindowSiz). "Niestandardowy" (wymagany)
wartość [Wymagane] Wartość TargetRollingWindowSize. int (wymagane)

Rozkładkonfiguracja

Nazwa Opis Wartość
distributionType Ustaw wartość "Mpi" dla typu Mpi. Ustaw wartość "PyTorch" dla typu PyTorch. Ustaw wartość "TensorFlow" dla typu TensorFlow. "Mpi"
"PyTorch"
"TensorFlow" (wymagany)

EarlyTerminationPolicy

Nazwa Opis Wartość
delayEvaluation Liczba interwałów, według których należy opóźnić pierwszą ocenę. Int
evaluationInterval Interwał (liczba przebiegów) między ocenami zasad. Int
policyType Ustaw wartość "Bandit" dla typu BanditPolicy. Ustaw wartość "MedianStopping" dla typu MedianStoppingPolicy. Ustaw wartość "TruncationSelection" dla typu TruncationSelectionPolicy. "Bandit"
"MedianStopping"
"Obcięcie wyboru" (wymagane)

PrognozaHorizon

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoForecastHorizon. Ustaw wartość "Custom" dla typu CustomForecastHorizon. "Auto"
"Niestandardowy" (wymagany)

Prognozowanie

Nazwa Opis Wartość
allowedModels Dozwolone modele do zadania prognozowania. Tablica ciągów zawierająca dowolną z:
"Arimax"
"AutoArima"
"Średnia"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naiwny"
"Prorok"
"RandomForest"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"SGD"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Zablokowane modele do zadania prognozowania. Tablica ciągów zawierająca dowolną z:
"Arimax"
"AutoArima"
"Średnia"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naiwny"
"Prorok"
"RandomForest"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"SGD"
"TCNForecaster"
"XGBoostRegressor"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prognozowanie danych wejściowych specyficznych dla zadania. ForecastingSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania prognozowania. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Prognozowanie" (wymagane)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

PrognozowanieUstawienia

Nazwa Opis Wartość
countryOrRegionForHolidays Kraj lub region świąt na potrzeby prognozowania zadań.
Powinny to być dwuliterowe kody kraju/regionu ISO 3166, na przykład "USA" lub "GB".		 struna
cvStepSize Liczba krosek między godziną początkową jednego składania CV a następnym fałszem. Dla
na przykład jeśli CVStepSize = 3 dla danych dziennych, czas pochodzenia dla każdego składania będzie wynosić
trzy dni od siebie.		 Int
featureLags Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. "Auto"
"Brak"
forecastHorizon Żądany maksymalny horyzont prognozy w jednostkach częstotliwości szeregów czasowych. ForecastHorizon
częstotliwość Podczas prognozowania ten parametr reprezentuje okres, z którym jest wymagana prognoza, na przykład codziennie, co tydzień, co rok itp. Częstotliwość prognozowania to częstotliwość zestawów danych domyślnie. struna
Sezonowości Ustaw sezonowość szeregów czasowych jako liczbę całkowitą z częstotliwością serii.
Jeśli sezonowość jest ustawiona na wartość "auto", zostanie ona wywnioskowana.		 sezonowość
shortSeriesHandlingConfig Parametr definiujący sposób obsługi krótkich szeregów czasowych przez rozwiązanie AutoML. "Auto"
"Upuść"
"Brak"
"Pad"
targetAggregateFunction Funkcja używana do agregowania kolumny docelowej szeregów czasowych w celu zachowania zgodności z określoną częstotliwością użytkownika.
Jeśli parametr TargetAggregateFunction jest ustawiony, tj. nie "Brak", ale parametr freq nie jest ustawiony, zostanie zgłoszony błąd. Możliwe funkcje agregacji docelowej to: "sum", "max", "min" i "mean".		 "Max"
"Średnia"
"Min"
"Brak"
"Suma"
targetLags Liczba poprzednich okresów do opóźnienia z kolumny docelowej. TargetLags
targetRollingWindowSize Liczba poprzednich okresów użytych do utworzenia średniej okna kroczącego kolumny docelowej. TargetRollingWindowSize
timeColumnName Nazwa kolumny czasowej. Ten parametr jest wymagany podczas prognozowania w celu określenia kolumny datetime w danych wejściowych używanych do tworzenia szeregów czasowych i wnioskowania o jego częstotliwości. struna
timeSeriesIdColumnNames Nazwy kolumn używanych do grupowania czasowników. Może służyć do tworzenia wielu serii.
Jeśli ziarno nie jest zdefiniowane, zakłada się, że zestaw danych jest jednym szeregem czasowym. Ten parametr jest używany z prognozowaniem typu zadania.		 string[]
useStl Skonfiguruj dekompozycję STL kolumny docelowej szeregów czasowych. "Brak"
"Sezon"
"SeasonTrend"

GridSamplingAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Siatka" (wymagana)

IdentityConfiguration

Nazwa Opis Wartość
identityType Ustaw wartość "AMLToken" dla typu AmlToken. Ustaw wartość "Managed" dla typu ManagedIdentity. Ustaw wartość "UserIdentity" dla typu UserIdentity. "AMLToken"
"Zarządzane"
"UserIdentity" (wymagane)

ImageClassification

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)

ImageClassificationMultilabel

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassificationMultilabel" (wymagane)

ImageInstanceSegmentation

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsObjectDetection
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "MeanAveragePrecision"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageInstanceSegmentation" (wymagane)

ImageLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba współbieżnych iteracji rozwiązania AutoML. Int
maxTrials Maksymalna liczba iteracji rozwiązania AutoML. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna

ImageModelDistributionSettingsClassification

Nazwa Opis Wartość
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". struna
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
Rozproszonych Czy używać trenowania rozproszonego. struna
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. struna
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 struna
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 struna
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. struna
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. struna
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 struna
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 struna
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". struna
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". struna
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. struna
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. struna
Optymalizator Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw". struna
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. struna
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 struna
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. struna
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. struna
trainingCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. struna
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. struna
validationCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. struna
validationResizeSizeSize Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. struna
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. struna
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. struna
ważoneLoss Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania.
1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.		 struna

ImageModelDistributionSettingsObjectDetection

Nazwa Opis Wartość
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". struna
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
boxDetectionsPerImage Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
boxScoreThreshold Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż
BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].		 struna
Rozproszonych Czy używać trenowania rozproszonego. struna
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. struna
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 struna
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 struna
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. struna
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. struna
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 struna
imageSize Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą.
Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 struna
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". struna
maxSize Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
minSize Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
modelSize Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge".
Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
wieloskalowa Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%.
Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 struna
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". struna
nmsIouThreshold Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowy w zakresie [0, 1]. struna
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. struna
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. struna
Optymalizator Typ optymalizatora. Musi być albo "sgd", "adam" lub "adamw". struna
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. struna
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 struna
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. struna
tileGridSize Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być
Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tileOverlapRatio Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tilePredictionsNmsThreshold Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów.
Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1].
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".
NMS: brak maksymalnego pomijania		 struna
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. struna
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. struna
validationIouThreshold Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. struna
validationMetricType Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc". struna
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. struna
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. struna
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. struna

ImageModelSettingsClassification

Nazwa Opis Wartość
advancedSettings Ustawienia dla zaawansowanych scenariuszy. struna
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". Bool
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
checkpointDatasetId FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId.		 struna
checkpointFilename Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename.		 struna
checkpointFrequency Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. Int
checkpointRunId Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. struna
Rozproszonych Czy używać trenowania rozproszonego. Bool
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. Bool
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 Int
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 Int
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. Bool
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. Int
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 Int
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". "Brak"
"Krok"
"WarmupCosine"
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". Bool
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. Int
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. Int
Optymalizator Typ optymalizatora. "Adam"
"Adamw"
"Brak"
"Sgd"
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. Int
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 Int
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. Int
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. Int
trainingCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych trenowania. Musi być dodatnią liczbą całkowitą. Int
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. Int
validationCropSize Rozmiar przycinania obrazów wejściowy do sieci neuronowej dla zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. Int
validationResizeSizeSize Rozmiar obrazu, którego rozmiar należy zmienić przed przycięciem do zestawu danych weryfikacji. Musi być dodatnią liczbą całkowitą. Int
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. Int
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. Int
ważoneLoss Utrata wagi. Akceptowane wartości to 0 dla bez odchudzania.
1 dla odchudzania z sqrt. (class_weights). 2 dla odchudzania z class_weights. Musi mieć wartość 0 lub 1 lub 2.		 Int

ImageModelSettingsObjectDetection

Nazwa Opis Wartość
advancedSettings Ustawienia dla zaawansowanych scenariuszy. struna
amsGradient Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw". Bool
rozszerzenia Ustawienia dotyczące używania rozszerzeń. struna
beta1 Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
beta2 Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
boxDetectionsPerImage Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
boxScoreThreshold Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż
BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].		 Int
checkpointDatasetId FileDataset id dla wstępnie wytrenowanych punktów kontrolnych na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointFilename wraz z elementem CheckpointDatasetId.		 struna
checkpointFilename Wstępnie wytrenowana nazwa pliku punktu kontrolnego w plikuDataset na potrzeby trenowania przyrostowego.
Pamiętaj, aby przekazać wartość CheckpointDatasetId wraz z elementem CheckpointFilename.		 struna
checkpointFrequency Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. Int
checkpointRunId Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego. struna
Rozproszonych Czy używać trenowania rozproszonego. Bool
earlyStopping Włącz logikę wczesnego zatrzymywania podczas trenowania. Bool
earlyStoppingDelay Minimalna liczba epok lub ocen walidacji, które należy zaczekać przed ulepszeniem podstawowej metryki
jest śledzony pod kątem wczesnego zatrzymywania. Musi być dodatnią liczbą całkowitą.		 Int
earlyStoppingPatience Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed
przebieg zostanie zatrzymany. Musi być dodatnią liczbą całkowitą.		 Int
enableOnnxNormalization Włącz normalizację podczas eksportowania modelu ONNX. Bool
evaluationFrequency Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą. Int
gradientAccumulationKrok Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez
aktualizowanie wag modelu podczas gromadzenia gradientów tych kroków, a następnie przy użyciu
skumulowane gradienty do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.		 Int
imageSize Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą.
Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 Int
layersToFreeze Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą.
Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza
warstwy zamrażania0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegółowe informacje na temat blokowania warstwy, proszę
zobacz: /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Początkowa szybkość nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
learningRateScheduler Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". "Brak"
"Krok"
"WarmupCosine"
maxSize Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
minSize Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej.
Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
modelName Nazwa modelu do użycia na potrzeby trenowania.
Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację:
/azure/machine-learning/how-to-auto-train-image-models.		 struna
modelSize Rozmiar modelu. Musi być "mały", "średni", "duży" lub "xlarge".
Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar modelu jest zbyt duży.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 "ExtraLarge"
"Duży"
"Średni"
"Brak"
"Mały"
impet Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
wieloskalowa Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%.
Uwaga: przebieg trenowania może dostać się do funkcji CUDA OOM, jeśli nie ma wystarczającej ilości pamięci procesora GPU.
Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".		 Bool
nesterov Włącz nesterov, gdy optymalizator ma wartość "sgd". Bool
nmsIouThreshold Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
numberOfEpochs Liczba epok treningowych. Musi być dodatnią liczbą całkowitą. Int
numberOfWorkers Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą. Int
Optymalizator Typ optymalizatora. "Adam"
"Adamw"
"Brak"
"Sgd"
randomSeed Inicjator losowy, który ma być używany podczas korzystania z trenowania deterministycznego. Int
splitRatio Jeśli dane weryfikacji nie są zdefiniowane, określa współczynnik podziału dla dzielenia
trenowanie danych w podzestawach trenowania losowego i sprawdzania poprawności. Musi być zmiennoprzecinkowym w zakresie [0, 1].		 Int
stepLRGamma Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
stepLRStepSize Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą. Int
tileGridSize Rozmiar siatki do użycia do układania każdego obrazu. Uwaga: TileGridSize nie może być
Brak do włączenia małej logiki wykrywania obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 struna
tileOverlapRatio Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
tilePredictionsNmsThreshold Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazów.
Używany w walidacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1].
Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".		 Int
trainingBatchSize Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą. Int
validationBatchSize Sprawdzanie poprawności rozmiaru partii. Musi być dodatnią liczbą całkowitą. Int
validationIouThreshold Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Int
validationMetricType Metoda obliczeniowa metryki do użycia na potrzeby metryk walidacji. "Coco"
"CocoVoc"
"Brak"
"Voc"
warmupCosineLRCycles Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1]. Int
warmupCosineLRWarmupEpochs Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą. Int
weightDecay Wartość rozkładu masy, gdy optymalizator ma wartość "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1]. Int

ImageObjectDetection

Nazwa Opis Wartość
dataSettings [Wymagane] Kolekcja zarejestrowanych identyfikatorów tabelarycznego zestawu danych i innych ustawień danych wymaganych do trenowania i walidacji modeli. ImageVerticalDataSettings (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsObjectDetection
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "MeanAveragePrecision"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageObjectDetection" (wymagane)

ImageSweepLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba współbieżnych iteracji dla bazowego zadania zamiatania. Int
maxTrials Maksymalna liczba iteracji dla bazowego zadania zamiatania. Int

ImageSweepSettings

Nazwa Opis Wartość
earlyTermination Typ zasad wczesnego kończenia. EarlyTerminationPolicy
Limity [Wymagane] Ogranicz ustawienia dla zamiatania modeli i zamiatania hiperparametrów. ImageSweepLimitSettings (wymagane)
próbkowanieAlgorithm [Wymagane] Typ algorytmów próbkowania hiperparametrów. "Bayesian"
"Siatka"
"Losowe" (wymagane)

ImageVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Ustawienia zestawu danych weryfikacji. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Nazwa Opis Wartość
dane Tabela MLTable danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Szczegóły elementu JobBaseDetails

Nazwa Opis Wartość
computeId Identyfikator zasobu usługi ARM zasobu obliczeniowego. struna
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana zadania. struna
experimentName Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". struna
tożsamość Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null.
Wartość domyślna to AmlToken, jeśli ma wartość null.		 IdentityConfiguration
isArchived Czy zasób jest archiwizowany? Bool
jobType Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Ustaw wartość "Pipeline" dla typu PipelineJob. Ustaw wartość "Zamiatanie" dla typu SweepJob. "AutoML"
"Polecenie"
"Potok"
"Zamiatanie" (wymagane)
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
harmonogram Definicja harmonogramu zadania.
Jeśli harmonogram nie zostanie podany, zadanie zostanie uruchomione raz i natychmiast po przesłaniu.		 ScheduleBase
usługi Lista punktów zadań.
W przypadku zadań lokalnych punkt końcowy zadania będzie miał wartość punktu końcowego FileStreamObject.		 JobBaseServices
Tagi Słownik tagów. Tagi można dodawać, usuwać i aktualizować. ResourceBaseTags

JobBaseServices

Nazwa Opis Wartość

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustaw wartość "CustomModel" dla typu CustomModelJobInput. Ustaw wartość "Literał" dla typu LiterałJobInput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobInput. Ustaw wartość "MLTable" dla typu MLTableJobInput. Ustaw wartość "TritonModel" dla typu TritonModelJobInput. Ustaw wartość "UriFile" dla typu UriFileJobInput. Ustaw wartość "UriFolder" dla typu UriFolderJobInput. "CustomModel"
"Literał"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)

JobOutput

Nazwa Opis Wartość
opis Opis danych wyjściowych. struna
jobOutputType Ustaw wartość "CustomModel" dla typu CustomModelJobOutput. Ustaw wartość "MLFlowModel" dla typu MLFlowModelJobOutput. Ustaw wartość "MLTable" dla typu MLTableJobOutput. Ustaw wartość "TritonModel" dla typu TritonModelJobOutput. Ustaw wartość "UriFile" dla typu UriFileJobOutput. Ustaw wartość "UriFolder" dla typu UriFolderJobOutput. "CustomModel"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)

JobService

Nazwa Opis Wartość
punkt końcowy Adres URL punktu końcowego. struna
jobServiceType Typ punktu końcowego. struna
port Port dla punktu końcowego. Int
Właściwości Dodatkowe właściwości do ustawienia w punkcie końcowym. JobServiceProperties

Właściwości usługi zadań

Nazwa Opis Wartość

LiterałJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "Literał" (wymagany)
wartość [Wymagane] Wartość literału dla danych wejściowych. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

Identyfikator zarządzany

Nazwa Opis Wartość
clientId Określa tożsamość przypisaną przez użytkownika według identyfikatora klienta. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

Ograniczenia:
Minimalna długość = 36
Maksymalna długość = 36
Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identityType [Wymagane] Określa typ struktury tożsamości. "Zarządzane" (wymagane)
objectId Określa tożsamość przypisaną przez użytkownika według identyfikatora obiektu. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

Ograniczenia:
Minimalna długość = 36
Maksymalna długość = 36
Wzorzec = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Określa tożsamość przypisaną przez użytkownika według identyfikatora zasobu usługi ARM. W przypadku przypisanego przez system pola nie należy ustawiać tego pola. struna

MedianStoppingPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "MedianStopping" (wymagane)

Microsoft.MachineLearningServices/workspaces/jobs

Nazwa Opis Wartość
nazwa Nazwa zasobu struna

Ograniczenia:
Wzorzec = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (wymagane)
parent_id Identyfikator zasobu, który jest elementem nadrzędnym dla tego zasobu. Identyfikator zasobu typu: obszarów roboczych
Właściwości [Wymagane] Dodatkowe atrybuty jednostki. JobBaseDetails (wymagane)
typ Typ zasobu "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"

MLFlowModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "MLFlowModel" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLFlowModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "MLFlowModel" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

MLTableJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "MLTable" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "CustomModel"
"Literał"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

MLTableJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "MLTable" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

Mpi

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "Mpi" (wymagane)
processCountPerInstance Liczba procesów na węzeł MPI. Int

NCrossValidations

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoNCrossValidations. Ustaw wartość "Custom" dla typu CustomNCrossValidations. "Auto"
"Niestandardowy" (wymagany)

NlpVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Dane wejściowe danych walidacji. NlpVerticalValidationDataSettings

NlpVerticalFeaturizationSettings

Nazwa Opis Wartość
datasetLanguage Język zestawu danych przydatny dla danych tekstowych. struna

NlpVerticalLimitSettings

Nazwa Opis Wartość
maxConcurrentTrials Maksymalna liczba iteracji automl współbieżnych. Int
maxTrials Liczba iteracji rozwiązania AutoML. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna

NlpVerticalValidationDataSettings

Nazwa Opis Wartość
dane Tabela MLTable danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Cel

Nazwa Opis Wartość
cel [Wymagane] Definiuje obsługiwane cele metryk na potrzeby dostrajania hiperparametrów "Maksymalizuj"
"Minimalizuj" (wymagane)
primaryMetric [Wymagane] Nazwa metryki do optymalizacji. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

PotokJob

Nazwa Opis Wartość
Wejścia Dane wejściowe zadania potoku. PipelineJobInputs
Zadania Zadania skonstruować zadanie potoku. PipelineJobJobs
jobType [Wymagane] Określa typ zadania. "Potok" (wymagany)
Wyjść Dane wyjściowe zadania potoku PipelineJobOutputs
Ustawienia Ustawienia potoku, np. ContinueRunOnStepFailure itp. jakikolwiek

PipelineJobInputs

Nazwa Opis Wartość

PipelineJobJobs

Nazwa Opis Wartość

PipelineJobOutputs

Nazwa Opis Wartość

PyTorch

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "PyTorch" (wymagane)
processCountPerInstance Liczba procesów na węzeł. Int

RandomSamplingAlgorithm

Nazwa Opis Wartość
reguła Określony typ algorytmu losowego "Losowe"
"Sobol"
samplingAlgorithmType [Wymagane] Algorytm używany do generowania wartości hiperparametrów wraz z właściwościami konfiguracji "Losowe" (wymagane)
nasienie Opcjonalna liczba całkowita do użycia jako inicjator generowania liczb losowych Int

Cyklwpattern

Nazwa Opis Wartość
Godzin [Wymagane] Lista godzin wzorca harmonogramu cyklu int[] (wymagane)
protokół [Wymagane] Lista minut wzorca harmonogramu cyklu int[] (wymagane)
Dni powszednie Lista dni roboczych dla wzorca harmonogramu cyklu Tablica ciągów zawierająca dowolną z:
"Piątek"
"Poniedziałek"
"Sobota"
"Niedziela"
"Czwartek"
"Wtorek"
"Środa"

CyklSchedule

Nazwa Opis Wartość
częstotliwość [Wymagane] Określa częstotliwość wyzwalania harmonogramu "Dzień"
"Godzina"
"Minuta"
"Miesiąc"
"Tydzień" (wymagany)
interwał [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością int (wymagane)
deseń Określa wzorzec harmonogramu cyklu RecurrencePattern
scheduleType [Wymagane] Określa typ harmonogramu "Cykl" (wymagany)

Regresja

Nazwa Opis Wartość
allowedModels Dozwolone modele dla zadania regresji. Tablica ciągów zawierająca dowolną z:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Zablokowane modele dla zadania regresji. Tablica ciągów zawierająca dowolną z:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataSettings Dane wejściowe dla zadania AutoMLJob. TableVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. TableVerticalLimitSettings
primaryMetric Podstawowa metryka zadania regresji. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Regresja" (wymagana)
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Właściwości bazy danych ResourceBase

Nazwa Opis Wartość

ResourceBaseTags

Nazwa Opis Wartość

Konfiguracja zasobów

Nazwa Opis Wartość
instanceCount Opcjonalna liczba wystąpień lub węzłów używanych przez docelowy obiekt obliczeniowy. Int
instanceType Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. struna
Właściwości Dodatkowa torba właściwości. ResourceConfigurationProperties

ResourceConfigurationProperties

Nazwa Opis Wartość

PróbkowanieAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType Ustaw wartość "Bayesian" dla typu BayesianSamplingAlgorithm. Ustaw wartość "Grid" dla typu GridSamplingAlgorithm. Ustaw wartość "Random" dla typu RandomSamplingAlgorithm. "Bayesian"
"Siatka"
"Losowe" (wymagane)

ScheduleBase

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w formacie ISO 8601.
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
scheduleStatus Określa stan harmonogramu "Wyłączone"
"Włączone"
scheduleType Ustaw wartość "Cron" dla typu CronSchedule. Ustaw wartość "Cykl" dla typu RecurrenceSchedule. "Cron"
"Cykl" (wymagany)
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows.		 struna

Sezonowości

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoSeasonality. Ustaw wartość "Custom" dla typu CustomSeasonality. "Auto"
"Niestandardowy" (wymagany)

StackEnsembleSettings

Nazwa Opis Wartość
stackMetaLearnerKWargs Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. jakikolwiek
stackMetaLearnerTrainPercentage Określa proporcję zestawu treningowego (podczas wybierania typu trenowania i sprawdzania poprawności trenowania) do zastrzelenia na potrzeby trenowania metauczeń. Wartość domyślna to 0,2. Int
stackMetaLearnerType Metauczeń to model trenowany na podstawie danych wyjściowych poszczególnych modeli heterogenicznych. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticsRegression"
"LogisticsRegressionCV"
"Brak"

Zamiatanie

Nazwa Opis Wartość
earlyTermination Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem EarlyTerminationPolicy
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. SweepJobInputs
jobType [Wymagane] Określa typ zadania. "Zamiatanie" (wymagane)
Limity Limit zadań zamiatania. SweepJobLimits
cel [Wymagane] Cel optymalizacji. objective (wymagane)
Wyjść Mapowanie powiązań danych wyjściowych używanych w zadaniu. SweepJobOutputs
próbkowanieAlgorithm [Wymagane] Algorytm próbkowania hiperparametrów PróbkowanieAlgorithm (wymagane)
searchSpace [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru dowolna (wymagana)
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość

SweepJobLimits

Nazwa Opis Wartość
jobLimitsType [Wymagane] Typ JobLimit. "Polecenie"
"Zamiatanie" (wymagane)
maxConcurrentTrials Maksymalna liczba współbieżnych wersji próbnych zadania zamiatania. Int
maxTotalTrials Zamiatanie zadania — maksymalna łączna liczba prób. Int
Limit czasu Maksymalny czas trwania przebiegu w formacie ISO 8601, po którym zadanie zostanie anulowane. Obsługuje tylko czas trwania z dokładnością do sekund. struna
trialTimeout Zamiatanie wartości limitu czasu wersji próbnej zadania. struna

SweepJobOutputs

Nazwa Opis Wartość

TableVerticalDataSettings

Nazwa Opis Wartość
targetColumnName [Wymagane] Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
testData Testowanie danych wejściowych. TestDataSettings
trainingData [Wymagane] Dane wejściowe danych treningowych. TrainingDataSettings (wymagane)
validationData Dane wejściowe danych walidacji. TableVerticalValidationDataSettings
weightColumnName Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. struna

TableVerticalFeaturizationSettings

Nazwa Opis Wartość
blockedTransformers Transformatory te nie są stosowane w cechowaniu. string[]
columnNameAndTypes Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Język zestawu danych przydatny dla danych tekstowych. struna
dropColumns Kolumny, które mają zostać porzucone z danych podczas cechowania. string[]
enableDnnFeaturization Określa, czy używać cech opartych na Dnn do cechowania danych. Bool
tryb Tryb cechowania — użytkownik może zachować domyślny tryb "Auto", a rozwiązanie AutoML zajmie się niezbędnym przekształceniem danych w fazie cechowania.
Jeśli wybrano opcję "Wyłączone", nie jest wykonywana cechowanie.
Jeśli wybrano opcję "Niestandardowy", użytkownik może określić dodatkowe dane wejściowe, aby dostosować sposób wykonywania cechowania.		 "Auto"
"Niestandardowy"
"Wyłączone"
transformerParams Użytkownik może określić dodatkowe transformatory, które mają być używane wraz z kolumnami, do których ma zostać zastosowany, oraz parametry konstruktora transformatora. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nazwa Opis Wartość

TableVerticalFeaturizationSettingsTransformerParams

Nazwa Opis Wartość

TableVerticalLimitSettings

Nazwa Opis Wartość
enableEarlyTermination Włącz wczesne zakończenie, określa, czy funkcja AutoMLJob zakończy się wcześnie, jeśli w ciągu ostatnich 20 iteracji nie będzie poprawa oceny. Bool
exitScore Wynik zakończenia zadania rozwiązania AutoML. Int
maxConcurrentTrials Maksymalna liczba iteracji współbieżnych. Int
maxCoresPerTrial Maksymalna liczba rdzeni na iterację. Int
maxTrials Liczba iteracji. Int
Limit czasu Limit czasu zadania automatycznego uczenia maszynowego. struna
trialTimeout Limit czasu iteracji. struna

TableVerticalValidationDataSettings

Nazwa Opis Wartość
cvSplitColumnNames Kolumny do użycia dla danych CVSplit. string[]
dane Tabela MLTable danych walidacji. MLTableJobInput
nCrossValidations Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych
jeśli zestaw danych sprawdzania poprawności nie jest podany.		 NCrossValidations
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Opóźnienie docelowe

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoTargetLags. Ustaw wartość "Custom" dla typu CustomTargetLags. "Auto"
"Niestandardowy" (wymagany)

TargetRollingWindowSize

Nazwa Opis Wartość
tryb Ustaw wartość "Auto" dla typu AutoTargetRollingWindowSize. Ustaw wartość "Custom" dla typu CustomTargetRollingWindowSize. "Auto"
"Niestandardowy" (wymagany)

TensorFlow

Nazwa Opis Wartość
distributionType [Wymagane] Określa typ struktury dystrybucji. "TensorFlow" (wymagany)
parametrServerCount Liczba zadań serwera parametrów. Int
workerCount Liczba procesów roboczych. Jeśli nie zostanie określony, wartość domyślna to liczba wystąpień. Int

TestDataSettings

Nazwa Opis Wartość
dane Testowanie danych MLTable. MLTableJobInput
testDataSize Ułamek zestawu danych testowych, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.		 Int

Klasyfikacja tekstu

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
primaryMetric Podstawowa metryka dla zadania Text-Classification. "Dokładność"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassification" (wymagane)

TextClassificationMultilabel

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassificationMultilabel" (wymagane)

TextNer

Nazwa Opis Wartość
dataSettings Dane wejściowe dla zadania AutoMLJob. NlpVerticalDataSettings
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. NlpVerticalFeaturizationSettings
limitSettings Ograniczenia wykonywania dla zadania AutoMLJob. NlpVerticalLimitSettings
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextNER" (wymagane)

TrainingDataSettings

Nazwa Opis Wartość
dane [Wymagane] Trenowanie danych MLTable. MLTableJobInput (wymagane)

TrainingSettings

Nazwa Opis Wartość
enableDnnTraining Włącz zalecenie dotyczące modeli sieci rozproszonej. Bool
enableModelExplainability Flaga włączania możliwości objaśnienia dla najlepszego modelu. Bool
enableOnnxCompatibleModels Flaga włączania modeli zgodnych z programem onnx. Bool
enableStackEnsemble Włącz uruchamianie zespołu stosu. Bool
enableVoteEnsemble Włącz uruchamianie zespołu do głosowania. Bool
ensembleModelDownloadTimeout Podczas generowania modeli VotingEnsemble i StackEnsemble pobierane są wiele dopasowanych modeli z poprzednich przebiegów podrzędnych.
Skonfiguruj ten parametr z wyższą wartością niż 300 sekund, jeśli jest potrzebny więcej czasu.		 struna
stackEnsembleSettings Ustawienia zespołu stosu dla przebiegu zespołu stosu. StackEnsembleSettings

Wersja próbnaComponent

Nazwa Opis Wartość
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" struna

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_] (wymagane)
dystrybucja Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. DistributionConfiguration
environmentId [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. TrialComponentEnvironmentVariables
zasoby Konfiguracja zasobów obliczeniowych dla zadania. ResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa Opis Wartość

TritonModelJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "TritonModel" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

TritonModelJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "TritonModel" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

ObcięcieselectionPolicy

Nazwa Opis Wartość
policyType [Wymagane] Nazwa konfiguracji zasad "Obcięcie wyboru" (wymagane)
obcięciepercentage Procent przebiegów do anulowania w każdym interwale oceny. Int

UriFileJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "UriFile" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFileJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "UriFile" (wymagane)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

UriFolderJobInput

Nazwa Opis Wartość
jobInputType [Wymagane] Określa typ zadania. "UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. struna

Ograniczenia:
Wzorzec = [a-zA-Z0-9_] (wymagane)

UriFolderJobOutput

Nazwa Opis Wartość
jobOutputType [Wymagane] Określa typ zadania. "UriFolder" (wymagany)
tryb Tryb dostarczania zasobów wyjściowych. "ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

Identyfikator użytkownika

Nazwa Opis Wartość
identityType [Wymagane] Określa typ struktury tożsamości. "UserIdentity" (wymagane)