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' = {
  name: 'string'
  parent: resourceSymbolicName
  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: {}
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

Obiekty JobBaseDetails

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

  jobType: 'Command'
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  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()
    }
  }

W przypadkupotoku użyj:

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

W przypadkusweep użyj:

  jobType: 'Sweep'
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  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()
  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()
      }
    }
  }

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

  identityType: 'AMLToken'

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

  identityType: 'UserIdentity'

Obiekty ScheduleBase

Ustaw właściwość scheduleType, aby określić typ obiektu.

W przypadku Cronużyj:

  scheduleType: 'Cron'
  expression: 'string'

W przypadkucyklu użyj:

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

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 autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

  taskType: 'Classification'
  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()
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }

W przypadku prognozowanieużyj:

  taskType: 'Forecasting'
  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()
        }
      ]
    }
  }
  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'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }

W przypadku ImageClassificationużyj:

  taskType: 'ImageClassification'
  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'
  }

W przypadku ImageClassificationMultilabelużyj:

  taskType: 'ImageClassificationMultilabel'
  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'
  }

W przypadku ImageInstanceSegmentationużyj:

  taskType: 'ImageInstanceSegmentation'
  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: 'MeanAveragePrecision'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      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'
  }

W przypadku ImageObjectDetectionużyj:

  taskType: 'ImageObjectDetection'
  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: 'MeanAveragePrecision'
  searchSpace: [
    {
      amsGradient: 'string'
      augmentations: 'string'
      beta1: 'string'
      beta2: 'string'
      boxDetectionsPerImage: 'string'
      boxScoreThreshold: 'string'
      distributed: 'string'
      earlyStopping: 'string'
      earlyStoppingDelay: 'string'
      earlyStoppingPatience: 'string'
      enableOnnxNormalization: 'string'
      evaluationFrequency: 'string'
      gradientAccumulationStep: 'string'
      imageSize: 'string'
      layersToFreeze: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      maxSize: 'string'
      minSize: 'string'
      modelName: 'string'
      modelSize: 'string'
      momentum: 'string'
      multiScale: 'string'
      nesterov: 'string'
      nmsIouThreshold: 'string'
      numberOfEpochs: 'string'
      numberOfWorkers: 'string'
      optimizer: 'string'
      randomSeed: 'string'
      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'
  }

W przypadku regresjiużyj:

  taskType: 'Regression'
  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()
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  trainingSettings: {
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }

W przypadku TextClassificationużyj:

  taskType: 'TextClassification'
  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'

W przypadku TextClassificationMultilabelużyj:

  taskType: 'TextClassificationMultilabel'
  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'
  }

W przypadkuTextNER użyj:

  taskType: 'TextNER'
  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'
  }

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty ForecastHorizon

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 TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  values: [
    int
  ]

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

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 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'

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

  samplingAlgorithmType: 'Bayesian'

W przypadku usługi Gridużyj:

  samplingAlgorithmType: 'Grid'

W przypadku losowychużyj:

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

Wartości właściwości

obszary robocze/zadania

Nazwa Opis Wartość
nazwa Nazwa zasobu

Zobacz, jak ustawić nazwy i typy dla zasobów podrzędnych w Bicep.		 ciąg (wymagany)
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)

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
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. sprzeciwiać się
jobType Ustawianie typu obiektu automl
poleceń
potoku
zamiatania (wymagane)

IdentityConfiguration

Nazwa Opis Wartość
identityType Ustawianie typu obiektu AMLToken
zarządzane
userIdentity (wymagane)

AmlToken

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

Identyfikator zarządzany

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

Identyfikator użytkownika

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

Właściwości bazy danych ResourceBase

Nazwa Opis Wartość
{niestandardowa właściwość} struna

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"
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
scheduleType Ustawianie typu obiektu Cron
cyklu (wymagane)

CronSchedule

Nazwa Opis Wartość
scheduleType [Wymagane] Określa typ harmonogramu "Cron" (wymagane)
wyrażenie [Wymagane] Określa wyrażenie cron harmonogramu.
Wyrażenie powinno być zgodne z formatem NCronTab.		 ciąg (wymagany)

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

CyklSchedule

Nazwa Opis Wartość
scheduleType [Wymagane] Określa typ harmonogramu "Cykl" (wymagany)
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

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"

JobBaseServices

Nazwa Opis Wartość
{niestandardowa właściwość} JobService

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
{niestandardowa właściwość} struna

AutoMLJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "AutoML" (wymagane)
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
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
{niestandardowa właściwość} struna

AutoMLJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

JobOutput

Nazwa Opis Wartość
opis Opis danych wyjściowych. struna
jobOutputType Ustawianie typu obiektu CustomModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (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

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

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

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

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

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

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
{niestandardowa właściwość} W przypadku Bicep można użyć funkcji any().

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
taskType Ustawianie typu obiektu Klasyfikacja
prognozowanie
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
regresji
TextClassification
TextClassificationMultilabel
TextNER (wymagane)

Klasyfikacja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
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. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

TableVerticalDataSettings

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

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

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

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. ciąg (wymagany)

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

TrainingDataSettings

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

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

NCrossValidations

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoNCrossValidations

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

CustomNCrossValidations

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

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
{niestandardowa właściwość} struna

TableVerticalFeaturizationSettingsTransformerParams

Nazwa Opis Wartość
{niestandardowa właściwość} ColumnTransformer[]

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.
 W przypadku Bicep można użyć funkcji any().

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

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

StackEnsembleSettings

Nazwa Opis Wartość
stackMetaLearnerKWargs Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń. W przypadku Bicep można użyć funkcji any().
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"

Prognozowanie

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Prognozowanie" (wymagane)
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"
"SGD"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"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"
"SGD"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"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"
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"

PrognozaHorizon

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoForecastHorizon

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

CustomForecastHorizon

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

Sezonowości

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

Autoseasonity

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

CustomSeasonality

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

Opóźnienie docelowe

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoTargetLags

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

CustomTargetLags

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

TargetRollingWindowSize

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoTargetRollingWindowSize

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

CustomTargetRollingWindowSize

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

ImageClassification

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)
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. "AUCWeighted"
"Dokładność"
"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

ImageVerticalDataSettings

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

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

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

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

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

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)

EarlyTerminationPolicy

Nazwa Opis Wartość
delayEvaluation Liczba interwałów, według których należy opóźnić pierwszą ocenę. Int
evaluationInterval Interwał (liczba przebiegów) między ocenami zasad. Int
policyType Ustawianie typu obiektu Bandit
MedianStopping
TruncationSelection (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

MedianStoppingPolicy

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

ObcięcieselectionPolicy

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

ImageSweepLimitSettings

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

ImageClassificationMultilabel

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassificationMultilabel" (wymagane)
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. "AUCWeighted"
"Dokładność"
"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

ImageInstanceSegmentation

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageInstanceSegmentation" (wymagane)
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

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

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

ImageObjectDetection

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageObjectDetection" (wymagane)
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

Regresja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Regresja" (wymagana)
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"
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Klasyfikacja tekstu

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassification" (wymagane)
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. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

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

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

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

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

TextClassificationMultilabel

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

TextNer

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

CommandJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "Polecenie" (wymagane)
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
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. ciąg (wymagany)

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

Rozkładkonfiguracja

Nazwa Opis Wartość
distributionType Ustawianie typu obiektu Mpi
PyTorch
TensorFlow (wymagane)

Mpi

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

PyTorch

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

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

CommandJobEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CommandJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustawianie typu obiektu CustomModel
literału
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (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. ciąg (wymagany)

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

LiterałJobInput

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

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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
{niestandardowa właściwość} JobOutput

PotokJob

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

PipelineJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

PipelineJobJobs

Nazwa Opis Wartość
{niestandardowa właściwość} W przypadku Bicep można użyć funkcji any().

PipelineJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

Zamiatanie

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "Zamiatanie" (wymagane)
earlyTermination Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem EarlyTerminationPolicy
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. SweepJobInputs
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 W przypadku Bicep można użyć funkcji any(). (wymagane)
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

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

Cel

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

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

SweepJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

PróbkowanieAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType Ustawianie typu obiektu Bayesian
Grid
losowe (wymagane)

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

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" ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
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. ciąg (wymagany)

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

TrialComponentEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

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

wdrażanie w usłudze Azure		 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": {},
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

Obiekty JobBaseDetails

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

  "jobType": "AutoML",
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "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:

  "jobType": "Command",
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "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:

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

W przypadkusweep użyj:

  "jobType": "Sweep",
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "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}": {}
      }
    }
  }

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

  "identityType": "AMLToken"

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

  "identityType": "UserIdentity"

Obiekty ScheduleBase

Ustaw właściwość scheduleType, aby określić typ obiektu.

W przypadku Cronużyj:

  "scheduleType": "Cron",
  "expression": "string"

W przypadkucyklu użyj:

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

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 autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

  "taskType": "Classification",
  "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",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }

W przypadku prognozowanieużyj:

  "taskType": "Forecasting",
  "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",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }

W przypadku ImageClassificationużyj:

  "taskType": "ImageClassification",
  "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"
  }

W przypadku ImageClassificationMultilabelużyj:

  "taskType": "ImageClassificationMultilabel",
  "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"
  }

W przypadku ImageInstanceSegmentationużyj:

  "taskType": "ImageInstanceSegmentation",
  "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": "MeanAveragePrecision",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "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"
  }

W przypadku ImageObjectDetectionużyj:

  "taskType": "ImageObjectDetection",
  "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": "MeanAveragePrecision",
  "searchSpace": [
    {
      "amsGradient": "string",
      "augmentations": "string",
      "beta1": "string",
      "beta2": "string",
      "boxDetectionsPerImage": "string",
      "boxScoreThreshold": "string",
      "distributed": "string",
      "earlyStopping": "string",
      "earlyStoppingDelay": "string",
      "earlyStoppingPatience": "string",
      "enableOnnxNormalization": "string",
      "evaluationFrequency": "string",
      "gradientAccumulationStep": "string",
      "imageSize": "string",
      "layersToFreeze": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "maxSize": "string",
      "minSize": "string",
      "modelName": "string",
      "modelSize": "string",
      "momentum": "string",
      "multiScale": "string",
      "nesterov": "string",
      "nmsIouThreshold": "string",
      "numberOfEpochs": "string",
      "numberOfWorkers": "string",
      "optimizer": "string",
      "randomSeed": "string",
      "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"
  }

W przypadku regresjiużyj:

  "taskType": "Regression",
  "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",
  "trainingSettings": {
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  }

W przypadku TextClassificationużyj:

  "taskType": "TextClassification",
  "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"

W przypadku TextClassificationMultilabelużyj:

  "taskType": "TextClassificationMultilabel",
  "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"
  }

W przypadkuTextNER użyj:

  "taskType": "TextNER",
  "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"
  }

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty ForecastHorizon

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 TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

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 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"

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

  "samplingAlgorithmType": "Bayesian"

W przypadku usługi Gridużyj:

  "samplingAlgorithmType": "Grid"

W przypadku losowychużyj:

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

Wartości właściwości

obszary robocze/zadania

Nazwa Opis Wartość
typ Typ zasobu "Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion Wersja interfejsu API zasobów "2022-02-01-preview"
nazwa Nazwa zasobu

Zobacz, jak ustawiać nazwy i typy dla zasobów podrzędnych w szablonach usługi ARM JSON.		 ciąg (wymagany)
Właściwości [Wymagane] Dodatkowe atrybuty jednostki. JobBaseDetails (wymagane)

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
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. sprzeciwiać się
jobType Ustawianie typu obiektu automl
poleceń
potoku
zamiatania (wymagane)

IdentityConfiguration

Nazwa Opis Wartość
identityType Ustawianie typu obiektu AMLToken
zarządzane
userIdentity (wymagane)

AmlToken

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

Identyfikator zarządzany

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

Identyfikator użytkownika

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

Właściwości bazy danych ResourceBase

Nazwa Opis Wartość
{niestandardowa właściwość} struna

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"
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
scheduleType Ustawianie typu obiektu Cron
cyklu (wymagane)

CronSchedule

Nazwa Opis Wartość
scheduleType [Wymagane] Określa typ harmonogramu "Cron" (wymagane)
wyrażenie [Wymagane] Określa wyrażenie cron harmonogramu.
Wyrażenie powinno być zgodne z formatem NCronTab.		 ciąg (wymagany)

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

CyklSchedule

Nazwa Opis Wartość
scheduleType [Wymagane] Określa typ harmonogramu "Cykl" (wymagany)
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

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"

JobBaseServices

Nazwa Opis Wartość
{niestandardowa właściwość} JobService

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
{niestandardowa właściwość} struna

AutoMLJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "AutoML" (wymagane)
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
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
{niestandardowa właściwość} struna

AutoMLJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

JobOutput

Nazwa Opis Wartość
opis Opis danych wyjściowych. struna
jobOutputType Ustawianie typu obiektu CustomModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (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

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

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

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

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

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

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
{niestandardowa właściwość}

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
taskType Ustawianie typu obiektu Klasyfikacja
prognozowanie
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
regresji
TextClassification
TextClassificationMultilabel
TextNER (wymagane)

Klasyfikacja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
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. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

TableVerticalDataSettings

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

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

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

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. ciąg (wymagany)

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

TrainingDataSettings

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

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

NCrossValidations

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoNCrossValidations

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

CustomNCrossValidations

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

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
{niestandardowa właściwość} struna

TableVerticalFeaturizationSettingsTransformerParams

Nazwa Opis Wartość
{niestandardowa właściwość} ColumnTransformer[]

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.

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

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

StackEnsembleSettings

Nazwa Opis Wartość
stackMetaLearnerKWargs Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń.
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"

Prognozowanie

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Prognozowanie" (wymagane)
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"
"SGD"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"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"
"SGD"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"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"
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"

PrognozaHorizon

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoForecastHorizon

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

CustomForecastHorizon

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

Sezonowości

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

Autoseasonity

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

CustomSeasonality

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

Opóźnienie docelowe

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoTargetLags

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

CustomTargetLags

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

TargetRollingWindowSize

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoTargetRollingWindowSize

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

CustomTargetRollingWindowSize

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

ImageClassification

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)
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. "AUCWeighted"
"Dokładność"
"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

ImageVerticalDataSettings

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

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

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

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

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

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)

EarlyTerminationPolicy

Nazwa Opis Wartość
delayEvaluation Liczba interwałów, według których należy opóźnić pierwszą ocenę. Int
evaluationInterval Interwał (liczba przebiegów) między ocenami zasad. Int
policyType Ustawianie typu obiektu Bandit
MedianStopping
TruncationSelection (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

MedianStoppingPolicy

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

ObcięcieselectionPolicy

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

ImageSweepLimitSettings

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

ImageClassificationMultilabel

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassificationMultilabel" (wymagane)
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. "AUCWeighted"
"Dokładność"
"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

ImageInstanceSegmentation

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageInstanceSegmentation" (wymagane)
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

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

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

ImageObjectDetection

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageObjectDetection" (wymagane)
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

Regresja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Regresja" (wymagana)
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"
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Klasyfikacja tekstu

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassification" (wymagane)
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. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

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

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

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

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

TextClassificationMultilabel

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

TextNer

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

CommandJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "Polecenie" (wymagane)
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
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. ciąg (wymagany)

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

Rozkładkonfiguracja

Nazwa Opis Wartość
distributionType Ustawianie typu obiektu Mpi
PyTorch
TensorFlow (wymagane)

Mpi

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

PyTorch

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

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

CommandJobEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CommandJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustawianie typu obiektu CustomModel
literału
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (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. ciąg (wymagany)

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

LiterałJobInput

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

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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
{niestandardowa właściwość} JobOutput

PotokJob

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

PipelineJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

PipelineJobJobs

Nazwa Opis Wartość
{niestandardowa właściwość}

PipelineJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

Zamiatanie

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "Zamiatanie" (wymagane)
earlyTermination Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem EarlyTerminationPolicy
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. SweepJobInputs
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
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

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

Cel

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

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

SweepJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

PróbkowanieAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType Ustawianie typu obiektu Bayesian
Grid
losowe (wymagane)

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

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" ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
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. ciąg (wymagany)

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

TrialComponentEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

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

wdrażanie w usłudze 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"
  parent_id = "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 = {}
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

Obiekty JobBaseDetails

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

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

W przypadkupotoku użyj:

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

W przypadkusweep użyj:

  jobType = "Sweep"
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  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
  }
  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 = {}
    }
  }

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

  identityType = "AMLToken"

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

  identityType = "UserIdentity"

Obiekty ScheduleBase

Ustaw właściwość scheduleType, aby określić typ obiektu.

W przypadku Cronużyj:

  scheduleType = "Cron"
  expression = "string"

W przypadkucyklu użyj:

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

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 autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

  taskType = "Classification"
  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"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }

W przypadku prognozowanieużyj:

  taskType = "Forecasting"
  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"
          ]
        }
      ]
    }
  }
  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"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }

W przypadku ImageClassificationużyj:

  taskType = "ImageClassification"
  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"
  }

W przypadku ImageClassificationMultilabelużyj:

  taskType = "ImageClassificationMultilabel"
  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"
  }

W przypadku ImageInstanceSegmentationużyj:

  taskType = "ImageInstanceSegmentation"
  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 = "MeanAveragePrecision"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      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"
  }

W przypadku ImageObjectDetectionużyj:

  taskType = "ImageObjectDetection"
  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 = "MeanAveragePrecision"
  searchSpace = [
    {
      amsGradient = "string"
      augmentations = "string"
      beta1 = "string"
      beta2 = "string"
      boxDetectionsPerImage = "string"
      boxScoreThreshold = "string"
      distributed = "string"
      earlyStopping = "string"
      earlyStoppingDelay = "string"
      earlyStoppingPatience = "string"
      enableOnnxNormalization = "string"
      evaluationFrequency = "string"
      gradientAccumulationStep = "string"
      imageSize = "string"
      layersToFreeze = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      maxSize = "string"
      minSize = "string"
      modelName = "string"
      modelSize = "string"
      momentum = "string"
      multiScale = "string"
      nesterov = "string"
      nmsIouThreshold = "string"
      numberOfEpochs = "string"
      numberOfWorkers = "string"
      optimizer = "string"
      randomSeed = "string"
      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"
  }

W przypadku regresjiużyj:

  taskType = "Regression"
  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"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  trainingSettings = {
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }

W przypadku TextClassificationużyj:

  taskType = "TextClassification"
  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"

W przypadku TextClassificationMultilabelużyj:

  taskType = "TextClassificationMultilabel"
  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"
  }

W przypadkuTextNER użyj:

  taskType = "TextNER"
  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"
  }

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty ForecastHorizon

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 TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  values = [
    int
  ]

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

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 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"

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

  samplingAlgorithmType = "Bayesian"

W przypadku usługi Gridużyj:

  samplingAlgorithmType = "Grid"

W przypadku losowychużyj:

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

Wartości właściwości

obszary robocze/zadania

Nazwa Opis Wartość
typ Typ zasobu "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
nazwa Nazwa zasobu ciąg (wymagany)
parent_id Identyfikator zasobu, który jest elementem nadrzędnym dla tego zasobu. Identyfikator zasobu typu: obszarów roboczych
Właściwości [Wymagane] Dodatkowe atrybuty jednostki. JobBaseDetails (wymagane)

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
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. sprzeciwiać się
jobType Ustawianie typu obiektu automl
poleceń
potoku
zamiatania (wymagane)

IdentityConfiguration

Nazwa Opis Wartość
identityType Ustawianie typu obiektu AMLToken
zarządzane
userIdentity (wymagane)

AmlToken

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

Identyfikator zarządzany

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

Identyfikator użytkownika

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

Właściwości bazy danych ResourceBase

Nazwa Opis Wartość
{niestandardowa właściwość} struna

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"
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
scheduleType Ustawianie typu obiektu Cron
cyklu (wymagane)

CronSchedule

Nazwa Opis Wartość
scheduleType [Wymagane] Określa typ harmonogramu "Cron" (wymagane)
wyrażenie [Wymagane] Określa wyrażenie cron harmonogramu.
Wyrażenie powinno być zgodne z formatem NCronTab.		 ciąg (wymagany)

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

CyklSchedule

Nazwa Opis Wartość
scheduleType [Wymagane] Określa typ harmonogramu "Cykl" (wymagany)
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

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"

JobBaseServices

Nazwa Opis Wartość
{niestandardowa właściwość} JobService

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
{niestandardowa właściwość} struna

AutoMLJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "AutoML" (wymagane)
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
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
{niestandardowa właściwość} struna

AutoMLJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

JobOutput

Nazwa Opis Wartość
opis Opis danych wyjściowych. struna
jobOutputType Ustawianie typu obiektu CustomModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (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

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

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

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

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

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

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
{niestandardowa właściwość}

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
taskType Ustawianie typu obiektu Klasyfikacja
prognozowanie
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
regresji
TextClassification
TextClassificationMultilabel
TextNER (wymagane)

Klasyfikacja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
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. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

TableVerticalDataSettings

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

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

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

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. ciąg (wymagany)

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

TrainingDataSettings

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

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

NCrossValidations

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoNCrossValidations

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

CustomNCrossValidations

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

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
{niestandardowa właściwość} struna

TableVerticalFeaturizationSettingsTransformerParams

Nazwa Opis Wartość
{niestandardowa właściwość} ColumnTransformer[]

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.

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

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

StackEnsembleSettings

Nazwa Opis Wartość
stackMetaLearnerKWargs Parametry opcjonalne, które mają być przekazywane do inicjatora metauczeń.
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"

Prognozowanie

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Prognozowanie" (wymagane)
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"
"SGD"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"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"
"SGD"
"Sezonowa wyrównywacz"
"SeasonalNaive"
"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"
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"

PrognozaHorizon

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoForecastHorizon

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

CustomForecastHorizon

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

Sezonowości

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

Autoseasonity

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

CustomSeasonality

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

Opóźnienie docelowe

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoTargetLags

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

CustomTargetLags

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

TargetRollingWindowSize

Nazwa Opis Wartość
tryb Ustawianie typu obiektu Auto
niestandardowe (wymagane)

AutoTargetRollingWindowSize

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

CustomTargetRollingWindowSize

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

ImageClassification

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)
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. "AUCWeighted"
"Dokładność"
"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

ImageVerticalDataSettings

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

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

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

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

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

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)

EarlyTerminationPolicy

Nazwa Opis Wartość
delayEvaluation Liczba interwałów, według których należy opóźnić pierwszą ocenę. Int
evaluationInterval Interwał (liczba przebiegów) między ocenami zasad. Int
policyType Ustawianie typu obiektu Bandit
MedianStopping
TruncationSelection (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

MedianStoppingPolicy

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

ObcięcieselectionPolicy

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

ImageSweepLimitSettings

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

ImageClassificationMultilabel

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassificationMultilabel" (wymagane)
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. "AUCWeighted"
"Dokładność"
"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

ImageInstanceSegmentation

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageInstanceSegmentation" (wymagane)
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

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

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

ImageObjectDetection

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageObjectDetection" (wymagane)
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

Regresja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Regresja" (wymagana)
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"
trainingSettings Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. TrainingSettings

Klasyfikacja tekstu

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "TextClassification" (wymagane)
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. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

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

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

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

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

TextClassificationMultilabel

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

TextNer

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

CommandJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "Polecenie" (wymagane)
codeId Identyfikator zasobu usługi ARM zasobu kodu. struna
polecenie [Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py" ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
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. ciąg (wymagany)

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

Rozkładkonfiguracja

Nazwa Opis Wartość
distributionType Ustawianie typu obiektu Mpi
PyTorch
TensorFlow (wymagane)

Mpi

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

PyTorch

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

TensorFlow

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

CommandJobEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CommandJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustawianie typu obiektu CustomModel
literału
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (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. ciąg (wymagany)

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

LiterałJobInput

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

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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. ciąg (wymagany)

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

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
{niestandardowa właściwość} JobOutput

PotokJob

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

PipelineJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

PipelineJobJobs

Nazwa Opis Wartość
{niestandardowa właściwość}

PipelineJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

Zamiatanie

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "Zamiatanie" (wymagane)
earlyTermination Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem EarlyTerminationPolicy
Wejścia Mapowanie powiązań danych wejściowych używanych w zadaniu. SweepJobInputs
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
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

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

Cel

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

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

SweepJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

PróbkowanieAlgorithm

Nazwa Opis Wartość
samplingAlgorithmType Ustawianie typu obiektu Bayesian
Grid
losowe (wymagane)

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

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" ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
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. ciąg (wymagany)

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

TrialComponentEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna