Microsoft.MachineLearningServices workspaces/schedules 2023-04-01-preview
Definicja zasobu Bicep
Typ zasobu obszary robocze/harmonogramy można wdrożyć przy użyciu operacji docelowych:
- grupy zasobów — zobacz polecenia wdrażania grupy zasobów
Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.
Format zasobu
Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/schedules, dodaj następujący kod Bicep do szablonu.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-04-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Obiekty ScheduleActionBase
Ustaw właściwość actionType, aby określić typ obiektu.
W przypadku createJobużyj:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
W przypadku CreateMonitorużyj:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSetting: {
alertNotificationType: 'string'
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeId: 'string'
monitoringTarget: 'string'
signals: {
{customized property}: {
lookbackPeriod: 'string'
mode: 'string'
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
W przypadku ImportDataużyj:
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {}
}
W przypadku InvokeBatchEndpointużyj:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
Obiekty JobBaseProperties
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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
W przypadkupolecenia
jobType: 'Command'
autologgerSettings: {
mlflowAutologger: 'string'
}
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
W przypadku etykietowaniaużyj:
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
labelingJobMediaProperties: {
mediaType: 'string'
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration: {
mlAssist: 'string'
// For remaining properties, see MLAssistConfiguration objects
}
W przypadkupotoku
jobType: 'Pipeline'
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any()
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any()
sourceJobId: 'string'
W przypadku platformy Sparkużyj:
jobType: 'Spark'
archives: [
'string'
]
args: 'string'
codeId: 'string'
conf: {
{customized property}: 'string'
}
entry: {
sparkJobEntryType: 'string'
// For remaining properties, see SparkJobEntry objects
}
environmentId: 'string'
files: [
'string'
]
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jars: [
'string'
]
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
W przypadku
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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
}
Obiekty IdentityConfiguration
Ustaw właściwość identityType, aby określić typ obiektu.
W przypadku
identityType: 'AMLToken'
W przypadku zarządzanychużyj:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
W przypadku userIdentityużyj:
identityType: 'UserIdentity'
Obiekty elementu webhook
Ustaw właściwość webhookType, aby określić typ obiektu.
W przypadku AzureDevOps użyj:
webhookType: 'AzureDevOps'
Obiekty węzłów
Ustaw właściwość nodesValueType, aby określić typ obiektu.
W przypadku Wszystkieużyj:
nodesValueType: 'All'
Obiekty JobOutput
Ustaw właściwość jobOutputType, aby określić typ obiektu.
W przypadku custom_modelużyj:
jobOutputType: 'custom_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku mlflow_modelużyj:
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku mltableużyj:
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku triton_modelużyj:
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku uri_fileużyj polecenia:
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
W przypadku uri_folderużyj:
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
Obiekty autoMLVertical
Ustaw właściwość taskType, aby określić typ obiektu.
W przypadku classificationużyj:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
W przypadku prognozowanieużyj:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
featuresUnknownAtForecastTime: [
'string'
]
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
W przypadku ImageClassificationużyj:
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
W przypadku ImageClassificationMultilabelużyj:
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
W przypadku ImageInstanceSegmentationużyj:
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
W przypadku ImageObjectDetectionużyj:
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
W przypadku regresjiużyj:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
W przypadku TextClassificationużyj:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
W przypadku TextClassificationMultilabelużyj:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
W przypadku
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Obiekty NCrossValidations
Ustaw właściwość trybu
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 ForecastHorizon
Ustaw właściwość trybu
W przypadku autoużyj:
mode: 'Auto'
W przypadku niestandardowychużyj:
mode: 'Custom'
value: int
Obiekty sezonowości
Ustaw właściwość trybu
W przypadku autoużyj:
mode: 'Auto'
W przypadku niestandardowychużyj:
mode: 'Custom'
value: int
Obiekty TargetLags
Ustaw właściwość trybu
W przypadku autoużyj:
mode: 'Auto'
W przypadku niestandardowychużyj:
mode: 'Custom'
values: [
int
]
Obiekty TargetRollingWindowSize
Ustaw właściwość trybu
W przypadku autoużyj:
mode: 'Auto'
W przypadku niestandardowychużyj:
mode: 'Custom'
value: 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 Rayużyj:
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
W przypadku TensorFlow użyj:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
Obiekty JobInput
Ustaw właściwość jobInputType, aby określić typ obiektu.
W przypadku custom_modelużyj:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
W przypadku literałuużyj:
jobInputType: 'literal'
value: 'string'
W przypadku mlflow_modelużyj:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
W przypadku mltableużyj:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
W przypadku triton_modelużyj:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
W przypadku uri_fileużyj polecenia:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
W przypadku uri_folderużyj:
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
LabelingJobMediaProperties, obiekty
Ustaw właściwość mediaType, aby określić typ obiektu.
W przypadku imageużyj:
mediaType: 'Image'
annotationType: 'string'
W przypadku textużyj:
mediaType: 'Text'
annotationType: 'string'
Obiekty MLAssistConfiguration
Ustaw właściwość mlAssist, aby określić typ obiektu.
W przypadku disabledużyj:
mlAssist: 'Disabled'
W przypadku włączonejużyj:
mlAssist: 'Enabled'
inferencingComputeBinding: 'string'
trainingComputeBinding: 'string'
Obiekty SparkJobEntry
Ustaw właściwość sparkJobEntryType, aby określić typ obiektu.
W przypadku SparkJobPythonEntryużyj:
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
W przypadku SparkJobScalaEntryużyj:
sparkJobEntryType: 'SparkJobScalaEntry'
className: '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'
logbase: 'string'
rule: 'string'
seed: int
MonitoringAlertNotificationSettingsBase obiektów
Ustaw właściwość alertNotificationType, aby określić typ obiektu.
W przypadku AzureMonitorużyj:
alertNotificationType: 'AzureMonitor'
W przypadku poczty e-mail użyj:
alertNotificationType: 'Email'
emailNotificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
MonitoringSignalBase obiektów
Ustaw właściwość signalType, aby określić typ obiektu.
W przypadku niestandardowychużyj:
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
W przypadku
signalType: 'DataDrift'
baselineData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
dataSegment: {
feature: 'string'
values: [
'string'
]
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
targetData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
W przypadku DataQualityużyj:
signalType: 'DataQuality'
baselineData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
targetData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
W przypadku FeatureAttributionDriftużyj:
signalType: 'FeatureAttributionDrift'
baselineData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
modelType: 'string'
targetData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
W przypadku ModelPerformanceużyj:
signalType: 'ModelPerformance'
baselineData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
targetData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
W przypadku PredictionDriftużyj:
signalType: 'PredictionDrift'
baselineData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType: 'string'
targetData: {
asset: any()
dataContext: 'string'
preprocessingComponentId: 'string'
targetColumnName: 'string'
}
MonitoringFeatureFilterBase obiektów
Ustaw właściwość filterType, aby określić typ obiektu.
W przypadku AllFeaturesużyj:
filterType: 'AllFeatures'
W przypadku FeatureSubsetużyj:
filterType: 'FeatureSubset'
features: [
'string'
]
W przypadku TopNByAttribution użyj:
filterType: 'TopNByAttribution'
top: int
Obiekty DataDriftMetricThresholdBase
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
dataType: 'Categorical'
metric: 'string'
W przypadku liczbowych użyj:
dataType: 'Numerical'
metric: 'string'
Obiekty DataQualityMetricThresholdBase
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
dataType: 'Categorical'
metric: 'string'
W przypadku liczbowych użyj:
dataType: 'Numerical'
metric: 'string'
Obiekty ModelPerformanceMetricThresholdBase
Ustaw właściwość modelType, aby określić typ obiektu.
W przypadku classificationużyj:
modelType: 'Classification'
metric: 'string'
W przypadku regresjiużyj:
modelType: 'Regression'
metric: 'string'
PredictionDriftMetricThresholdBase, obiekty
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
dataType: 'Categorical'
metric: 'string'
W przypadku liczbowych użyj:
dataType: 'Numerical'
metric: 'string'
Obiekty DataImportSource
Ustaw właściwość sourceType, aby określić typ obiektu.
W przypadkubazy danych
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
W przypadku file_systemużyj:
sourceType: 'file_system'
path: 'string'
Obiekty TriggerBase
Ustaw właściwość triggerType, aby określić typ obiektu.
W przypadku Cronużyj:
triggerType: 'Cron'
expression: 'string'
W przypadkucyklu
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Wartości właściwości
obszary robocze/harmonogramy
| 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. | ScheduleProperties (wymagane) |
Właściwości harmonogramu
| Nazwa | Opis | Wartość |
|---|---|---|
| akcja | [Wymagane] Określa akcję harmonogramu | ScheduleActionBase (wymagane) |
| opis | Tekst opisu zasobu. | struna |
| displayName | Nazwa wyświetlana harmonogramu. | struna |
| isEnabled | Czy harmonogram jest włączony? | Bool |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| Tagi | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | sprzeciwiać się |
| spust | [Wymagane] Określa szczegóły wyzwalacza | TriggerBase (wymagane) |
ScheduleActionBase
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | Ustawianie typu obiektu |
createJob CreateMonitor ImportData InvokeBatchEndpoint (wymagane) |
JobScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateJob" (wymagane) |
| jobDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | JobBaseProperties (wymagane) |
Właściwości elementu JobBase
| Nazwa | Opis | Wartość |
|---|---|---|
| componentId | Identyfikator zasobu usługi ARM zasobu składnika. | struna |
| 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 |
| notificationSetting | Ustawienie powiadomienia dla zadania | NotificationSetting |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 spark 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) |
NotificationSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| emailOn | Wysyłanie powiadomienia e-mail do użytkownika w określonym typie powiadomienia | Tablica ciągów zawierająca dowolną z: "JobCancelled" "JobCompleted" "JobFailed" |
| wiadomości e-mail | Jest to lista adresatów wiadomości e-mail, która ma ograniczenie 499 znaków w sumie concat z separatorem przecinka | string[] |
| elementy webhook | Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | elementu webhook |
Element webhook
| Nazwa | Opis | Wartość |
|---|---|---|
| eventType | Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia | struna |
| webhookType | Ustawianie typu obiektu | AzureDevOps (wymagane) |
AzureDevOpsWebhook
| Nazwa | Opis | Wartość |
|---|---|---|
| webhookType | [Wymagane] Określa typ usługi do wysłania wywołania zwrotnego | "AzureDevOps" (wymagane) |
Właściwości bazy danych ResourceBase
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
JobBaseSecretsConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | SecretConfiguration |
Konfiguracja wpisu tajnego
| Nazwa | Opis | Wartość |
|---|---|---|
| Uri | Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
struna |
| workspaceSecretName | Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego. | struna |
JobBaseServices
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobService |
JobService
| Nazwa | Opis | Wartość |
|---|---|---|
| punkt końcowy | Adres URL punktu końcowego. | struna |
| jobServiceType | Typ punktu końcowego. | struna |
| Węzłów | Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy. |
węzłów |
| port | Port dla punktu końcowego ustawionego przez użytkownika. | Int |
| Właściwości | Dodatkowe właściwości do ustawienia w punkcie końcowym. | JobServiceProperties |
Węzłów
| Nazwa | Opis | Wartość |
|---|---|---|
| nodesValueType | Ustawianie typu obiektu | wszystkie (wymagane) |
Wszystkie węzły
| Nazwa | Opis | Wartość |
|---|---|---|
| nodesValueType | [Wymagane] Typ wartości Węzły | "Wszystkie" (wymagane) |
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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
| 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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
AutoDeleteSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| warunek | Kiedy sprawdzić, czy zasób wygasł | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| wartość | Wartość warunku wygaśnięcia. | struna |
MLFlowModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mlflow_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
MLTableJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mltable" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
TritonModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "triton_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
UriFileJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "uri_file" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
UriFolderJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "uri_folder" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
QueueSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| jobTier | Wyliczenie w celu określenia warstwy zadań. | "Podstawowa" "Premium" "Spot" "Standardowa" |
| priorytet | Określa priorytet zadania obliczeniowego. | Int |
JobResourceConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dockerArgs | Dodatkowe argumenty do przekazania do polecenia uruchamiania platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML. | struna |
| 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 |
| Lokalizacje | Lokalizacje, w których można uruchomić zadanie. | string[] |
| maxInstanceCount | Opcjonalna maksymalna dozwolona liczba wystąpień lub węzłów, które mają być używane przez docelowy obiekt obliczeniowy. Do użytku z trenowania elastycznego, obecnie obsługiwane tylko przez typ dystrybucji PyTorch. |
Int |
| Właściwości | Dodatkowa torba właściwości. | ResourceConfigurationProperties |
| shmSize | Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów). | struna Ograniczenia: Wzorzec = \d+[bBkKmMgG] |
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" |
| targetColumnName | Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
struna |
| trainingData | [Wymagane] Dane wejściowe danych treningowych. | MLTableJobInput (wymagane) |
| taskType | Ustawianie typu obiektu |
Klasyfikacja prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection regresji TextClassification TextClassificationMultilabel TextNER (wymagane) |
MLTableJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| opis | Opis danych wejściowych. | struna |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Klasyfikacja
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Klasyfikacja" (wymagana) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| positiveLabel | Etykieta dodatnia dla obliczeń metryk binarnych. | struna |
| primaryMetric | Podstawowa metryka zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | ClassificationTrainingSettings |
| validationData | Dane wejściowe 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 |
| weightColumnName | Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. | struna |
TableVerticalFeaturizationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| blockedTransformers | Transformatory te nie są stosowane w cechowaniu. | Tablica ciągów zawierająca dowolną z: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Język zestawu danych przydatny dla danych tekstowych. | struna |
| 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(). |
TableFixedParameters
| Nazwa | Opis | Wartość |
|---|---|---|
| Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | struna |
| boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | struna |
| growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | Int |
| maxBin | Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych. | Int |
| maxDepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | Int |
| maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | Int |
| minDataInLeaf | Minimalna liczba danych na liść. | Int |
| minSplitGain | Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | Int |
| modelName | Nazwa modelu do trenowania. | struna |
| nEstimatory | Określ liczbę drzew (lub rund) w modelu. | Int |
| numLeaves | Określ liczbę liści. | Int |
| preprocesorName | Nazwa preprocesora do użycia. | struna |
| regAlpha | L1 termin regularyzacji na wagi. | Int |
| regLambda | Termin uregulowania L2 na wagi. | Int |
| podprzykład | Współczynnik próbek podrzędnych wystąpienia trenowania. | Int |
| subsampleFreq | Częstotliwość podprzykładu. | Int |
| treeMethod | Określ metodę drzewa. | struna |
| withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar. | Bool |
| withStd | Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar. | Bool |
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 |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | Int |
| maxTrials | Liczba iteracji. | Int |
| sweepConcurrentTrials | Liczba współbieżnych przebiegów zamiatania, które użytkownik chce wyzwolić. | Int |
| sweepTrials | Liczba przebiegów zamiatania, które użytkownik chce wyzwolić. | Int |
| Limit czasu | Limit czasu zadania automatycznego uczenia maszynowego. | struna |
| trialTimeout | Limit czasu iteracji. | struna |
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) |
TableParameterSubspace
| Nazwa | Opis | Wartość |
|---|---|---|
| Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | struna |
| boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | struna |
| growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | struna |
| maxBin | Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych. | struna |
| maxDepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | struna |
| maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | struna |
| minDataInLeaf | Minimalna liczba danych na liść. | struna |
| minSplitGain | Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | struna |
| modelName | Nazwa modelu do trenowania. | struna |
| nEstimatory | Określ liczbę drzew (lub rund) w modelu. | struna |
| numLeaves | Określ liczbę liści. | struna |
| preprocesorName | Nazwa preprocesora do użycia. | struna |
| regAlpha | L1 termin regularyzacji na wagi. | struna |
| regLambda | Termin uregulowania L2 na wagi. | struna |
| podprzykład | Współczynnik próbek podrzędnych wystąpienia trenowania. | struna |
| subsampleFreq | Częstotliwość podprzykładu | struna |
| treeMethod | Określ metodę drzewa. | struna |
| withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar. | struna |
| withStd | Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar. | struna |
TableSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "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 |
ClassificationTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | Dozwolone modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Zablokowane modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
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) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| forecastingSettings | Prognozowanie danych wejściowych specyficznych dla zadania. | ForecastingSettings |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| primaryMetric | Podstawowa metryka zadania prognozowania. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | ForecastingTrainingSettings |
| validationData | Dane wejściowe 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 |
| 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 |
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 wynosićtrzy dni od siebie. |
Int |
| featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
| featuresUnknownAtForecastTime | Kolumny funkcji, które są dostępne do trenowania, ale nieznane w czasie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time nie jest ustawiona, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. |
string[] |
| 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) |
ForecastingTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
ImageClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (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 |
| validationData | Dane wejściowe 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 |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | Int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| opis | Opis danych wejściowych. | struna |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
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 |
| 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. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
ImageClassificationMultilabel
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassificationMultilabel" (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 |
| validationData | Dane wejściowe 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 |
ImageInstanceSegmentation
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageInstanceSegmentation" (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 |
| validationData | Dane wejściowe 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 |
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 |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | Int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | Włączanie obliczeń i rejestrowania metryk trenowania. | "Wyłącz" "Włącz" |
| logValidationLoss | Włącz przetwarzanie i utratę walidacji rejestrowania. | "Wyłącz" "Włącz" |
| 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 |
| 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 |
| 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) |
| 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 |
| validationData | Dane wejściowe 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 |
Regresja
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Regresja" (wymagana) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| primaryMetric | Podstawowa metryka zadania regresji. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | RegressionTrainingSettings |
| validationData | Dane wejściowe 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 |
| 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 |
RegressionTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | Dozwolone modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Zablokowane modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
Klasyfikacja tekstu
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassification" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| datasetLanguage | Język zestawu danych przydatny dla danych tekstowych. | struna |
NlpFixedParameters
| Nazwa | Opis | Wartość |
|---|---|---|
| gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego. | Int |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | Int |
| learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | "Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy" |
| modelName | Nazwa modelu do trenowania. | struna |
| numberOfEpochs | Liczba epok treningowych. | Int |
| trainingBatchSize | Rozmiar partii dla procedury trenowania. | Int |
| validationBatchSize | Rozmiar partii do użycia podczas oceny. | Int |
| warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | Int |
| weightDecay | Rozkład masy dla procedury treningowej. | Int |
NlpVerticalLimitSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| maxConcurrentTrials | Maksymalna liczba iteracji automl współbieżnych. | Int |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | Int |
| maxTrials | Liczba iteracji rozwiązania AutoML. | Int |
| Limit czasu | Limit czasu zadania automatycznego uczenia maszynowego. | struna |
| trialTimeout | Limit czasu dla poszczególnych wersji próbnych HD. | struna |
NlpParameterSubspace
| Nazwa | Opis | Wartość |
|---|---|---|
| gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | struna |
| learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | struna |
| modelName | Nazwa modelu do trenowania. | struna |
| numberOfEpochs | Liczba epok treningowych. | struna |
| trainingBatchSize | Rozmiar partii dla procedury trenowania. | struna |
| validationBatchSize | Rozmiar partii do użycia podczas oceny. | struna |
| warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | struna |
| weightDecay | Rozkład masy dla procedury treningowej. | struna |
NlpSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
TextClassificationMultilabel
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
TextNer
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextNER" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
CommandJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
| autologgerSettings | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | |
| 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, Ray lub null. | DistributionConfiguration |
| environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
AutologgerSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| mlflowAutologger | [Wymagane] Wskazuje, czy jest włączony autologer mlflow. | "Wyłączone" "Włączone" (wymagane) |
Rozkładkonfiguracja
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | Ustawianie typu obiektu |
Mpi PyTorch Ray 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 |
Promień
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Ray" (wymagane) |
| adres | Adres węzła głównego Raya. | struna |
| dashboardPort | Port, z który ma być powiązany z serwerem pulpitu nawigacyjnego. | Int |
| headNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchomienia promienia w węźle głównym. | struna |
| includeDashboard | Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray. | Bool |
| port | Port procesu promienia głowy. | Int |
| workerNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchomienia promienia w węźle procesu roboczego. | struna |
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 |
custom_model literału mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
TritonModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "triton_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
UriFileJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "uri_file" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
UriFolderJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
LabelingJobProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| componentId | Identyfikator zasobu usługi ARM zasobu składnika. | struna |
| computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | struna |
| dataConfiguration | Konfiguracja danych używanych w zadaniu. | LabelingDataConfiguration |
| 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 |
| jobInstructions | Instrukcje etykietowania zadania. | LabelingJobInstructions |
| jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
| labelCategories | Etykieta kategorii zadania. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Właściwości specyficzne dla nośnika w zadaniu. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MLAssistConfiguration |
| notificationSetting | Ustawienie powiadomienia dla zadania | NotificationSetting |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 |
LabelingDataConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dataId | Identyfikator zasobu danych do wykonania etykietowania. | struna |
| incrementalDataRefresh | Wskazuje, czy włączyć odświeżanie danych przyrostowych. | "Wyłączone" "Włączone" |
LabelingJobInstructions
| Nazwa | Opis | Wartość |
|---|---|---|
| Uri | Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet. | struna |
LabelingJobLabelCategories
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelCategory |
EtykietaKategoria
| Nazwa | Opis | Wartość |
|---|---|---|
| Klasy | Słownik klas etykiet w tej kategorii. | LabelCategoryClasses |
| displayName | Nazwa wyświetlana kategorii etykiet. | struna |
| multiSelect | Wskazuje, czy można wybrać wiele klas w tej kategorii. | "Wyłączone" "Włączone" |
LabelCategoryClasses
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelClass |
LabelClass
| Nazwa | Opis | Wartość |
|---|---|---|
| displayName | Nazwa wyświetlana klasy etykiety. | struna |
| Podklasy | Słownik podklas klasy label. | LabelClassSubclasses |
LabelClassSubclasses
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelClass |
LabelingJobMediaProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | Ustawianie typu obiektu | obrazu tekstowych (wymagane) |
LabelingJobImageProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | [Wymagane] Typ nośnika zadania. | "Obraz" (wymagany) |
| typ adnotacji | Typ adnotacji zadania etykietowania obrazów. | "BoundingBox" "Klasyfikacja" "InstanceSegmentation" |
LabelingJobTextProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | [Wymagane] Typ nośnika zadania. | "Tekst" (wymagany) |
| typ adnotacji | Typ adnotacji zadania etykietowania tekstu. | "Klasyfikacja" "NamedEntityRecognition" |
MlAssistConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | Ustawianie typu obiektu |
wyłączone włączone (wymagane) |
MLAssistConfigurationDisabled
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | [Wymagane] Wskazuje, czy funkcja MLAssist jest włączona. | "Wyłączone" (wymagane) |
MLAssistConfigurationEnabled
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | [Wymagane] Wskazuje, czy funkcja MLAssist jest włączona. | "Włączone" (wymagane) |
| inferencingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| trainingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
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(). |
| sourceJobId | Identyfikator zasobu usługi ARM zadania źródłowego. | struna |
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 |
SparkJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Spark" (wymagane) |
| archiwum | Archiwizowanie plików używanych w zadaniu. | string[] |
| args | Argumenty zadania. | struna |
| codeId | [Wymagane] Identyfikator zasobu usługi ARM zasobu kodu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| Conf | Właściwości skonfigurowane przez platformę Spark. | SparkJobConf |
| wpis | [Wymagane] Wpis do wykonania podczas uruchamiania zadania. | SparkJobEntry (wymagane) |
| environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | struna |
| Pliki | Pliki używane w zadaniu. | string[] |
| Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SparkJobInputs |
| Słoiki | Pliki Jar używane w zadaniu. | string[] |
| Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SparkJobOutputs |
| pyFiles | Pliki języka Python używane w zadaniu. | string[] |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | SparkResourceConfiguration |
SparkJobConf
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
SparkJobEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | Ustawianie typu obiektu |
SparkJobPythonEntry SparkJobScalaEntry (wymagane) |
SparkJobPythonEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobPythonEntry" (wymagane) |
| plik | [Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobScalaEntry" (wymagane) |
| className | [Wymagane] Nazwa klasy Scala używana jako punkt wejścia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
SparkJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
SparkResourceConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| instanceType | Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. | struna |
| runtimeVersion | Wersja środowiska uruchomieniowego platformy Spark używana dla zadania. | struna |
Zamiatanie
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
| earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem | |
| 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | Ustawianie typu obiektu | 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) |
| logbase | Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku | struna |
| 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
CreateMonitorAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateMonitor" (wymagane) |
| monitorDefinition | [Wymagane] Definiuje monitor. | MonitorDefinition (wymagane) |
MonitorDefinition
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationSetting | Ustawienia powiadomień monitora. | MonitoringAlertNotificationSettingsBase |
| computeId | [Wymagane] Identyfikator zasobu obliczeniowego usługi ARM do uruchomienia zadania monitorowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| monitoringTarget | Identyfikator zasobu usługi ARM modelu lub wdrożenia objętego tym monitorem. | struna |
| Sygnały | [Wymagane] Sygnały do monitorowania. | MonitorDefinitionSignals (wymagane) |
MonitoringAlertNotificationSettingsBase
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | Ustawianie typu obiektu |
AzureMonitor wiadomości e-mail (wymagane) |
AzMonMonitoringAlertNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | [Wymagane] Określa typ sygnału do monitorowania. | "AzureMonitor" (wymagane) |
EmailMonitoringAlertNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | [Wymagane] Określa typ sygnału do monitorowania. | "Wiadomość e-mail" (wymagana) |
| emailNotificationSetting | Konfiguracja powiadomienia. | NotificationSetting |
MonitorDefinitionSignals
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | monitorowanie SignalBase |
MonitoringSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| lookbackPeriod | Czas, przez jaki pojedynczy monitor powinien zwracać uwagę na dane docelowe w danym przebiegu. | struna |
| tryb | Bieżący tryb powiadomień dla tego sygnału. | "Wyłączone" "Włączone" |
| signalType | Ustawianie typu obiektu |
niestandardowe DataDrift DataQuality FeatureAttributionDrift ModelPerformance PredictionDrift (wymagane) |
CustomMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "Niestandardowy" (wymagany) |
| componentId | [Wymagane] Identyfikator zasobu usługi ARM zasobu składnika używanego do obliczania metryk niestandardowych. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputAssets | Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, a wartość to zasób danych. | CustomMonitoringSignalInputAssets |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | CustomMetricThreshold[] (wymagane) |
CustomMonitoringSignalInputAssets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringInputData |
MonitoringInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| atut | Dane wejściowe zasobu danych, które mają być używane przez zadanie monitorowania. | W przypadku Bicep można użyć funkcji any(). |
| dataContext | [Wymagane] Kontekst źródła danych. | "GroundTruth" "ModelInputs" "ModelOutputs" "Test" "Szkolenie" "Walidacja" (wymagana) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | struna |
| targetColumnName | Kolumna docelowa w danym zasobie danych do wykorzystania. | struna |
CustomMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| metryka | [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
MonitoringThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| wartość | Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. | Int |
DataDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| dataSegment | Segment danych używany do określania zakresu w podzestawie populacji danych. | MonitoringDataSegment |
| Funkcje | Filtr funkcji określający, która funkcja ma obliczyć dryf. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataDriftMetricThresholdBase[] (wymagane) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
MonitorowanieDataSegment
| Nazwa | Opis | Wartość |
|---|---|---|
| cecha | Funkcja umożliwiająca segmentowanie danych. | struna |
| Wartości | Filtruje tylko określone wartości danej funkcji segmentowanej. | string[] |
MonitoringFeatureFilterBase
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | Ustawianie typu obiektu |
AllFeatures FeatureSubset TopNByAttribution (wymagane) |
Wszystkiefeatures
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "AllFeatures" (wymagane) |
FeatureSubset
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "FeatureSubset" (wymagane) |
| Funkcje | [Wymagane] Lista funkcji do uwzględnienia. | string[] (wymagane) |
TopNFeaturesByAttribution
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "TopNByAttribution" (wymagane) |
| Do góry | Liczba najważniejszych funkcji do uwzględnienia. | Int |
DataDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu danych kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
Wartości liczboweDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu danych liczbowych do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
DataQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataQuality" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| Funkcje | Funkcje do obliczenia dryfu. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataQualityMetricThresholdBase[] (wymagane) |
| targetData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
DataQualityMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka jakości danych kategorii do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
NumericalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka jakości danych liczbowych do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
FeatureAttributionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "FeatureAttributionDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | FeatureAttributionMetricThreshold (wymagane) |
| modelType | [Wymagane] Typ zadania, które wykonuje model. | "Klasyfikacja" "Regresja" (wymagana) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
FeatureAttributionMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| metryka | [Wymagane] Metryka przypisania funkcji do obliczenia. | "NormalizedDiscountedCumulativeGain" (wymagane) |
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
ModelPerformanceSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "ModelPerformance" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| dataSegment | Segment danych. | MonitoringDataSegment |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | ModelPerformanceMetricThresholdBase (wymagane) |
| targetData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
ModelPerformanceMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| modelType | Ustawianie typu obiektu |
Klasyfikacja regresji (wymagane) |
ClassificationModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Klasyfikacja" (wymagana) |
| metryka | [Wymagane] Wydajność modelu klasyfikacji do obliczenia. | "Dokładność" "F1Score" "Precyzja" "Odwołaj" (wymagane) |
RegressionModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Regresja" (wymagana) |
| metryka | [Wymagane] Metryka wydajności modelu regresji do obliczenia. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (wymagane) |
PredictionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "PredictionDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | PredictionDriftMetricThresholdBase[] (wymagane) |
| modelType | [Wymagane] Typ monitorowanego modelu. | "Klasyfikacja" "Regresja" (wymagana) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
PredictionDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
ImportDataAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "ImportData" (wymagane) |
| dataImportDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | DataImportuj (wymagane) |
Importowanie danych
| Nazwa | Opis | Wartość |
|---|---|---|
| assetName | Nazwa zasobu zadania importu danych do utworzenia | struna |
| autoDeleteSetting | Określa ustawienie cyklu życia zarządzanego zasobu danych. | AutoDeleteSetting |
| Datatype | [Wymagane] Określa typ danych. | "mltable" "uri_file" "uri_folder" (wymagane) |
| dataUri | [Wymagane] Identyfikator URI danych. Przykład: https://go.microsoft.com/fwlink/?linkid=2202330 |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| opis | Tekst opisu zasobu. | struna |
| intellectualProperty | Szczegóły własności intelektualnej. Używane, jeśli dane są własnością intelektualną. | IntellectualProperty |
| isAnonymous | Jeśli wersja nazwy jest generowana przez system (rejestracja anonimowa). W przypadku typów, w których jest definiowany etap, po podaniu etapu będzie on używany do wypełniania wartości IsAnonymous | Bool |
| isArchived | Czy zasób jest archiwizowany? W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia wartości IsArchived | Bool |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| źródło | Dane źródłowe zasobu do zaimportowania z | DataImportSource |
| scena | Etap w cyklu życia danych przypisanym do tego zasobu danych | struna |
| Tagi | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | sprzeciwiać się |
Własność intelektualna
| Nazwa | Opis | Wartość |
|---|---|---|
| protectionLevel | Poziom ochrony własności intelektualnej. | "Wszystko" "Brak" |
| wydawca | [Wymagane] Wydawca własności intelektualnej. Musi być taka sama jak nazwa wydawcy rejestru. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
DataImportSource
| Nazwa | Opis | Wartość |
|---|---|---|
| połączenie | Połączenie obszaru roboczego dla magazynu źródłowego importu danych | struna |
| sourceType | Ustawianie typu obiektu |
bazy danych file_system (wymagane) |
DatabaseSource
| Nazwa | Opis | Wartość |
|---|---|---|
| sourceType | [Wymagane] Określa typ danych. | "baza danych" (wymagana) |
| zapytanie | Instrukcja SQL Query dla źródła bazy danych importu danych | struna |
| storedProcedure | Sql StoredProcedure w źródle importu danych | struna |
| storedProcedureParams | Parametry usługi SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nazwa tabeli w źródle importu danych | struna |
DatabaseSourceStoredProcedureParamsItem
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
FileSystemSource
| Nazwa | Opis | Wartość |
|---|---|---|
| sourceType | [Wymagane] Określa typ danych. | "file_system" (wymagane) |
| ścieżka | Ścieżka dotycząca importowania źródła systemu plików | struna |
EndpointScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "InvokeBatchEndpoint" (wymagane) |
| endpointInvocationDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. {zobacz href="TBD" /} |
W przypadku Bicep można użyć funkcji any(). (wymagane) |
TriggerBase
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
struna |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | struna |
| strefa czasowa | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones /> |
struna |
| triggerType | Ustawianie typu obiektu |
Cron cyklu (wymagane) |
CronTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| triggerType | [Wymagane] | "Cron" (wymagane) |
| wyrażenie | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
struna |
| częstotliwość | [Wymagane] Częstotliwość wyzwalania harmonogramu. | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
| interwał | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
| harmonogram | Harmonogram cyklu. | cyklu |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | struna |
| strefa czasowa | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones |
struna |
| triggerType | [Wymagane] | "Cron" "Cykl" (wymagany) |
CyklSchedule
| Nazwa | Opis | Wartość |
|---|---|---|
| Godzin | [Wymagane] Lista godzin harmonogramu. | int[] (wymagane) |
| protokół | [Wymagane] Lista minut harmonogramu. | int[] (wymagane) |
| monthDays | Lista dni miesiąca dla harmonogramu | int[] |
| Dni powszednie | Lista dni harmonogramu. | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
Definicja zasobu szablonu usługi ARM
Typ zasobu obszary robocze/harmonogramy można wdrożyć przy użyciu operacji docelowych:
- grupy zasobów — zobacz polecenia wdrażania grupy zasobów
Aby uzyskać listę zmienionych właściwości w każdej wersji interfejsu API, zobacz dziennika zmian.
Format zasobu
Aby utworzyć zasób Microsoft.MachineLearningServices/workspaces/schedules, dodaj następujący kod JSON do szablonu.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-04-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Obiekty ScheduleActionBase
Ustaw właściwość actionType, aby określić typ obiektu.
W przypadku createJobużyj:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
}
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
W przypadku CreateMonitorużyj:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSetting": {
"alertNotificationType": "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
},
"computeId": "string",
"monitoringTarget": "string",
"signals": {
"{customized property}": {
"lookbackPeriod": "string",
"mode": "string",
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
W przypadku ImportDataużyj:
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {}
}
W przypadku InvokeBatchEndpointużyj:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
Obiekty JobBaseProperties
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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
W przypadkupolecenia
"jobType": "Command",
"autologgerSettings": {
"mlflowAutologger": "string"
},
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
W przypadku etykietowaniaużyj:
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"labelingJobMediaProperties": {
"mediaType": "string"
// For remaining properties, see LabelingJobMediaProperties objects
},
"mlAssistConfiguration": {
"mlAssist": "string"
// For remaining properties, see MLAssistConfiguration objects
}
W przypadkupotoku
"jobType": "Pipeline",
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jobs": {
"{customized property}": {}
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"settings": {},
"sourceJobId": "string"
W przypadku platformy Sparkużyj:
"jobType": "Spark",
"archives": [ "string" ],
"args": "string",
"codeId": "string",
"conf": {
"{customized property}": "string"
},
"entry": {
"sparkJobEntryType": "string"
// For remaining properties, see SparkJobEntry objects
},
"environmentId": "string",
"files": [ "string" ],
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jars": [ "string" ],
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
W przypadku
"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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
Obiekty IdentityConfiguration
Ustaw właściwość identityType, aby określić typ obiektu.
W przypadku
"identityType": "AMLToken"
W przypadku zarządzanychużyj:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
W przypadku userIdentityużyj:
"identityType": "UserIdentity"
Obiekty elementu webhook
Ustaw właściwość webhookType, aby określić typ obiektu.
W przypadku AzureDevOps użyj:
"webhookType": "AzureDevOps"
Obiekty węzłów
Ustaw właściwość nodesValueType, aby określić typ obiektu.
W przypadku Wszystkieużyj:
"nodesValueType": "All"
Obiekty JobOutput
Ustaw właściwość jobOutputType, aby określić typ obiektu.
W przypadku custom_modelużyj:
"jobOutputType": "custom_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku mlflow_modelużyj:
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku mltableużyj:
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku triton_modelużyj:
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku uri_fileużyj polecenia:
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
W przypadku uri_folderużyj:
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
Obiekty autoMLVertical
Ustaw właściwość taskType, aby określić typ obiektu.
W przypadku classificationużyj:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
W przypadku prognozowanieużyj:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"featuresUnknownAtForecastTime": [ "string" ],
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
W przypadku ImageClassificationużyj:
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
W przypadku ImageClassificationMultilabelużyj:
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
W przypadku ImageInstanceSegmentationużyj:
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
W przypadku ImageObjectDetectionużyj:
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
W przypadku regresjiużyj:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
W przypadku TextClassificationużyj:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
W przypadku TextClassificationMultilabelużyj:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
W przypadku
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Obiekty NCrossValidations
Ustaw właściwość trybu
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 ForecastHorizon
Ustaw właściwość trybu
W przypadku autoużyj:
"mode": "Auto"
W przypadku niestandardowychużyj:
"mode": "Custom",
"value": "int"
Obiekty sezonowości
Ustaw właściwość trybu
W przypadku autoużyj:
"mode": "Auto"
W przypadku niestandardowychużyj:
"mode": "Custom",
"value": "int"
Obiekty TargetLags
Ustaw właściwość trybu
W przypadku autoużyj:
"mode": "Auto"
W przypadku niestandardowychużyj:
"mode": "Custom",
"values": [ "int" ]
Obiekty TargetRollingWindowSize
Ustaw właściwość trybu
W przypadku autoużyj:
"mode": "Auto"
W przypadku niestandardowychużyj:
"mode": "Custom",
"value": "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 Rayużyj:
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
W przypadku TensorFlow użyj:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
Obiekty JobInput
Ustaw właściwość jobInputType, aby określić typ obiektu.
W przypadku custom_modelużyj:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
W przypadku literałuużyj:
"jobInputType": "literal",
"value": "string"
W przypadku mlflow_modelużyj:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
W przypadku mltableużyj:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
W przypadku triton_modelużyj:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
W przypadku uri_fileużyj polecenia:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
W przypadku uri_folderużyj:
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
LabelingJobMediaProperties, obiekty
Ustaw właściwość mediaType, aby określić typ obiektu.
W przypadku imageużyj:
"mediaType": "Image",
"annotationType": "string"
W przypadku textużyj:
"mediaType": "Text",
"annotationType": "string"
Obiekty MLAssistConfiguration
Ustaw właściwość mlAssist, aby określić typ obiektu.
W przypadku disabledużyj:
"mlAssist": "Disabled"
W przypadku włączonejużyj:
"mlAssist": "Enabled",
"inferencingComputeBinding": "string",
"trainingComputeBinding": "string"
Obiekty SparkJobEntry
Ustaw właściwość sparkJobEntryType, aby określić typ obiektu.
W przypadku SparkJobPythonEntryużyj:
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
W przypadku SparkJobScalaEntryużyj:
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "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",
"logbase": "string",
"rule": "string",
"seed": "int"
MonitoringAlertNotificationSettingsBase obiektów
Ustaw właściwość alertNotificationType, aby określić typ obiektu.
W przypadku AzureMonitorużyj:
"alertNotificationType": "AzureMonitor"
W przypadku poczty e-mail użyj:
"alertNotificationType": "Email",
"emailNotificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
}
MonitoringSignalBase obiektów
Ustaw właściwość signalType, aby określić typ obiektu.
W przypadku niestandardowychużyj:
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
]
W przypadku
"signalType": "DataDrift",
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
W przypadku DataQualityużyj:
"signalType": "DataQuality",
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
W przypadku FeatureAttributionDriftużyj:
"signalType": "FeatureAttributionDrift",
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"modelType": "string",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
W przypadku ModelPerformanceużyj:
"signalType": "ModelPerformance",
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
W przypadku PredictionDriftużyj:
"signalType": "PredictionDrift",
"baselineData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"modelType": "string",
"targetData": {
"asset": {},
"dataContext": "string",
"preprocessingComponentId": "string",
"targetColumnName": "string"
}
MonitoringFeatureFilterBase obiektów
Ustaw właściwość filterType, aby określić typ obiektu.
W przypadku AllFeaturesużyj:
"filterType": "AllFeatures"
W przypadku FeatureSubsetużyj:
"filterType": "FeatureSubset",
"features": [ "string" ]
W przypadku TopNByAttribution użyj:
"filterType": "TopNByAttribution",
"top": "int"
Obiekty DataDriftMetricThresholdBase
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
"dataType": "Categorical",
"metric": "string"
W przypadku liczbowych użyj:
"dataType": "Numerical",
"metric": "string"
Obiekty DataQualityMetricThresholdBase
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
"dataType": "Categorical",
"metric": "string"
W przypadku liczbowych użyj:
"dataType": "Numerical",
"metric": "string"
Obiekty ModelPerformanceMetricThresholdBase
Ustaw właściwość modelType, aby określić typ obiektu.
W przypadku classificationużyj:
"modelType": "Classification",
"metric": "string"
W przypadku regresjiużyj:
"modelType": "Regression",
"metric": "string"
PredictionDriftMetricThresholdBase, obiekty
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
"dataType": "Categorical",
"metric": "string"
W przypadku liczbowych użyj:
"dataType": "Numerical",
"metric": "string"
Obiekty DataImportSource
Ustaw właściwość sourceType, aby określić typ obiektu.
W przypadkubazy danych
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
W przypadku file_systemużyj:
"sourceType": "file_system",
"path": "string"
Obiekty TriggerBase
Ustaw właściwość triggerType, aby określić typ obiektu.
W przypadku Cronużyj:
"triggerType": "Cron",
"expression": "string"
W przypadkucyklu
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Wartości właściwości
obszary robocze/harmonogramy
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ zasobu | "Microsoft.MachineLearningServices/workspaces/schedules" |
| apiVersion | Wersja interfejsu API zasobów | "2023-04-01-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. | ScheduleProperties (wymagane) |
Właściwości harmonogramu
| Nazwa | Opis | Wartość |
|---|---|---|
| akcja | [Wymagane] Określa akcję harmonogramu | ScheduleActionBase (wymagane) |
| opis | Tekst opisu zasobu. | struna |
| displayName | Nazwa wyświetlana harmonogramu. | struna |
| isEnabled | Czy harmonogram jest włączony? | Bool |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| Tagi | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | sprzeciwiać się |
| spust | [Wymagane] Określa szczegóły wyzwalacza | TriggerBase (wymagane) |
ScheduleActionBase
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | Ustawianie typu obiektu |
createJob CreateMonitor ImportData InvokeBatchEndpoint (wymagane) |
JobScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateJob" (wymagane) |
| jobDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | JobBaseProperties (wymagane) |
Właściwości elementu JobBase
| Nazwa | Opis | Wartość |
|---|---|---|
| componentId | Identyfikator zasobu usługi ARM zasobu składnika. | struna |
| 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 |
| notificationSetting | Ustawienie powiadomienia dla zadania | NotificationSetting |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 spark 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) |
NotificationSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| emailOn | Wysyłanie powiadomienia e-mail do użytkownika w określonym typie powiadomienia | Tablica ciągów zawierająca dowolną z: "JobCancelled" "JobCompleted" "JobFailed" |
| wiadomości e-mail | Jest to lista adresatów wiadomości e-mail, która ma ograniczenie 499 znaków w sumie concat z separatorem przecinka | string[] |
| elementy webhook | Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | elementu webhook |
Element webhook
| Nazwa | Opis | Wartość |
|---|---|---|
| eventType | Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia | struna |
| webhookType | Ustawianie typu obiektu | AzureDevOps (wymagane) |
AzureDevOpsWebhook
| Nazwa | Opis | Wartość |
|---|---|---|
| webhookType | [Wymagane] Określa typ usługi do wysłania wywołania zwrotnego | "AzureDevOps" (wymagane) |
Właściwości bazy danych ResourceBase
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
JobBaseSecretsConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | SecretConfiguration |
Konfiguracja wpisu tajnego
| Nazwa | Opis | Wartość |
|---|---|---|
| Uri | Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
struna |
| workspaceSecretName | Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego. | struna |
JobBaseServices
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobService |
JobService
| Nazwa | Opis | Wartość |
|---|---|---|
| punkt końcowy | Adres URL punktu końcowego. | struna |
| jobServiceType | Typ punktu końcowego. | struna |
| Węzłów | Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy. |
węzłów |
| port | Port dla punktu końcowego ustawionego przez użytkownika. | Int |
| Właściwości | Dodatkowe właściwości do ustawienia w punkcie końcowym. | JobServiceProperties |
Węzłów
| Nazwa | Opis | Wartość |
|---|---|---|
| nodesValueType | Ustawianie typu obiektu | wszystkie (wymagane) |
Wszystkie węzły
| Nazwa | Opis | Wartość |
|---|---|---|
| nodesValueType | [Wymagane] Typ wartości Węzły | "Wszystkie" (wymagane) |
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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
| 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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
AutoDeleteSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| warunek | Kiedy sprawdzić, czy zasób wygasł | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| wartość | Wartość warunku wygaśnięcia. | struna |
MLFlowModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mlflow_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
MLTableJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mltable" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
TritonModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "triton_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
UriFileJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "uri_file" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
UriFolderJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "uri_folder" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
QueueSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| jobTier | Wyliczenie w celu określenia warstwy zadań. | "Podstawowa" "Premium" "Spot" "Standardowa" |
| priorytet | Określa priorytet zadania obliczeniowego. | Int |
JobResourceConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dockerArgs | Dodatkowe argumenty do przekazania do polecenia uruchamiania platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML. | struna |
| 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 |
| Lokalizacje | Lokalizacje, w których można uruchomić zadanie. | string[] |
| maxInstanceCount | Opcjonalna maksymalna dozwolona liczba wystąpień lub węzłów, które mają być używane przez docelowy obiekt obliczeniowy. Do użytku z trenowania elastycznego, obecnie obsługiwane tylko przez typ dystrybucji PyTorch. |
Int |
| Właściwości | Dodatkowa torba właściwości. | ResourceConfigurationProperties |
| shmSize | Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów). | struna Ograniczenia: Wzorzec = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} |
AutoMLVertical
| Nazwa | Opis | Wartość |
|---|---|---|
| logVerbosity | Czasownik rejestrowania dla zadania. | "Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie" |
| targetColumnName | Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
struna |
| trainingData | [Wymagane] Dane wejściowe danych treningowych. | MLTableJobInput (wymagane) |
| taskType | Ustawianie typu obiektu |
Klasyfikacja prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection regresji TextClassification TextClassificationMultilabel TextNER (wymagane) |
MLTableJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| opis | Opis danych wejściowych. | struna |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Klasyfikacja
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Klasyfikacja" (wymagana) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| positiveLabel | Etykieta dodatnia dla obliczeń metryk binarnych. | struna |
| primaryMetric | Podstawowa metryka zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | ClassificationTrainingSettings |
| validationData | Dane wejściowe 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 |
| weightColumnName | Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. | struna |
TableVerticalFeaturizationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| blockedTransformers | Transformatory te nie są stosowane w cechowaniu. | Tablica ciągów zawierająca dowolną z: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Język zestawu danych przydatny dla danych tekstowych. | struna |
| 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. |
TableFixedParameters
| Nazwa | Opis | Wartość |
|---|---|---|
| Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | struna |
| boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | struna |
| growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | Int |
| maxBin | Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych. | Int |
| maxDepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | Int |
| maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | Int |
| minDataInLeaf | Minimalna liczba danych na liść. | Int |
| minSplitGain | Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | Int |
| modelName | Nazwa modelu do trenowania. | struna |
| nEstimatory | Określ liczbę drzew (lub rund) w modelu. | Int |
| numLeaves | Określ liczbę liści. | Int |
| preprocesorName | Nazwa preprocesora do użycia. | struna |
| regAlpha | L1 termin regularyzacji na wagi. | Int |
| regLambda | Termin uregulowania L2 na wagi. | Int |
| podprzykład | Współczynnik próbek podrzędnych wystąpienia trenowania. | Int |
| subsampleFreq | Częstotliwość podprzykładu. | Int |
| treeMethod | Określ metodę drzewa. | struna |
| withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar. | Bool |
| withStd | Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar. | Bool |
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 |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | Int |
| maxTrials | Liczba iteracji. | Int |
| sweepConcurrentTrials | Liczba współbieżnych przebiegów zamiatania, które użytkownik chce wyzwolić. | Int |
| sweepTrials | Liczba przebiegów zamiatania, które użytkownik chce wyzwolić. | Int |
| Limit czasu | Limit czasu zadania automatycznego uczenia maszynowego. | struna |
| trialTimeout | Limit czasu iteracji. | struna |
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) |
TableParameterSubspace
| Nazwa | Opis | Wartość |
|---|---|---|
| Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | struna |
| boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | struna |
| growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | struna |
| maxBin | Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych. | struna |
| maxDepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | struna |
| maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | struna |
| minDataInLeaf | Minimalna liczba danych na liść. | struna |
| minSplitGain | Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | struna |
| modelName | Nazwa modelu do trenowania. | struna |
| nEstimatory | Określ liczbę drzew (lub rund) w modelu. | struna |
| numLeaves | Określ liczbę liści. | struna |
| preprocesorName | Nazwa preprocesora do użycia. | struna |
| regAlpha | L1 termin regularyzacji na wagi. | struna |
| regLambda | Termin uregulowania L2 na wagi. | struna |
| podprzykład | Współczynnik próbek podrzędnych wystąpienia trenowania. | struna |
| subsampleFreq | Częstotliwość podprzykładu | struna |
| treeMethod | Określ metodę drzewa. | struna |
| withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar. | struna |
| withStd | Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar. | struna |
TableSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "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 |
ClassificationTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | Dozwolone modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Zablokowane modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
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) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| forecastingSettings | Prognozowanie danych wejściowych specyficznych dla zadania. | ForecastingSettings |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| primaryMetric | Podstawowa metryka zadania prognozowania. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | ForecastingTrainingSettings |
| validationData | Dane wejściowe 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 |
| 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 |
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 wynosićtrzy dni od siebie. |
Int |
| featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
| featuresUnknownAtForecastTime | Kolumny funkcji, które są dostępne do trenowania, ale nieznane w czasie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time nie jest ustawiona, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. |
string[] |
| 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) |
ForecastingTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
ImageClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (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 |
| validationData | Dane wejściowe 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 |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | Int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| opis | Opis danych wejściowych. | struna |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
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 |
| 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. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
ImageClassificationMultilabel
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassificationMultilabel" (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 |
| validationData | Dane wejściowe 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 |
ImageInstanceSegmentation
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageInstanceSegmentation" (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 |
| validationData | Dane wejściowe 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 |
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 |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | Int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | Włączanie obliczeń i rejestrowania metryk trenowania. | "Wyłącz" "Włącz" |
| logValidationLoss | Włącz przetwarzanie i utratę walidacji rejestrowania. | "Wyłącz" "Włącz" |
| 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 |
| 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 |
| 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) |
| 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 |
| validationData | Dane wejściowe 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 |
Regresja
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Regresja" (wymagana) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| primaryMetric | Podstawowa metryka zadania regresji. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | RegressionTrainingSettings |
| validationData | Dane wejściowe 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 |
| 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 |
RegressionTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | Dozwolone modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Zablokowane modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
Klasyfikacja tekstu
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassification" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| datasetLanguage | Język zestawu danych przydatny dla danych tekstowych. | struna |
NlpFixedParameters
| Nazwa | Opis | Wartość |
|---|---|---|
| gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego. | Int |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | Int |
| learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | "Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomianowy" |
| modelName | Nazwa modelu do trenowania. | struna |
| numberOfEpochs | Liczba epok treningowych. | Int |
| trainingBatchSize | Rozmiar partii dla procedury trenowania. | Int |
| validationBatchSize | Rozmiar partii do użycia podczas oceny. | Int |
| warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | Int |
| weightDecay | Rozkład masy dla procedury treningowej. | Int |
NlpVerticalLimitSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| maxConcurrentTrials | Maksymalna liczba iteracji automl współbieżnych. | Int |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | Int |
| maxTrials | Liczba iteracji rozwiązania AutoML. | Int |
| Limit czasu | Limit czasu zadania automatycznego uczenia maszynowego. | struna |
| trialTimeout | Limit czasu dla poszczególnych wersji próbnych HD. | struna |
NlpParameterSubspace
| Nazwa | Opis | Wartość |
|---|---|---|
| gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | struna |
| learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | struna |
| modelName | Nazwa modelu do trenowania. | struna |
| numberOfEpochs | Liczba epok treningowych. | struna |
| trainingBatchSize | Rozmiar partii dla procedury trenowania. | struna |
| validationBatchSize | Rozmiar partii do użycia podczas oceny. | struna |
| warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | struna |
| weightDecay | Rozkład masy dla procedury treningowej. | struna |
NlpSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
TextClassificationMultilabel
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
TextNer
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextNER" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
CommandJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
| autologgerSettings | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | |
| 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, Ray lub null. | DistributionConfiguration |
| environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
AutologgerSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| mlflowAutologger | [Wymagane] Wskazuje, czy jest włączony autologer mlflow. | "Wyłączone" "Włączone" (wymagane) |
Rozkładkonfiguracja
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | Ustawianie typu obiektu |
Mpi PyTorch Ray 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 |
Promień
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Ray" (wymagane) |
| adres | Adres węzła głównego Raya. | struna |
| dashboardPort | Port, z który ma być powiązany z serwerem pulpitu nawigacyjnego. | Int |
| headNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchomienia promienia w węźle głównym. | struna |
| includeDashboard | Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray. | Bool |
| port | Port procesu promienia głowy. | Int |
| workerNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchomienia promienia w węźle procesu roboczego. | struna |
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 |
custom_model literału mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
TritonModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "triton_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
UriFileJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "uri_file" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
UriFolderJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
LabelingJobProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| componentId | Identyfikator zasobu usługi ARM zasobu składnika. | struna |
| computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | struna |
| dataConfiguration | Konfiguracja danych używanych w zadaniu. | LabelingDataConfiguration |
| 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 |
| jobInstructions | Instrukcje etykietowania zadania. | LabelingJobInstructions |
| jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
| labelCategories | Etykieta kategorii zadania. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Właściwości specyficzne dla nośnika w zadaniu. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MLAssistConfiguration |
| notificationSetting | Ustawienie powiadomienia dla zadania | NotificationSetting |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 |
LabelingDataConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dataId | Identyfikator zasobu danych do wykonania etykietowania. | struna |
| incrementalDataRefresh | Wskazuje, czy włączyć odświeżanie danych przyrostowych. | "Wyłączone" "Włączone" |
LabelingJobInstructions
| Nazwa | Opis | Wartość |
|---|---|---|
| Uri | Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet. | struna |
LabelingJobLabelCategories
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelCategory |
EtykietaKategoria
| Nazwa | Opis | Wartość |
|---|---|---|
| Klasy | Słownik klas etykiet w tej kategorii. | LabelCategoryClasses |
| displayName | Nazwa wyświetlana kategorii etykiet. | struna |
| multiSelect | Wskazuje, czy można wybrać wiele klas w tej kategorii. | "Wyłączone" "Włączone" |
LabelCategoryClasses
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelClass |
LabelClass
| Nazwa | Opis | Wartość |
|---|---|---|
| displayName | Nazwa wyświetlana klasy etykiety. | struna |
| Podklasy | Słownik podklas klasy label. | LabelClassSubclasses |
LabelClassSubclasses
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelClass |
LabelingJobMediaProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | Ustawianie typu obiektu | obrazu tekstowych (wymagane) |
LabelingJobImageProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | [Wymagane] Typ nośnika zadania. | "Obraz" (wymagany) |
| typ adnotacji | Typ adnotacji zadania etykietowania obrazów. | "BoundingBox" "Klasyfikacja" "InstanceSegmentation" |
LabelingJobTextProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | [Wymagane] Typ nośnika zadania. | "Tekst" (wymagany) |
| typ adnotacji | Typ adnotacji zadania etykietowania tekstu. | "Klasyfikacja" "NamedEntityRecognition" |
MlAssistConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | Ustawianie typu obiektu |
wyłączone włączone (wymagane) |
MLAssistConfigurationDisabled
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | [Wymagane] Wskazuje, czy funkcja MLAssist jest włączona. | "Wyłączone" (wymagane) |
MLAssistConfigurationEnabled
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | [Wymagane] Wskazuje, czy funkcja MLAssist jest włączona. | "Włączone" (wymagane) |
| inferencingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| trainingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
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. | |
| sourceJobId | Identyfikator zasobu usługi ARM zadania źródłowego. | struna |
PipelineJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
PipelineJobJobs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} |
PipelineJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
SparkJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Spark" (wymagane) |
| archiwum | Archiwizowanie plików używanych w zadaniu. | string[] |
| args | Argumenty zadania. | struna |
| codeId | [Wymagane] Identyfikator zasobu usługi ARM zasobu kodu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| Conf | Właściwości skonfigurowane przez platformę Spark. | SparkJobConf |
| wpis | [Wymagane] Wpis do wykonania podczas uruchamiania zadania. | SparkJobEntry (wymagane) |
| environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | struna |
| Pliki | Pliki używane w zadaniu. | string[] |
| Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SparkJobInputs |
| Słoiki | Pliki Jar używane w zadaniu. | string[] |
| Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SparkJobOutputs |
| pyFiles | Pliki języka Python używane w zadaniu. | string[] |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | SparkResourceConfiguration |
SparkJobConf
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
SparkJobEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | Ustawianie typu obiektu |
SparkJobPythonEntry SparkJobScalaEntry (wymagane) |
SparkJobPythonEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobPythonEntry" (wymagane) |
| plik | [Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobScalaEntry" (wymagane) |
| className | [Wymagane] Nazwa klasy Scala używana jako punkt wejścia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
SparkJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
SparkResourceConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| instanceType | Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. | struna |
| runtimeVersion | Wersja środowiska uruchomieniowego platformy Spark używana dla zadania. | struna |
Zamiatanie
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
| earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem | |
| 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | Ustawianie typu obiektu | 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) |
| logbase | Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku | struna |
| 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
CreateMonitorAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateMonitor" (wymagane) |
| monitorDefinition | [Wymagane] Definiuje monitor. | MonitorDefinition (wymagane) |
MonitorDefinition
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationSetting | Ustawienia powiadomień monitora. | MonitoringAlertNotificationSettingsBase |
| computeId | [Wymagane] Identyfikator zasobu obliczeniowego usługi ARM do uruchomienia zadania monitorowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| monitoringTarget | Identyfikator zasobu usługi ARM modelu lub wdrożenia objętego tym monitorem. | struna |
| Sygnały | [Wymagane] Sygnały do monitorowania. | MonitorDefinitionSignals (wymagane) |
MonitoringAlertNotificationSettingsBase
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | Ustawianie typu obiektu |
AzureMonitor wiadomości e-mail (wymagane) |
AzMonMonitoringAlertNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | [Wymagane] Określa typ sygnału do monitorowania. | "AzureMonitor" (wymagane) |
EmailMonitoringAlertNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | [Wymagane] Określa typ sygnału do monitorowania. | "Wiadomość e-mail" (wymagana) |
| emailNotificationSetting | Konfiguracja powiadomienia. | NotificationSetting |
MonitorDefinitionSignals
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | monitorowanie SignalBase |
MonitoringSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| lookbackPeriod | Czas, przez jaki pojedynczy monitor powinien zwracać uwagę na dane docelowe w danym przebiegu. | struna |
| tryb | Bieżący tryb powiadomień dla tego sygnału. | "Wyłączone" "Włączone" |
| signalType | Ustawianie typu obiektu |
niestandardowe DataDrift DataQuality FeatureAttributionDrift ModelPerformance PredictionDrift (wymagane) |
CustomMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "Niestandardowy" (wymagany) |
| componentId | [Wymagane] Identyfikator zasobu usługi ARM zasobu składnika używanego do obliczania metryk niestandardowych. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputAssets | Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, a wartość to zasób danych. | CustomMonitoringSignalInputAssets |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | CustomMetricThreshold[] (wymagane) |
CustomMonitoringSignalInputAssets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringInputData |
MonitoringInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| atut | Dane wejściowe zasobu danych, które mają być używane przez zadanie monitorowania. | |
| dataContext | [Wymagane] Kontekst źródła danych. | "GroundTruth" "ModelInputs" "ModelOutputs" "Test" "Szkolenie" "Walidacja" (wymagana) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | struna |
| targetColumnName | Kolumna docelowa w danym zasobie danych do wykorzystania. | struna |
CustomMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| metryka | [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
MonitoringThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| wartość | Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. | Int |
DataDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| dataSegment | Segment danych używany do określania zakresu w podzestawie populacji danych. | MonitoringDataSegment |
| Funkcje | Filtr funkcji określający, która funkcja ma obliczyć dryf. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataDriftMetricThresholdBase[] (wymagane) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
MonitorowanieDataSegment
| Nazwa | Opis | Wartość |
|---|---|---|
| cecha | Funkcja umożliwiająca segmentowanie danych. | struna |
| Wartości | Filtruje tylko określone wartości danej funkcji segmentowanej. | string[] |
MonitoringFeatureFilterBase
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | Ustawianie typu obiektu |
AllFeatures FeatureSubset TopNByAttribution (wymagane) |
Wszystkiefeatures
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "AllFeatures" (wymagane) |
FeatureSubset
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "FeatureSubset" (wymagane) |
| Funkcje | [Wymagane] Lista funkcji do uwzględnienia. | string[] (wymagane) |
TopNFeaturesByAttribution
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "TopNByAttribution" (wymagane) |
| Do góry | Liczba najważniejszych funkcji do uwzględnienia. | Int |
DataDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu danych kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
Wartości liczboweDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu danych liczbowych do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
DataQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataQuality" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| Funkcje | Funkcje do obliczenia dryfu. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataQualityMetricThresholdBase[] (wymagane) |
| targetData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
DataQualityMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka jakości danych kategorii do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
NumericalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka jakości danych liczbowych do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
FeatureAttributionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "FeatureAttributionDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | FeatureAttributionMetricThreshold (wymagane) |
| modelType | [Wymagane] Typ zadania, które wykonuje model. | "Klasyfikacja" "Regresja" (wymagana) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
FeatureAttributionMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| metryka | [Wymagane] Metryka przypisania funkcji do obliczenia. | "NormalizedDiscountedCumulativeGain" (wymagane) |
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
ModelPerformanceSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "ModelPerformance" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| dataSegment | Segment danych. | MonitoringDataSegment |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | ModelPerformanceMetricThresholdBase (wymagane) |
| targetData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
ModelPerformanceMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| modelType | Ustawianie typu obiektu |
Klasyfikacja regresji (wymagane) |
ClassificationModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Klasyfikacja" (wymagana) |
| metryka | [Wymagane] Wydajność modelu klasyfikacji do obliczenia. | "Dokładność" "F1Score" "Precyzja" "Odwołaj" (wymagane) |
RegressionModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Regresja" (wymagana) |
| metryka | [Wymagane] Metryka wydajności modelu regresji do obliczenia. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (wymagane) |
PredictionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "PredictionDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | PredictionDriftMetricThresholdBase[] (wymagane) |
| modelType | [Wymagane] Typ monitorowanego modelu. | "Klasyfikacja" "Regresja" (wymagana) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
PredictionDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
ImportDataAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "ImportData" (wymagane) |
| dataImportDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | DataImportuj (wymagane) |
Importowanie danych
| Nazwa | Opis | Wartość |
|---|---|---|
| assetName | Nazwa zasobu zadania importu danych do utworzenia | struna |
| autoDeleteSetting | Określa ustawienie cyklu życia zarządzanego zasobu danych. | AutoDeleteSetting |
| Datatype | [Wymagane] Określa typ danych. | "mltable" "uri_file" "uri_folder" (wymagane) |
| dataUri | [Wymagane] Identyfikator URI danych. Przykład: https://go.microsoft.com/fwlink/?linkid=2202330 |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| opis | Tekst opisu zasobu. | struna |
| intellectualProperty | Szczegóły własności intelektualnej. Używane, jeśli dane są własnością intelektualną. | IntellectualProperty |
| isAnonymous | Jeśli wersja nazwy jest generowana przez system (rejestracja anonimowa). W przypadku typów, w których jest definiowany etap, po podaniu etapu będzie on używany do wypełniania wartości IsAnonymous | Bool |
| isArchived | Czy zasób jest archiwizowany? W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia wartości IsArchived | Bool |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| źródło | Dane źródłowe zasobu do zaimportowania z | DataImportSource |
| scena | Etap w cyklu życia danych przypisanym do tego zasobu danych | struna |
| Tagi | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | sprzeciwiać się |
Własność intelektualna
| Nazwa | Opis | Wartość |
|---|---|---|
| protectionLevel | Poziom ochrony własności intelektualnej. | "Wszystko" "Brak" |
| wydawca | [Wymagane] Wydawca własności intelektualnej. Musi być taka sama jak nazwa wydawcy rejestru. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
DataImportSource
| Nazwa | Opis | Wartość |
|---|---|---|
| połączenie | Połączenie obszaru roboczego dla magazynu źródłowego importu danych | struna |
| sourceType | Ustawianie typu obiektu |
bazy danych file_system (wymagane) |
DatabaseSource
| Nazwa | Opis | Wartość |
|---|---|---|
| sourceType | [Wymagane] Określa typ danych. | "baza danych" (wymagana) |
| zapytanie | Instrukcja SQL Query dla źródła bazy danych importu danych | struna |
| storedProcedure | Sql StoredProcedure w źródle importu danych | struna |
| storedProcedureParams | Parametry usługi SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nazwa tabeli w źródle importu danych | struna |
DatabaseSourceStoredProcedureParamsItem
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
FileSystemSource
| Nazwa | Opis | Wartość |
|---|---|---|
| sourceType | [Wymagane] Określa typ danych. | "file_system" (wymagane) |
| ścieżka | Ścieżka dotycząca importowania źródła systemu plików | struna |
EndpointScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "InvokeBatchEndpoint" (wymagane) |
| endpointInvocationDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. {zobacz href="TBD" /} |
TriggerBase
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
struna |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | struna |
| strefa czasowa | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones /> |
struna |
| triggerType | Ustawianie typu obiektu |
Cron cyklu (wymagane) |
CronTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| triggerType | [Wymagane] | "Cron" (wymagane) |
| wyrażenie | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
struna |
| częstotliwość | [Wymagane] Częstotliwość wyzwalania harmonogramu. | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
| interwał | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
| harmonogram | Harmonogram cyklu. | cyklu |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | struna |
| strefa czasowa | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones |
struna |
| triggerType | [Wymagane] | "Cron" "Cykl" (wymagany) |
CyklSchedule
| Nazwa | Opis | Wartość |
|---|---|---|
| Godzin | [Wymagane] Lista godzin harmonogramu. | int[] (wymagane) |
| protokół | [Wymagane] Lista minut harmonogramu. | int[] (wymagane) |
| monthDays | Lista dni miesiąca dla harmonogramu | int[] |
| Dni powszednie | Lista dni harmonogramu. | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |
Definicja zasobu narzędzia Terraform (dostawcy AzAPI)
Typ zasobu obszary robocze/harmonogramy 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/schedules, dodaj następujący program Terraform do szablonu.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-04-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
}
tags = {}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Obiekty ScheduleActionBase
Ustaw właściwość actionType, aby określić typ obiektu.
W przypadku createJobużyj:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
W przypadku CreateMonitorużyj:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSetting = {
alertNotificationType = "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeId = "string"
monitoringTarget = "string"
signals = {
{customized property} = {
lookbackPeriod = "string"
mode = "string"
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
W przypadku ImportDataużyj:
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {}
}
W przypadku InvokeBatchEndpointużyj:
actionType = "InvokeBatchEndpoint"
Obiekty JobBaseProperties
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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
W przypadkupolecenia
jobType = "Command"
autologgerSettings = {
mlflowAutologger = "string"
}
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
W przypadku etykietowaniaużyj:
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
labelingJobMediaProperties = {
mediaType = "string"
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration = {
mlAssist = "string"
// For remaining properties, see MLAssistConfiguration objects
}
W przypadkupotoku
jobType = "Pipeline"
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
sourceJobId = "string"
W przypadku platformy Sparkużyj:
jobType = "Spark"
archives = [
"string"
]
args = "string"
codeId = "string"
conf = {
{customized property} = "string"
}
entry = {
sparkJobEntryType = "string"
// For remaining properties, see SparkJobEntry objects
}
environmentId = "string"
files = [
"string"
]
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jars = [
"string"
]
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
W przypadku
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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
}
Obiekty IdentityConfiguration
Ustaw właściwość identityType, aby określić typ obiektu.
W przypadku
identityType = "AMLToken"
W przypadku zarządzanychużyj:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
W przypadku userIdentityużyj:
identityType = "UserIdentity"
Obiekty elementu webhook
Ustaw właściwość webhookType, aby określić typ obiektu.
W przypadku AzureDevOps użyj:
webhookType = "AzureDevOps"
Obiekty węzłów
Ustaw właściwość nodesValueType, aby określić typ obiektu.
W przypadku Wszystkieużyj:
nodesValueType = "All"
Obiekty JobOutput
Ustaw właściwość jobOutputType, aby określić typ obiektu.
W przypadku custom_modelużyj:
jobOutputType = "custom_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku mlflow_modelużyj:
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku mltableużyj:
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku triton_modelużyj:
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku uri_fileużyj polecenia:
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
W przypadku uri_folderużyj:
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
Obiekty autoMLVertical
Ustaw właściwość taskType, aby określić typ obiektu.
W przypadku classificationużyj:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
W przypadku prognozowanieużyj:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
featuresUnknownAtForecastTime = [
"string"
]
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
W przypadku ImageClassificationużyj:
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
W przypadku ImageClassificationMultilabelużyj:
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
W przypadku ImageInstanceSegmentationużyj:
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
W przypadku ImageObjectDetectionużyj:
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
W przypadku regresjiużyj:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
W przypadku TextClassificationużyj:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
W przypadku TextClassificationMultilabelużyj:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
W przypadku
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Obiekty NCrossValidations
Ustaw właściwość trybu
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 ForecastHorizon
Ustaw właściwość trybu
W przypadku autoużyj:
mode = "Auto"
W przypadku niestandardowychużyj:
mode = "Custom"
value = int
Obiekty sezonowości
Ustaw właściwość trybu
W przypadku autoużyj:
mode = "Auto"
W przypadku niestandardowychużyj:
mode = "Custom"
value = int
Obiekty TargetLags
Ustaw właściwość trybu
W przypadku autoużyj:
mode = "Auto"
W przypadku niestandardowychużyj:
mode = "Custom"
values = [
int
]
Obiekty TargetRollingWindowSize
Ustaw właściwość trybu
W przypadku autoużyj:
mode = "Auto"
W przypadku niestandardowychużyj:
mode = "Custom"
value = 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 Rayużyj:
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
W przypadku TensorFlow użyj:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
Obiekty JobInput
Ustaw właściwość jobInputType, aby określić typ obiektu.
W przypadku custom_modelużyj:
jobInputType = "custom_model"
mode = "string"
uri = "string"
W przypadku literałuużyj:
jobInputType = "literal"
value = "string"
W przypadku mlflow_modelużyj:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
W przypadku mltableużyj:
jobInputType = "mltable"
mode = "string"
uri = "string"
W przypadku triton_modelużyj:
jobInputType = "triton_model"
mode = "string"
uri = "string"
W przypadku uri_fileużyj polecenia:
jobInputType = "uri_file"
mode = "string"
uri = "string"
W przypadku uri_folderużyj:
jobInputType = "uri_folder"
mode = "string"
uri = "string"
LabelingJobMediaProperties, obiekty
Ustaw właściwość mediaType, aby określić typ obiektu.
W przypadku imageużyj:
mediaType = "Image"
annotationType = "string"
W przypadku textużyj:
mediaType = "Text"
annotationType = "string"
Obiekty MLAssistConfiguration
Ustaw właściwość mlAssist, aby określić typ obiektu.
W przypadku disabledużyj:
mlAssist = "Disabled"
W przypadku włączonejużyj:
mlAssist = "Enabled"
inferencingComputeBinding = "string"
trainingComputeBinding = "string"
Obiekty SparkJobEntry
Ustaw właściwość sparkJobEntryType, aby określić typ obiektu.
W przypadku SparkJobPythonEntryużyj:
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
W przypadku SparkJobScalaEntryużyj:
sparkJobEntryType = "SparkJobScalaEntry"
className = "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"
logbase = "string"
rule = "string"
seed = int
MonitoringAlertNotificationSettingsBase obiektów
Ustaw właściwość alertNotificationType, aby określić typ obiektu.
W przypadku AzureMonitorużyj:
alertNotificationType = "AzureMonitor"
W przypadku poczty e-mail użyj:
alertNotificationType = "Email"
emailNotificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
MonitoringSignalBase obiektów
Ustaw właściwość signalType, aby określić typ obiektu.
W przypadku niestandardowychużyj:
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
W przypadku
signalType = "DataDrift"
baselineData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
dataSegment = {
feature = "string"
values = [
"string"
]
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
targetData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
W przypadku DataQualityużyj:
signalType = "DataQuality"
baselineData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
targetData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
W przypadku FeatureAttributionDriftużyj:
signalType = "FeatureAttributionDrift"
baselineData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
modelType = "string"
targetData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
W przypadku ModelPerformanceużyj:
signalType = "ModelPerformance"
baselineData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
targetData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
W przypadku PredictionDriftużyj:
signalType = "PredictionDrift"
baselineData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType = "string"
targetData = {
dataContext = "string"
preprocessingComponentId = "string"
targetColumnName = "string"
}
MonitoringFeatureFilterBase obiektów
Ustaw właściwość filterType, aby określić typ obiektu.
W przypadku AllFeaturesużyj:
filterType = "AllFeatures"
W przypadku FeatureSubsetużyj:
filterType = "FeatureSubset"
features = [
"string"
]
W przypadku TopNByAttribution użyj:
filterType = "TopNByAttribution"
top = int
Obiekty DataDriftMetricThresholdBase
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
dataType = "Categorical"
metric = "string"
W przypadku liczbowych użyj:
dataType = "Numerical"
metric = "string"
Obiekty DataQualityMetricThresholdBase
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
dataType = "Categorical"
metric = "string"
W przypadku liczbowych użyj:
dataType = "Numerical"
metric = "string"
Obiekty ModelPerformanceMetricThresholdBase
Ustaw właściwość modelType, aby określić typ obiektu.
W przypadku classificationużyj:
modelType = "Classification"
metric = "string"
W przypadku regresjiużyj:
modelType = "Regression"
metric = "string"
PredictionDriftMetricThresholdBase, obiekty
Ustaw właściwość dataType, aby określić typ obiektu.
W przypadku kategorii użyj:
dataType = "Categorical"
metric = "string"
W przypadku liczbowych użyj:
dataType = "Numerical"
metric = "string"
Obiekty DataImportSource
Ustaw właściwość sourceType, aby określić typ obiektu.
W przypadkubazy danych
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
W przypadku file_systemużyj:
sourceType = "file_system"
path = "string"
Obiekty TriggerBase
Ustaw właściwość triggerType, aby określić typ obiektu.
W przypadku Cronużyj:
triggerType = "Cron"
expression = "string"
W przypadkucyklu
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Wartości właściwości
obszary robocze/harmonogramy
| Nazwa | Opis | Wartość |
|---|---|---|
| typ | Typ zasobu | "Microsoft.MachineLearningServices/workspaces/schedules@2023-04-01-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. | ScheduleProperties (wymagane) |
Właściwości harmonogramu
| Nazwa | Opis | Wartość |
|---|---|---|
| akcja | [Wymagane] Określa akcję harmonogramu | ScheduleActionBase (wymagane) |
| opis | Tekst opisu zasobu. | struna |
| displayName | Nazwa wyświetlana harmonogramu. | struna |
| isEnabled | Czy harmonogram jest włączony? | Bool |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| Tagi | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | sprzeciwiać się |
| spust | [Wymagane] Określa szczegóły wyzwalacza | TriggerBase (wymagane) |
ScheduleActionBase
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | Ustawianie typu obiektu |
createJob CreateMonitor ImportData InvokeBatchEndpoint (wymagane) |
JobScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateJob" (wymagane) |
| jobDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | JobBaseProperties (wymagane) |
Właściwości elementu JobBase
| Nazwa | Opis | Wartość |
|---|---|---|
| componentId | Identyfikator zasobu usługi ARM zasobu składnika. | struna |
| 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 |
| notificationSetting | Ustawienie powiadomienia dla zadania | NotificationSetting |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 spark 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) |
NotificationSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| emailOn | Wysyłanie powiadomienia e-mail do użytkownika w określonym typie powiadomienia | Tablica ciągów zawierająca dowolną z: "JobCancelled" "JobCompleted" "JobFailed" |
| wiadomości e-mail | Jest to lista adresatów wiadomości e-mail, która ma ograniczenie 499 znaków w sumie concat z separatorem przecinka | string[] |
| elementy webhook | Wysyłanie wywołania zwrotnego elementu webhook do usługi. Klucz to nazwa podana przez użytkownika dla elementu webhook. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | elementu webhook |
Element webhook
| Nazwa | Opis | Wartość |
|---|---|---|
| eventType | Wysyłanie wywołania zwrotnego w określonym zdarzeniu powiadomienia | struna |
| webhookType | Ustawianie typu obiektu | AzureDevOps (wymagane) |
AzureDevOpsWebhook
| Nazwa | Opis | Wartość |
|---|---|---|
| webhookType | [Wymagane] Określa typ usługi do wysłania wywołania zwrotnego | "AzureDevOps" (wymagane) |
Właściwości bazy danych ResourceBase
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
JobBaseSecretsConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | SecretConfiguration |
Konfiguracja wpisu tajnego
| Nazwa | Opis | Wartość |
|---|---|---|
| Uri | Identyfikator URI wpisu tajnego. Przykładowy identyfikator URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
struna |
| workspaceSecretName | Nazwa wpisu tajnego w magazynie kluczy obszaru roboczego. | struna |
JobBaseServices
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobService |
JobService
| Nazwa | Opis | Wartość |
|---|---|---|
| punkt końcowy | Adres URL punktu końcowego. | struna |
| jobServiceType | Typ punktu końcowego. | struna |
| Węzłów | Węzły, na których użytkownik chce uruchomić usługę. Jeśli węzły nie są ustawione lub ustawione na wartość null, usługa zostanie uruchomiona tylko w węźle przywódcy. |
węzłów |
| port | Port dla punktu końcowego ustawionego przez użytkownika. | Int |
| Właściwości | Dodatkowe właściwości do ustawienia w punkcie końcowym. | JobServiceProperties |
Węzłów
| Nazwa | Opis | Wartość |
|---|---|---|
| nodesValueType | Ustawianie typu obiektu | wszystkie (wymagane) |
Wszystkie węzły
| Nazwa | Opis | Wartość |
|---|---|---|
| nodesValueType | [Wymagane] Typ wartości Węzły | "Wszystkie" (wymagane) |
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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
| 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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
AutoDeleteSetting
| Nazwa | Opis | Wartość |
|---|---|---|
| warunek | Kiedy sprawdzić, czy zasób wygasł | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| wartość | Wartość warunku wygaśnięcia. | struna |
MLFlowModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mlflow_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
MLTableJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "mltable" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
TritonModelJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "triton_model" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
UriFileJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "uri_file" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
UriFolderJobOutput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobOutputType | [Wymagane] Określa typ zadania. | "uri_folder" (wymagane) |
| assetName | Nazwa zasobu wyjściowego. | struna |
| assetVersion | Wersja elementu zawartości wyjściowej. | struna |
| autoDeleteSetting | Ustawienie automatycznego usuwania elementu zawartości danych wyjściowych. | AutoDeleteSetting |
| tryb | Tryb dostarczania zasobów wyjściowych. | "Bezpośredni" "ReadWriteMount" "Przekaż" |
| Uri | Identyfikator URI elementu zawartości wyjściowej. | struna |
QueueSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| jobTier | Wyliczenie w celu określenia warstwy zadań. | "Podstawowa" "Premium" "Spot" "Standardowa" |
| priorytet | Określa priorytet zadania obliczeniowego. | Int |
JobResourceConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dockerArgs | Dodatkowe argumenty do przekazania do polecenia uruchamiania platformy Docker. Spowoduje to zastąpienie wszystkich parametrów, które zostały już ustawione przez system lub w tej sekcji. Ten parametr jest obsługiwany tylko w przypadku typów obliczeniowych usługi Azure ML. | struna |
| 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 |
| Lokalizacje | Lokalizacje, w których można uruchomić zadanie. | string[] |
| maxInstanceCount | Opcjonalna maksymalna dozwolona liczba wystąpień lub węzłów, które mają być używane przez docelowy obiekt obliczeniowy. Do użytku z trenowania elastycznego, obecnie obsługiwane tylko przez typ dystrybucji PyTorch. |
Int |
| Właściwości | Dodatkowa torba właściwości. | ResourceConfigurationProperties |
| shmSize | Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów). | struna Ograniczenia: Wzorzec = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} |
AutoMLVertical
| Nazwa | Opis | Wartość |
|---|---|---|
| logVerbosity | Czasownik rejestrowania dla zadania. | "Krytyczne" "Debugowanie" "Błąd" "Informacje" "NotSet" "Ostrzeżenie" |
| targetColumnName | Nazwa kolumny docelowej: jest to kolumna wartości przewidywania. Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji. |
struna |
| trainingData | [Wymagane] Dane wejściowe danych treningowych. | MLTableJobInput (wymagane) |
| taskType | Ustawianie typu obiektu |
Klasyfikacja prognozowanie ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection regresji TextClassification TextClassificationMultilabel TextNER (wymagane) |
MLTableJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| opis | Opis danych wejściowych. | struna |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
Klasyfikacja
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Klasyfikacja" (wymagana) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| positiveLabel | Etykieta dodatnia dla obliczeń metryk binarnych. | struna |
| primaryMetric | Podstawowa metryka zadania. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | ClassificationTrainingSettings |
| validationData | Dane wejściowe 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 |
| weightColumnName | Nazwa kolumny wagi próbki. Zautomatyzowane uczenie maszynowe obsługuje kolumnę ważoną jako dane wejściowe, co powoduje, że wiersze w danych mają być ważone w górę lub w dół. | struna |
TableVerticalFeaturizationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| blockedTransformers | Transformatory te nie są stosowane w cechowaniu. | Tablica ciągów zawierająca dowolną z: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Słownik nazwy kolumny i jego typu (int, float, string, datetime itp.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Język zestawu danych przydatny dla danych tekstowych. | struna |
| 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. |
TableFixedParameters
| Nazwa | Opis | Wartość |
|---|---|---|
| Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | struna |
| boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | struna |
| growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | Int |
| maxBin | Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych. | Int |
| maxDepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | Int |
| maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | Int |
| minDataInLeaf | Minimalna liczba danych na liść. | Int |
| minSplitGain | Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | Int |
| modelName | Nazwa modelu do trenowania. | struna |
| nEstimatory | Określ liczbę drzew (lub rund) w modelu. | Int |
| numLeaves | Określ liczbę liści. | Int |
| preprocesorName | Nazwa preprocesora do użycia. | struna |
| regAlpha | L1 termin regularyzacji na wagi. | Int |
| regLambda | Termin uregulowania L2 na wagi. | Int |
| podprzykład | Współczynnik próbek podrzędnych wystąpienia trenowania. | Int |
| subsampleFreq | Częstotliwość podprzykładu. | Int |
| treeMethod | Określ metodę drzewa. | struna |
| withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar. | Bool |
| withStd | Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar. | Bool |
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 |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | Int |
| maxTrials | Liczba iteracji. | Int |
| sweepConcurrentTrials | Liczba współbieżnych przebiegów zamiatania, które użytkownik chce wyzwolić. | Int |
| sweepTrials | Liczba przebiegów zamiatania, które użytkownik chce wyzwolić. | Int |
| Limit czasu | Limit czasu zadania automatycznego uczenia maszynowego. | struna |
| trialTimeout | Limit czasu iteracji. | struna |
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) |
TableParameterSubspace
| Nazwa | Opis | Wartość |
|---|---|---|
| Booster | Określ typ zwiększania, np. gbdt dla biblioteki XGBoost. | struna |
| boostingType | Określ typ zwiększania, np. gbdt dla lightGBM. | struna |
| growPolicy | Określ zasady zwiększania, które sterują sposobem dodawania nowych węzłów do drzewa. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | struna |
| maxBin | Określ maksymalną liczbę odrębnych pojemników do zasobnika funkcji ciągłych. | struna |
| maxDepth | Określ maksymalną głębokość, aby jawnie ograniczyć głębokość drzewa. | struna |
| maxLeaves | Określ maksymalne liście, aby jawnie ograniczyć liście drzewa. | struna |
| minDataInLeaf | Minimalna liczba danych na liść. | struna |
| minSplitGain | Minimalna redukcja strat wymagana do wykonania kolejnej partycji w węźle liścia drzewa. | struna |
| modelName | Nazwa modelu do trenowania. | struna |
| nEstimatory | Określ liczbę drzew (lub rund) w modelu. | struna |
| numLeaves | Określ liczbę liści. | struna |
| preprocesorName | Nazwa preprocesora do użycia. | struna |
| regAlpha | L1 termin regularyzacji na wagi. | struna |
| regLambda | Termin uregulowania L2 na wagi. | struna |
| podprzykład | Współczynnik próbek podrzędnych wystąpienia trenowania. | struna |
| subsampleFreq | Częstotliwość podprzykładu | struna |
| treeMethod | Określ metodę drzewa. | struna |
| withMean | Jeśli wartość true, wyśrodkuj przed skalowaniem danych przy użyciu standardu StandardScalar. | struna |
| withStd | Jeśli wartość true, skalowanie danych przy użyciu wariancji jednostkowej przy użyciu standardScalar. | struna |
TableSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "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 |
ClassificationTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | Dozwolone modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Zablokowane modele dla zadania klasyfikacji. | Tablica ciągów zawierająca dowolną z: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticsRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
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) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| forecastingSettings | Prognozowanie danych wejściowych specyficznych dla zadania. | ForecastingSettings |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| primaryMetric | Podstawowa metryka zadania prognozowania. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | ForecastingTrainingSettings |
| validationData | Dane wejściowe 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 |
| 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 |
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 wynosićtrzy dni od siebie. |
Int |
| featureLags | Flaga generowania opóźnień dla funkcji liczbowych z wartością "auto" lub null. | "Auto" "Brak" |
| featuresUnknownAtForecastTime | Kolumny funkcji, które są dostępne do trenowania, ale nieznane w czasie prognozowania/wnioskowania. Jeśli features_unknown_at_forecast_time nie jest ustawiona, zakłada się, że wszystkie kolumny funkcji w zestawie danych są znane w czasie wnioskowania. |
string[] |
| 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) |
ForecastingTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
ImageClassification
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassification" (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 |
| validationData | Dane wejściowe 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 |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | Int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| opis | Opis danych wejściowych. | struna |
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
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 |
| 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. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmów próbkowania hiperparametrów. | "Bayesian" "Siatka" "Losowe" (wymagane) |
ImageClassificationMultilabel
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageClassificationMultilabel" (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 |
| validationData | Dane wejściowe 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 |
ImageInstanceSegmentation
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "ImageInstanceSegmentation" (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 |
| validationData | Dane wejściowe 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 |
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 |
| checkpointFrequency | Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą. | Int |
| checkpointModel | Wstępnie wytrenowany model punktu kontrolnego na potrzeby trenowania przyrostowego. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | Włączanie obliczeń i rejestrowania metryk trenowania. | "Wyłącz" "Włącz" |
| logValidationLoss | Włącz przetwarzanie i utratę walidacji rejestrowania. | "Wyłącz" "Włącz" |
| 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 |
| 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 |
| 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) |
| 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 |
| validationData | Dane wejściowe 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 |
Regresja
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "Regresja" (wymagana) |
| cvSplitColumnNames | Kolumny do użycia dla danych CVSplit. | string[] |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | TableVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | TableFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Liczba składań krzyżowych do zastosowania w zestawie danych szkoleniowych jeśli zestaw danych sprawdzania poprawności nie jest podany. |
NCrossValidations |
| primaryMetric | Podstawowa metryka zadania regresji. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | TableParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | TableSweepSettings |
| testData | Testowanie danych wejściowych. | 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 |
| trainingSettings | Dane wejściowe fazy trenowania zadania automatycznego uczenia maszynowego. | RegressionTrainingSettings |
| validationData | Dane wejściowe 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 |
| 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 |
RegressionTrainingSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| allowedTrainingAlgorithms | Dozwolone modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Zablokowane modele dla zadania regresji. | Tablica ciągów zawierająca dowolną z: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | Tryb TrainingMode — ustawienie wartości "auto" jest takie samo jak ustawienie go na wartość "nieprostrybuowana" na razie, jednak w przyszłości może spowodować wybór trybu mieszanego lub heurystycznego. Wartość domyślna to "auto". Jeśli wartość "Rozproszona" jest używana tylko rozproszona cecha, a wybierane są algorytmy rozproszone. W przypadku wybrania parametru "NonDistributed" są wybierane tylko nieprodowane algorytmy. |
"Auto" "Rozproszony" "NonDistributed" |
Klasyfikacja tekstu
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassification" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Podstawowa metryka dla zadania Text-Classification. | "AUCWeighted" "Dokładność" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| datasetLanguage | Język zestawu danych przydatny dla danych tekstowych. | struna |
NlpFixedParameters
| Nazwa | Opis | Wartość |
|---|---|---|
| gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego. | Int |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | Int |
| learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | "Stała" "ConstantWithWarmup" "Cosine" "CosineWithRestarts" "Liniowy" "Brak" "Wielomian" |
| modelName | Nazwa modelu do trenowania. | struna |
| numberOfEpochs | Liczba epok treningowych. | Int |
| trainingBatchSize | Rozmiar partii dla procedury trenowania. | Int |
| validationBatchSize | Rozmiar partii do użycia podczas oceny. | Int |
| warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | Int |
| weightDecay | Rozkład masy dla procedury treningowej. | Int |
NlpVerticalLimitSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| maxConcurrentTrials | Maksymalna liczba iteracji automl współbieżnych. | Int |
| maxNodes | Maksymalna liczba węzłów do użycia w eksperymencie. | Int |
| maxTrials | Liczba iteracji rozwiązania AutoML. | Int |
| Limit czasu | Limit czasu zadania automatycznego uczenia maszynowego. | struna |
| trialTimeout | Limit czasu dla poszczególnych wersji próbnych HD. | struna |
NlpParameterSubspace
| Nazwa | Opis | Wartość |
|---|---|---|
| gradientAccumulationKroki | Liczba kroków gromadzenia gradientów przed uruchomieniem przejścia wstecznego. | struna |
| learningRate | Kurs szkoleniowy dla procedury szkoleniowej. | struna |
| learningRateScheduler | Typ harmonogramu szybkości nauki, który ma być używany podczas procedury trenowania. | struna |
| modelName | Nazwa modelu do trenowania. | struna |
| numberOfEpochs | Liczba epok treningowych. | struna |
| trainingBatchSize | Rozmiar partii dla procedury trenowania. | struna |
| validationBatchSize | Rozmiar partii do użycia podczas oceny. | struna |
| warmupRatio | Stosunek rozgrzewki, używany obok LrSchedulerType. | struna |
| weightDecay | Rozkład masy dla procedury treningowej. | struna |
NlpSweepSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| earlyTermination | Typ zasad wczesnego zakończenia zadania zamiatania. | |
| próbkowanieAlgorithm | [Wymagane] Typ algorytmu próbkowania. | "Bayesian" "Siatka" "Losowe" (wymagane) |
TextClassificationMultilabel
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextClassificationMultilabel" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
TextNer
| Nazwa | Opis | Wartość |
|---|---|---|
| taskType | [Wymagane] Typ zadania dla zadania AutoMLJob. | "TextNER" (wymagane) |
| cechowanieUstawienia | Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. | NlpVerticalFeaturizationSettings |
| fixedParameters | Parametry modelu/trenowania, które pozostaną stałe podczas trenowania. | NlpFixedParameters |
| limitSettings | Ograniczenia wykonywania dla zadania AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. | NlpParameterSubspace[] |
| sweepSettings | Ustawienia dotyczące zamiatania modelu i dostrajania hiperparametrów. | NlpSweepSettings |
| validationData | Dane wejściowe danych walidacji. | MLTableJobInput |
CommandJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Polecenie" (wymagane) |
| autologgerSettings | Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null. | |
| 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, Ray lub null. | DistributionConfiguration |
| environmentId | [Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
AutologgerSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| mlflowAutologger | [Wymagane] Wskazuje, czy jest włączony autologer mlflow. | "Wyłączone" "Włączone" (wymagane) |
Rozkładkonfiguracja
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | Ustawianie typu obiektu |
Mpi PyTorch Ray 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 |
Promień
| Nazwa | Opis | Wartość |
|---|---|---|
| distributionType | [Wymagane] Określa typ struktury dystrybucji. | "Ray" (wymagane) |
| adres | Adres węzła głównego Raya. | struna |
| dashboardPort | Port, z który ma być powiązany z serwerem pulpitu nawigacyjnego. | Int |
| headNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchomienia promienia w węźle głównym. | struna |
| includeDashboard | Podaj ten argument, aby uruchomić graficzny interfejs użytkownika pulpitu nawigacyjnego Ray. | Bool |
| port | Port procesu promienia głowy. | Int |
| workerNodeAdditionalArgs | Dodatkowe argumenty przekazane do uruchomienia promienia w węźle procesu roboczego. | struna |
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 |
custom_model literału mlflow_model mltable triton_model uri_file uri_folder (wymagane) |
CustomModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "custom_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
TritonModelJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "triton_model" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
UriFileJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "uri_file" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
UriFolderJobInput
| Nazwa | Opis | Wartość |
|---|---|---|
| jobInputType | [Wymagane] Określa typ zadania. | "uri_folder" (wymagane) |
| tryb | Tryb dostarczania zasobów wejściowych. | "Bezpośredni" "Pobierz" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Wymagane] Identyfikator URI zasobu wejściowego. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 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 |
LabelingJobProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| componentId | Identyfikator zasobu usługi ARM zasobu składnika. | struna |
| computeId | Identyfikator zasobu usługi ARM zasobu obliczeniowego. | struna |
| dataConfiguration | Konfiguracja danych używanych w zadaniu. | LabelingDataConfiguration |
| 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 |
| jobInstructions | Instrukcje etykietowania zadania. | LabelingJobInstructions |
| jobType | [Wymagane] Określa typ zadania. | "AutoML" "Polecenie" "Etykietowanie" "Potok" "Spark" "Zamiatanie" (wymagane) |
| labelCategories | Etykieta kategorii zadania. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Właściwości specyficzne dla nośnika w zadaniu. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguracja funkcji MLAssist w zadaniu. | MLAssistConfiguration |
| notificationSetting | Ustawienie powiadomienia dla zadania | NotificationSetting |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| secretsConfiguration | Konfiguracja wpisów tajnych, które mają być udostępniane w czasie wykonywania. | JobBaseSecretsConfiguration |
| 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 |
LabelingDataConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| dataId | Identyfikator zasobu danych do wykonania etykietowania. | struna |
| incrementalDataRefresh | Wskazuje, czy włączyć odświeżanie danych przyrostowych. | "Wyłączone" "Włączone" |
LabelingJobInstructions
| Nazwa | Opis | Wartość |
|---|---|---|
| Uri | Link do strony ze szczegółowymi instrukcjami etykietowania dla etykiet. | struna |
LabelingJobLabelCategories
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelCategory |
EtykietaKategoria
| Nazwa | Opis | Wartość |
|---|---|---|
| Klasy | Słownik klas etykiet w tej kategorii. | LabelCategoryClasses |
| displayName | Nazwa wyświetlana kategorii etykiet. | struna |
| multiSelect | Wskazuje, czy można wybrać wiele klas w tej kategorii. | "Wyłączone" "Włączone" |
LabelCategoryClasses
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelClass |
LabelClass
| Nazwa | Opis | Wartość |
|---|---|---|
| displayName | Nazwa wyświetlana klasy etykiety. | struna |
| Podklasy | Słownik podklas klasy label. | LabelClassSubclasses |
LabelClassSubclasses
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | LabelClass |
LabelingJobMediaProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | Ustawianie typu obiektu | obrazu tekstowych (wymagane) |
LabelingJobImageProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | [Wymagane] Typ nośnika zadania. | "Obraz" (wymagany) |
| typ adnotacji | Typ adnotacji zadania etykietowania obrazów. | "BoundingBox" "Klasyfikacja" "InstanceSegmentation" |
LabelingJobTextProperties
| Nazwa | Opis | Wartość |
|---|---|---|
| mediaType | [Wymagane] Typ nośnika zadania. | "Tekst" (wymagany) |
| typ adnotacji | Typ adnotacji zadania etykietowania tekstu. | "Klasyfikacja" "NamedEntityRecognition" |
MlAssistConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | Ustawianie typu obiektu |
wyłączone włączone (wymagane) |
MLAssistConfigurationDisabled
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | [Wymagane] Wskazuje, czy funkcja MLAssist jest włączona. | "Wyłączone" (wymagane) |
MLAssistConfigurationEnabled
| Nazwa | Opis | Wartość |
|---|---|---|
| mlAssist | [Wymagane] Wskazuje, czy funkcja MLAssist jest włączona. | "Włączone" (wymagane) |
| inferencingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane w wnioskowaniu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| trainingComputeBinding | [Wymagane] Powiązanie obliczeniowe AML używane podczas trenowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
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. | |
| sourceJobId | Identyfikator zasobu usługi ARM zadania źródłowego. | struna |
PipelineJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
PipelineJobJobs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} |
PipelineJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
SparkJob
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Spark" (wymagane) |
| archiwum | Archiwizowanie plików używanych w zadaniu. | string[] |
| args | Argumenty zadania. | struna |
| codeId | [Wymagane] Identyfikator zasobu usługi ARM zasobu kodu. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| Conf | Właściwości skonfigurowane przez platformę Spark. | SparkJobConf |
| wpis | [Wymagane] Wpis do wykonania podczas uruchamiania zadania. | SparkJobEntry (wymagane) |
| environmentId | Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. | struna |
| Pliki | Pliki używane w zadaniu. | string[] |
| Wejścia | Mapowanie powiązań danych wejściowych używanych w zadaniu. | SparkJobInputs |
| Słoiki | Pliki Jar używane w zadaniu. | string[] |
| Wyjść | Mapowanie powiązań danych wyjściowych używanych w zadaniu. | SparkJobOutputs |
| pyFiles | Pliki języka Python używane w zadaniu. | string[] |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | SparkResourceConfiguration |
SparkJobConf
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
SparkJobEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | Ustawianie typu obiektu |
SparkJobPythonEntry SparkJobScalaEntry (wymagane) |
SparkJobPythonEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobPythonEntry" (wymagane) |
| plik | [Wymagane] Względna ścieżka pliku języka Python dla punktu wejścia zadania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Nazwa | Opis | Wartość |
|---|---|---|
| sparkJobEntryType | [Wymagane] Typ punktu wejścia zadania. | "SparkJobScalaEntry" (wymagane) |
| className | [Wymagane] Nazwa klasy Scala używana jako punkt wejścia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SparkJobInputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobInput |
SparkJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
SparkResourceConfiguration
| Nazwa | Opis | Wartość |
|---|---|---|
| instanceType | Opcjonalny typ maszyny wirtualnej używany jako obsługiwany przez docelowy obiekt obliczeniowy. | struna |
| runtimeVersion | Wersja środowiska uruchomieniowego platformy Spark używana dla zadania. | struna |
Zamiatanie
| Nazwa | Opis | Wartość |
|---|---|---|
| jobType | [Wymagane] Określa typ zadania. | "Zamiatanie" (wymagane) |
| earlyTermination | Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem | |
| 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 |
| queueSettings | Ustawienia kolejki dla zadania | QueueSettings |
| 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
SweepJobOutputs
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | JobOutput |
PróbkowanieAlgorithm
| Nazwa | Opis | Wartość |
|---|---|---|
| samplingAlgorithmType | Ustawianie typu obiektu | 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) |
| logbase | Opcjonalna liczba dodatnia lub e w formacie ciągu, który ma być używany jako podstawa do próbkowania losowego opartego na dzienniku | struna |
| 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: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| environmentVariables | Zmienne środowiskowe uwzględnione w zadaniu. | TrialComponentEnvironmentVariables |
| zasoby | Konfiguracja zasobów obliczeniowych dla zadania. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
CreateMonitorAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "CreateMonitor" (wymagane) |
| monitorDefinition | [Wymagane] Definiuje monitor. | MonitorDefinition (wymagane) |
MonitorDefinition
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationSetting | Ustawienia powiadomień monitora. | MonitoringAlertNotificationSettingsBase |
| computeId | [Wymagane] Identyfikator zasobu obliczeniowego usługi ARM do uruchomienia zadania monitorowania. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| monitoringTarget | Identyfikator zasobu usługi ARM modelu lub wdrożenia objętego tym monitorem. | struna |
| Sygnały | [Wymagane] Sygnały do monitorowania. | MonitorDefinitionSignals (wymagane) |
MonitoringAlertNotificationSettingsBase
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | Ustawianie typu obiektu |
AzureMonitor wiadomości e-mail (wymagane) |
AzMonMonitoringAlertNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | [Wymagane] Określa typ sygnału do monitorowania. | "AzureMonitor" (wymagane) |
EmailMonitoringAlertNotificationSettings
| Nazwa | Opis | Wartość |
|---|---|---|
| alertNotificationType | [Wymagane] Określa typ sygnału do monitorowania. | "Adres e-mail" (wymagany) |
| emailNotificationSetting | Konfiguracja powiadomienia. | NotificationSetting |
MonitorDefinitionSignals
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | monitorowanie SignalBase |
MonitoringSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| lookbackPeriod | Czas, przez jaki pojedynczy monitor powinien zwracać uwagę na dane docelowe w danym przebiegu. | struna |
| tryb | Bieżący tryb powiadomień dla tego sygnału. | "Wyłączone" "Włączone" |
| signalType | Ustawianie typu obiektu |
niestandardowe DataDrift DataQuality FeatureAttributionDrift ModelPerformance PredictionDrift (wymagane) |
CustomMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "Niestandardowy" (wymagany) |
| componentId | [Wymagane] Identyfikator zasobu usługi ARM zasobu składnika używanego do obliczania metryk niestandardowych. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| inputAssets | Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, a wartość to zasób danych. | CustomMonitoringSignalInputAssets |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | CustomMetricThreshold[] (wymagane) |
CustomMonitoringSignalInputAssets
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | MonitoringInputData |
MonitoringInputData
| Nazwa | Opis | Wartość |
|---|---|---|
| atut | Dane wejściowe zasobu danych, które mają być używane przez zadanie monitorowania. | |
| dataContext | [Wymagane] Kontekst źródła danych. | "GroundTruth" "ModelInputs" "ModelOutputs" "Test" "Szkolenie" "Walidacja" (wymagana) |
| preprocessingComponentId | Identyfikator zasobu usługi ARM zasobu składnika używanego do wstępnego przetwarzania danych. | struna |
| targetColumnName | Kolumna docelowa w danym zasobie danych do wykorzystania. | struna |
CustomMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| metryka | [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
MonitoringThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| wartość | Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. | Int |
DataDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| dataSegment | Segment danych używany do określania zakresu w podzestawie populacji danych. | MonitoringDataSegment |
| Funkcje | Filtr funkcji określający, która funkcja ma obliczyć dryf. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataDriftMetricThresholdBase[] (wymagane) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
MonitorowanieDataSegment
| Nazwa | Opis | Wartość |
|---|---|---|
| cecha | Funkcja umożliwiająca segmentowanie danych. | struna |
| Wartości | Filtruje tylko określone wartości danej funkcji segmentowanej. | string[] |
MonitoringFeatureFilterBase
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | Ustawianie typu obiektu |
AllFeatures FeatureSubset TopNByAttribution (wymagane) |
Wszystkiefeatures
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "AllFeatures" (wymagane) |
FeatureSubset
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "FeatureSubset" (wymagane) |
| Funkcje | [Wymagane] Lista funkcji do uwzględnienia. | string[] (wymagane) |
TopNFeaturesByAttribution
| Nazwa | Opis | Wartość |
|---|---|---|
| filterType | [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. | "TopNByAttribution" (wymagane) |
| Do góry | Liczba najważniejszych funkcji do uwzględnienia. | Int |
DataDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu danych kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
Wartości liczboweDataDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu danych liczbowych do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
DataQualityMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "DataQuality" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| Funkcje | Funkcje do obliczenia dryfu. | MonitoringFeatureFilterBase |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | DataQualityMetricThresholdBase[] (wymagane) |
| targetData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
DataQualityMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka jakości danych kategorii do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
NumericalDataQualityMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka jakości danych liczbowych do obliczenia. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (wymagane) |
FeatureAttributionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "FeatureAttributionDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | FeatureAttributionMetricThreshold (wymagane) |
| modelType | [Wymagane] Typ zadania, które wykonuje model. | "Klasyfikacja" "Regresja" (wymagana) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
FeatureAttributionMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| metryka | [Wymagane] Metryka przypisania funkcji do obliczenia. | "NormalizedDiscountedCumulativeGain" (wymagane) |
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
ModelPerformanceSignalBase
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "ModelPerformance" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| dataSegment | Segment danych. | MonitoringDataSegment |
| metricThreshold | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | ModelPerformanceMetricThresholdBase (wymagane) |
| targetData | [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
ModelPerformanceMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| modelType | Ustawianie typu obiektu |
Klasyfikacja regresji (wymagane) |
ClassificationModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Klasyfikacja" (wymagana) |
| metryka | [Wymagane] Wydajność modelu klasyfikacji do obliczenia. | "Dokładność" "F1Score" "Precyzja" "Odwołaj" (wymagane) |
RegressionModelPerformanceMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| modelType | [Wymagane] Określa typ danych progu metryki. | "Regresja" (wymagana) |
| metryka | [Wymagane] Metryka wydajności modelu regresji do obliczenia. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (wymagane) |
PredictionDriftMonitoringSignal
| Nazwa | Opis | Wartość |
|---|---|---|
| signalType | [Wymagane] Określa typ sygnału do monitorowania. | "PredictionDrift" (wymagane) |
| baselineData | [Wymagane] Dane do obliczenia dryfu względem. | MonitoringInputData (wymagane) |
| metricThresholds | [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. | PredictionDriftMetricThresholdBase[] (wymagane) |
| modelType | [Wymagane] Typ monitorowanego modelu. | "Klasyfikacja" "Regresja" (wymagana) |
| targetData | [Wymagane] Dane, dla których będzie obliczany dryf. | MonitoringInputData (wymagane) |
PredictionDriftMetricThresholdBase
| Nazwa | Opis | Wartość |
|---|---|---|
| próg | Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. | MonitoringThreshold |
| Datatype | Ustawianie typu obiektu |
kategorii liczbowych (wymagane) |
CategoryegoricalPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Kategorialne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (wymagany) |
WartośćnumerycznyPredictionDriftMetricThreshold
| Nazwa | Opis | Wartość |
|---|---|---|
| Datatype | [Wymagane] Określa typ danych progu metryki. | "Numeryczne" (wymagane) |
| metryka | [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (wymagane) |
ImportDataAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "ImportData" (wymagane) |
| dataImportDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. | DataImportuj (wymagane) |
Importowanie danych
| Nazwa | Opis | Wartość |
|---|---|---|
| assetName | Nazwa zasobu zadania importu danych do utworzenia | struna |
| autoDeleteSetting | Określa ustawienie cyklu życia zarządzanego zasobu danych. | AutoDeleteSetting |
| Datatype | [Wymagane] Określa typ danych. | "mltable" "uri_file" "uri_folder" (wymagane) |
| dataUri | [Wymagane] Identyfikator URI danych. Przykład: https://go.microsoft.com/fwlink/?linkid=2202330 |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
| opis | Tekst opisu zasobu. | struna |
| intellectualProperty | Szczegóły własności intelektualnej. Używane, jeśli dane są własnością intelektualną. | IntellectualProperty |
| isAnonymous | Jeśli wersja nazwy jest generowana przez system (rejestracja anonimowa). W przypadku typów, w których jest definiowany etap, po podaniu etapu będzie on używany do wypełniania wartości IsAnonymous | Bool |
| isArchived | Czy zasób jest archiwizowany? W przypadku typów, w których jest definiowany etap, po podaniu etapu zostanie on użyty do wypełnienia wartości IsArchived | Bool |
| Właściwości | Słownik właściwości elementu zawartości. | ResourceBaseProperties |
| źródło | Dane źródłowe zasobu do zaimportowania z | DataImportSource |
| scena | Etap w cyklu życia danych przypisanym do tego zasobu danych | struna |
| Tagi | Słownik tagów. Tagi można dodawać, usuwać i aktualizować. | sprzeciwiać się |
Własność intelektualna
| Nazwa | Opis | Wartość |
|---|---|---|
| protectionLevel | Poziom ochrony własności intelektualnej. | "Wszystko" "Brak" |
| wydawca | [Wymagane] Wydawca własności intelektualnej. Musi być taka sama jak nazwa wydawcy rejestru. | ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
DataImportSource
| Nazwa | Opis | Wartość |
|---|---|---|
| połączenie | Połączenie obszaru roboczego dla magazynu źródłowego importu danych | struna |
| sourceType | Ustawianie typu obiektu |
bazy danych file_system (wymagane) |
DatabaseSource
| Nazwa | Opis | Wartość |
|---|---|---|
| sourceType | [Wymagane] Określa typ danych. | "baza danych" (wymagana) |
| zapytanie | Instrukcja SQL Query dla źródła bazy danych importu danych | struna |
| storedProcedure | Sql StoredProcedure w źródle importu danych | struna |
| storedProcedureParams | Parametry usługi SQL StoredProcedure | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Nazwa tabeli w źródle importu danych | struna |
DatabaseSourceStoredProcedureParamsItem
| Nazwa | Opis | Wartość |
|---|---|---|
| {niestandardowa właściwość} | struna |
FileSystemSource
| Nazwa | Opis | Wartość |
|---|---|---|
| sourceType | [Wymagane] Określa typ danych. | "file_system" (wymagane) |
| ścieżka | Ścieżka dotycząca importowania źródła systemu plików | struna |
EndpointScheduleAction
| Nazwa | Opis | Wartość |
|---|---|---|
| actionType | [Wymagane] Określa typ akcji harmonogramu | "InvokeBatchEndpoint" (wymagane) |
| endpointInvocationDefinition | [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. {zobacz href="TBD" /} |
TriggerBase
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
struna |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | struna |
| strefa czasowa | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones /> |
struna |
| triggerType | Ustawianie typu obiektu |
Cron cyklu (wymagane) |
CronTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| triggerType | [Wymagane] | "Cron" (wymagane) |
| wyrażenie | [Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab. |
ciąg (wymagany) Ograniczenia: Minimalna długość = 1 Wzorzec = [a-zA-Z0-9_] |
RecurrenceTrigger
| Nazwa | Opis | Wartość |
|---|---|---|
| endTime | Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.Format ponownego komentarza to "2022-06-01T00:00:01" Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony |
struna |
| częstotliwość | [Wymagane] Częstotliwość wyzwalania harmonogramu. | "Dzień" "Godzina" "Minuta" "Miesiąc" "Tydzień" (wymagany) |
| interwał | [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością | int (wymagane) |
| harmonogram | Harmonogram cyklu. | cyklu |
| startTime | Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. | struna |
| strefa czasowa | Określa strefę czasową, w której jest uruchamiany harmonogram. Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones |
struna |
| triggerType | [Wymagane] | "Cron" "Cykl" (wymagany) |
CyklSchedule
| Nazwa | Opis | Wartość |
|---|---|---|
| Godzin | [Wymagane] Lista godzin harmonogramu. | int[] (wymagane) |
| protokół | [Wymagane] Lista minut harmonogramu. | int[] (wymagane) |
| monthDays | Lista dni miesiąca dla harmonogramu | int[] |
| Dni powszednie | Lista dni harmonogramu. | Tablica ciągów zawierająca dowolną z: "Piątek" "Poniedziałek" "Sobota" "Niedziela" "Czwartek" "Wtorek" "Środa" |