Microsoft.MachineLearningServices workspaces/jobs 2024-04-01-preview

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

Definicja zasobu Bicep

Typ zasobu obszarów roboczych/zadań 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/jobs, dodaj następujący kod Bicep do szablonu.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    secretsConfiguration: {
      {customized property}: {
        uri: 'string'
        workspaceSecretName: 'string'
      }
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

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'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

W przypadkupolecenia użyj:

  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 FineTuning użyj:

  jobType: 'FineTuning'
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    validationData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    modelProvider: 'string'
    // For remaining properties, see FineTuningVertical objects
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }

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 użyj:

  jobType: 'Pipeline'
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobs: {
    {customized property}: any()
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  settings: any()
  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'
  environmentVariables: {
    {customized property}: 'string'
  }
  files: [
    'string'
  ]
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jars: [
    'string'
  ]
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }

W przypadkusweep użyj:

  jobType: 'Sweep'
  componentConfiguration: {
    pipelineSettings: any()
  }
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {customized property}: any()
    }
    shmSize: 'string'
  }
  samplingAlgorithm: {
    samplingAlgorithmType: 'string'
    // For remaining properties, see SamplingAlgorithm objects
  }
  searchSpace: any()
  trial: {
    codeId: 'string'
    command: 'string'
    distribution: {
      distributionType: 'string'
      // For remaining properties, see DistributionConfiguration objects
    }
    environmentId: 'string'
    environmentVariables: {
      {customized property}: 'string'
    }
    resources: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      locations: [
        'string'
      ]
      maxInstanceCount: int
      properties: {
        {customized property}: any()
      }
      shmSize: 'string'
    }
  }

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

  identityType: 'AMLToken'

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

  identityType: 'UserIdentity'

Obiekty 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'
  pathOnCompute: 'string'
  uri: 'string'

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

  jobOutputType: 'uri_folder'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: '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'
    pathOnCompute: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

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'
    pathOnCompute: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

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

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

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

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

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'
    pathOnCompute: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

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'
    pathOnCompute: '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'
    pathOnCompute: 'string'
    uri: 'string'
  }

W przypadkuTextNER użyj:

  taskType: 'TextNER'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    pathOnCompute: 'string'
    uri: 'string'
  }

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

W przypadku MedianStopping użyj:

  policyType: 'MedianStopping'

W przypadku TruncationSelectionużyj:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  values: [
    int
  ]

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty 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'
  pathOnCompute: 'string'
  uri: 'string'

W przypadku literałuużyj:

  jobInputType: 'literal'
  value: 'string'

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

FineTuningVertical obiektów

Ustaw właściwość modelProvider, aby określić typ obiektu.

W przypadku azureOpenAIużyj:

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

W przypadku niestandardowychużyj:

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

Wartości właściwości

obszary robocze/zadania

Nazwa	Opis	Wartość
nazwa	Nazwa zasobu Zobacz, jak ustawić nazwy i typy dla zasobów podrzędnych w Bicep.	ciąg (wymagany)
rodzic	W Bicep można określić zasób nadrzędny dla zasobu podrzędnego. Tę właściwość należy dodać tylko wtedy, gdy zasób podrzędny jest zadeklarowany poza zasobem nadrzędnym. Aby uzyskać więcej informacji, zobacz Zasób podrzędny poza zasobem nadrzędnym.	Nazwa symboliczna zasobu typu: obszarów roboczych
Właściwości	[Wymagane] Dodatkowe atrybuty jednostki.	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 FineTuning etykietowania potoku 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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
Uri	Identyfikator URI elementu zawartości wyjściowej.	struna

QueueSettings

Nazwa	Opis	Wartość
jobTier	Steruje warstwą zadania obliczeniowego	"Podstawowa" "Null" "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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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.	EarlyTerminationPolicy
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 wynosić trzy 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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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.	EarlyTerminationPolicy
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.	EarlyTerminationPolicy
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.	AutologgerSettings
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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

FineTuningJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"FineTuning" (wymagane)
fineTuningDetails	[Wymagane]	FineTuningVertical (wymagane)
Wyjść	[Wymagane]	FineTuningJobOutputs (wymagane)

FineTuningVertical

Nazwa	Opis	Wartość
model	[Wymagane] Model wejściowy do dostrajania.	MLFlowModelJobInput (wymagane)
taskType	[Wymagane] Dostrajanie typu zadania.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "Tłumaczenie tekstu" "TokenClassification" "VideoMultiObjectTracking" (wymagane)
trainingData	[Wymagane] Dane szkoleniowe do dostrajania.	JobInput (wymagane)
validationData	Dane weryfikacji dostrajania.	JobInput
modelProvider	Ustawianie typu obiektu	AzureOpenAI niestandardowe (wymagane)

AzureOpenAiFineTuning

Nazwa	Opis	Wartość
modelProvider	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"AzureOpenAI" (wymagane)
hiperparametry	Hiperparametry do precyzyjnego dostrajania modelu azure Open AI.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Nazwa	Opis	Wartość
batchSize	Liczba przykładów w każdej partii. Większy rozmiar partii oznacza, że parametry modelu są aktualizowane rzadziej, ale z niższą wariancją.	Int
learningRateMultiplier	Współczynnik skalowania dla szybkości nauki. Mniejsze tempo nauki może być przydatne, aby uniknąć nadmiernego dopasowania.	Int
nEpochs	Liczba epok trenowania modelu dla. Epoka odnosi się do jednego pełnego cyklu za pośrednictwem zestawu danych trenowania.	Int

CustomModelFineTuning

Nazwa	Opis	Wartość
modelProvider	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"Niestandardowy" (wymagany)
hiperparametry	Hiperparametry do dostrajania modelu niestandardowego.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Nazwa	Opis	Wartość
{niestandardowa właściwość}		struna

FineTuningJobOutputs

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" "FineTuning" "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
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	SparkJobEnvironmentVariables
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_]

SparkJobEnvironmentVariables

Nazwa	Opis	Wartość
{niestandardowa właściwość}		struna

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)
componentConfiguration	Konfiguracja składnika do zamiatania składnika	ComponentConfiguration
earlyTermination	Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem	EarlyTerminationPolicy
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SweepJobInputs
Limity	Limit zadań zamiatania.	SweepJobLimits
cel	[Wymagane] Cel optymalizacji.	objective (wymagane)
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SweepJobOutputs
queueSettings	Ustawienia kolejki dla zadania	QueueSettings
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	JobResourceConfiguration
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)

Konfiguracja składnika

Nazwa	Opis	Wartość
pipelineSettings	Ustawienia potoku, np. ContinueRunOnStepFailure itp.	W przypadku Bicep można użyć funkcji any().

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	Bayesian Grid losowe (wymagane)

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

Szablony szybkiego startu

Następujące szablony szybkiego startu wdrażają ten typ zasobu.

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

Definicja zasobu szablonu usługi ARM

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

• 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/jobs, dodaj następujący kod JSON do szablonu.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2024-04-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      }
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

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",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

W przypadkupolecenia użyj:

  "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 FineTuning użyj:

  "jobType": "FineTuning",
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "validationData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "modelProvider": "string"
    // For remaining properties, see FineTuningVertical objects
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  }

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 użyj:

  "jobType": "Pipeline",
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobs": {
    "{customized property}": {}
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "settings": {},
  "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",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "files": [ "string" ],
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jars": [ "string" ],
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }

W przypadkusweep użyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

  "identityType": "AMLToken"

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

  "identityType": "UserIdentity"

Obiekty 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",
  "pathOnCompute": "string",
  "uri": "string"

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

  "jobOutputType": "uri_folder",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "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",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

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",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

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

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

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

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

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",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

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",
    "pathOnCompute": "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",
    "pathOnCompute": "string",
    "uri": "string"
  }

W przypadkuTextNER użyj:

  "taskType": "TextNER",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "pathOnCompute": "string",
    "uri": "string"
  }

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

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

W przypadku MedianStopping użyj:

  "policyType": "MedianStopping"

W przypadku TruncationSelectionużyj:

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

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty 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",
  "pathOnCompute": "string",
  "uri": "string"

W przypadku literałuużyj:

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

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

FineTuningVertical obiektów

Ustaw właściwość modelProvider, aby określić typ obiektu.

W przypadku azureOpenAIużyj:

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

W przypadku niestandardowychużyj:

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

Wartości właściwości

obszary robocze/zadania

Nazwa	Opis	Wartość
typ	Typ zasobu	"Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion	Wersja interfejsu API zasobów	"2024-04-01-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.	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 FineTuning etykietowania potoku 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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
Uri	Identyfikator URI elementu zawartości wyjściowej.	struna

QueueSettings

Nazwa	Opis	Wartość
jobTier	Steruje warstwą zadania obliczeniowego	"Podstawowa" "Null" "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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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.	EarlyTerminationPolicy
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 wynosić trzy 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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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.	EarlyTerminationPolicy
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.	EarlyTerminationPolicy
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.	AutologgerSettings
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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

FineTuningJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"FineTuning" (wymagane)
fineTuningDetails	[Wymagane]	FineTuningVertical (wymagane)
Wyjść	[Wymagane]	FineTuningJobOutputs (wymagane)

FineTuningVertical

Nazwa	Opis	Wartość
model	[Wymagane] Model wejściowy do dostrajania.	MLFlowModelJobInput (wymagane)
taskType	[Wymagane] Dostrajanie typu zadania.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "Tłumaczenie tekstu" "TokenClassification" "VideoMultiObjectTracking" (wymagane)
trainingData	[Wymagane] Dane szkoleniowe do dostrajania.	JobInput (wymagane)
validationData	Dane weryfikacji dostrajania.	JobInput
modelProvider	Ustawianie typu obiektu	AzureOpenAI niestandardowe (wymagane)

AzureOpenAiFineTuning

Nazwa	Opis	Wartość
modelProvider	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"AzureOpenAI" (wymagane)
hiperparametry	Hiperparametry do precyzyjnego dostrajania modelu azure Open AI.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Nazwa	Opis	Wartość
batchSize	Liczba przykładów w każdej partii. Większy rozmiar partii oznacza, że parametry modelu są aktualizowane rzadziej, ale z niższą wariancją.	Int
learningRateMultiplier	Współczynnik skalowania dla szybkości nauki. Mniejsze tempo nauki może być przydatne, aby uniknąć nadmiernego dopasowania.	Int
nEpochs	Liczba epok trenowania modelu dla. Epoka odnosi się do jednego pełnego cyklu za pośrednictwem zestawu danych trenowania.	Int

CustomModelFineTuning

Nazwa	Opis	Wartość
modelProvider	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"Niestandardowy" (wymagany)
hiperparametry	Hiperparametry do dostrajania modelu niestandardowego.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Nazwa	Opis	Wartość
{niestandardowa właściwość}		struna

FineTuningJobOutputs

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" "FineTuning" "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
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	SparkJobEnvironmentVariables
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_]

SparkJobEnvironmentVariables

Nazwa	Opis	Wartość
{niestandardowa właściwość}		struna

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)
componentConfiguration	Konfiguracja składnika do zamiatania składnika	ComponentConfiguration
earlyTermination	Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem	EarlyTerminationPolicy
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SweepJobInputs
Limity	Limit zadań zamiatania.	SweepJobLimits
cel	[Wymagane] Cel optymalizacji.	objective (wymagane)
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SweepJobOutputs
queueSettings	Ustawienia kolejki dla zadania	QueueSettings
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	JobResourceConfiguration
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)

Konfiguracja składnika

Nazwa	Opis	Wartość
pipelineSettings	Ustawienia potoku, np. ContinueRunOnStepFailure itp.

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	Bayesian Grid losowe (wymagane)

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

Szablony szybkiego startu

Następujące szablony szybkiego startu wdrażają ten typ zasobu.

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

Definicja zasobu narzędzia Terraform (dostawcy AzAPI)

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

• grupy zasobów

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

Format zasobu

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      notificationSetting = {
        emailOn = [
          "string"
        ]
        emails = [
          "string"
        ]
        webhooks = {
          {customized property} = {
            eventType = "string"
            webhookType = "string"
            // For remaining properties, see Webhook objects
          }
        }
      }
      properties = {
        {customized property} = "string"
      }
      secretsConfiguration = {
        {customized property} = {
          uri = "string"
          workspaceSecretName = "string"
        }
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

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"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

W przypadkupolecenia użyj:

  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 FineTuning użyj:

  jobType = "FineTuning"
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    validationData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    modelProvider = "string"
    // For remaining properties, see FineTuningVertical objects
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }

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 użyj:

  jobType = "Pipeline"
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobs = {}
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  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"
  environmentVariables = {
    {customized property} = "string"
  }
  files = [
    "string"
  ]
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jars = [
    "string"
  ]
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles = [
    "string"
  ]
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }

W przypadkusweep użyj:

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

Obiekty IdentityConfiguration

Ustaw właściwość identityType, aby określić typ obiektu.

W przypadkuAMLToken użyj:

  identityType = "AMLToken"

W przypadku zarządzanychużyj:

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

W przypadku userIdentityużyj:

  identityType = "UserIdentity"

Obiekty 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"
  pathOnCompute = "string"
  uri = "string"

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

  jobOutputType = "uri_folder"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "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"
    pathOnCompute = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

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"
    pathOnCompute = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

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

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

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

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

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"
    pathOnCompute = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

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"
    pathOnCompute = "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"
    pathOnCompute = "string"
    uri = "string"
  }

W przypadkuTextNER użyj:

  taskType = "TextNER"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    pathOnCompute = "string"
    uri = "string"
  }

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

W przypadku MedianStopping użyj:

  policyType = "MedianStopping"

W przypadku TruncationSelectionużyj:

  policyType = "TruncationSelection"
  truncationPercentage = int

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  values = [
    int
  ]

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty 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"
  pathOnCompute = "string"
  uri = "string"

W przypadku literałuużyj:

  jobInputType = "literal"
  value = "string"

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

FineTuningVertical obiektów

Ustaw właściwość modelProvider, aby określić typ obiektu.

W przypadku azureOpenAIużyj:

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

W przypadku niestandardowychużyj:

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

Wartości właściwości

obszary robocze/zadania

Nazwa	Opis	Wartość
typ	Typ zasobu	"Microsoft.MachineLearningServices/workspaces/jobs@2024-04-01-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.	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 FineTuning etykietowania potoku 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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wyjściowej.	struna
Uri	Identyfikator URI elementu zawartości wyjściowej.	struna

QueueSettings

Nazwa	Opis	Wartość
jobTier	Steruje warstwą zadania obliczeniowego	"Podstawowa" "Null" "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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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.	EarlyTerminationPolicy
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 wynosić trzy 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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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.	EarlyTerminationPolicy
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.	EarlyTerminationPolicy
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.	AutologgerSettings
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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"
pathOnCompute	Ścieżka dostarczania elementu zawartości wejściowej.	struna
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

FineTuningJob

Nazwa	Opis	Wartość
jobType	[Wymagane] Określa typ zadania.	"FineTuning" (wymagane)
fineTuningDetails	[Wymagane]	FineTuningVertical (wymagane)
Wyjść	[Wymagane]	FineTuningJobOutputs (wymagane)

FineTuningVertical

Nazwa	Opis	Wartość
model	[Wymagane] Model wejściowy do dostrajania.	MLFlowModelJobInput (wymagane)
taskType	[Wymagane] Dostrajanie typu zadania.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "PytanieAnswering" "TextClassification" "TextCompletion" "TextSummarization" "TextTranslation" "TokenClassification" "VideoMultiObjectTracking" (wymagane)
trainingData	[Wymagane] Dane szkoleniowe do dostrajania.	JobInput (wymagane)
validationData	Dane weryfikacji dostrajania.	JobInput
modelProvider	Ustawianie typu obiektu	AzureOpenAI niestandardowe (wymagane)

AzureOpenAiFineTuning

Nazwa	Opis	Wartość
modelProvider	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"AzureOpenAI" (wymagane)
hiperparametry	Hiperparametry do precyzyjnego dostrajania modelu azure Open AI.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Nazwa	Opis	Wartość
batchSize	Liczba przykładów w każdej partii. Większy rozmiar partii oznacza, że parametry modelu są aktualizowane rzadziej, ale z niższą wariancją.	Int
learningRateMultiplier	Współczynnik skalowania dla szybkości nauki. Mniejsze tempo nauki może być przydatne, aby uniknąć nadmiernego dopasowania.	Int
nEpochs	Liczba epok trenowania modelu dla. Epoka odnosi się do jednego pełnego cyklu za pośrednictwem zestawu danych trenowania.	Int

CustomModelFineTuning

Nazwa	Opis	Wartość
modelProvider	[Wymagane] Wyliczenie w celu określenia typu dostrajania.	"Niestandardowy" (wymagany)
hiperparametry	Hiperparametry do dostrajania modelu niestandardowego.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Nazwa	Opis	Wartość
{niestandardowa właściwość}		struna

FineTuningJobOutputs

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" "FineTuning" "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
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	SparkJobEnvironmentVariables
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_]

SparkJobEnvironmentVariables

Nazwa	Opis	Wartość
{niestandardowa właściwość}		struna

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)
componentConfiguration	Konfiguracja składnika do zamiatania składnika	ComponentConfiguration
earlyTermination	Zasady wczesnego kończenia umożliwiają anulowanie przebiegów o niskiej wydajności przed ich ukończeniem	EarlyTerminationPolicy
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	SweepJobInputs
Limity	Limit zadań zamiatania.	SweepJobLimits
cel	[Wymagane] Cel optymalizacji.	objective (wymagane)
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	SweepJobOutputs
queueSettings	Ustawienia kolejki dla zadania	QueueSettings
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	JobResourceConfiguration
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)

Konfiguracja składnika

Nazwa	Opis	Wartość
pipelineSettings	Ustawienia potoku, np. ContinueRunOnStepFailure itp.

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	Bayesian Grid losowe (wymagane)

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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