Udostępnij za pośrednictwem

Microsoft.MachineLearningServices workspaces/schedules 2024-07-01-preview

  • Artykuł

Definicja zasobu Bicep

Typ zasobu obszary robocze/harmonogramy można wdrożyć przy użyciu operacji docelowych:

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

Format zasobu

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

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {}
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

Obiekty ScheduleActionBase

Ustaw właściwość actionType, aby określić typ obiektu.

W przypadku createJobużyj:

  actionType: 'CreateJob'
  jobDefinition: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }

W przypadku CreateMonitorużyj:

  actionType: 'CreateMonitor'
  monitorDefinition: {
    alertNotificationSettings: {
      emailNotificationSettings: {
        emails: [
          'string'
        ]
      }
    }
    computeConfiguration: {
      computeType: 'string'
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget: {
      deploymentId: 'string'
      modelId: 'string'
      taskType: 'string'
    }
    signals: {
      {customized property}: {
        notificationTypes: 'AmlNotification'
        properties: {
          {customized property}: 'string'
        }
        signalType: 'string'
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }

W przypadku InvokeBatchEndpointużyj:

  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any()

Obiekty JobBaseProperties

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

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

W przypadku FineTuning użyj:

  jobType: 'FineTuning'
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      mode: '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
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  resources: {
    instanceTypes: [
      'string'
    ]
  }

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'
  }
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }

W przypadkusweep użyj:

  jobType: 'Sweep'
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: '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'
      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'
  mode: 'string'
  uri: 'string'

W przypadku mlflow_modelużyj:

  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

W przypadku mltableużyj:

  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'

W przypadku triton_modelużyj:

  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'

W przypadku uri_fileużyj polecenia:

  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'

W przypadku uri_folderużyj:

  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

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

W przypadku prognozowanieużyj:

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

W przypadku ImageClassificationużyj:

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

W przypadku ImageClassificationMultilabelużyj:

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

W przypadku ImageInstanceSegmentationużyj:

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

W przypadku ImageObjectDetectionużyj:

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

W przypadku regresjiużyj:

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

W przypadku TextClassificationużyj:

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

W przypadku TextClassificationMultilabelużyj:

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

W przypadkuTextNER użyj:

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

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  values: [
    int
  ]

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode: 'Auto'

W przypadku niestandardowychużyj:

  mode: 'Custom'
  value: int

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

W przypadku MedianStopping użyj:

  policyType: 'MedianStopping'

W przypadku TruncationSelectionużyj:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Obiekty DistributionConfiguration

Ustaw właściwość distributionType, aby określić typ obiektu.

W przypadku Mpi użyj:

  distributionType: 'Mpi'
  processCountPerInstance: int

W przypadku PyTorch użyj:

  distributionType: 'PyTorch'
  processCountPerInstance: int

W przypadku TensorFlow użyj:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

Obiekty JobInput

Ustaw właściwość jobInputType, aby określić typ obiektu.

W przypadku custom_modelużyj:

  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'

W przypadku literałuużyj:

  jobInputType: 'literal'
  value: 'string'

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

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'
  }

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'
  rule: 'string'
  seed: int

MonitorComputeConfigurationBase obiektów

Ustaw właściwość computeType, aby określić typ obiektu.

W przypadku ServerlessSparkużyj:

  computeType: 'ServerlessSpark'
  computeIdentity: {
    computeIdentityType: 'string'
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  instanceType: 'string'
  runtimeVersion: 'string'

MonitorComputeIdentityBase obiektów

Ustaw właściwość computeIdentityType, aby określić typ obiektu.

W przypadkuAmlToken użyj:

  computeIdentityType: 'AmlToken'

W przypadku ManagedIdentityużyj:

  computeIdentityType: 'ManagedIdentity'
  identity: {
    type: 'string'
    userAssignedIdentities: {
      {customized property}: {}
    }
  }

MonitoringSignalBase obiektów

Ustaw właściwość signalType, aby określić typ obiektu.

W przypadku niestandardowychużyj:

  signalType: 'Custom'
  componentId: 'string'
  inputAssets: {
    {customized property}: {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds: [
    {
      metric: 'string'
      threshold: {
        value: int
      }
    }
  ]

W przypadkuDataDrift użyj:

  signalType: 'DataDrift'
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku DataQualityużyj:

  signalType: 'DataQuality'
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku FeatureAttributionDriftużyj:

  signalType: 'FeatureAttributionDrift'
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  metricThreshold: {
    metric: 'NormalizedDiscountedCumulativeGain'
    threshold: {
      value: int
    }
  }
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku PredictionDriftużyj:

  signalType: 'PredictionDrift'
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }

MonitoringInputDataBase obiektów

Ustaw właściwość inputDataType, aby określić typ obiektu.

W przypadku Fixedużyj:

  inputDataType: 'Fixed'

W przypadku stopniowej użyj polecenia:

  inputDataType: 'Rolling'
  preprocessingComponentId: 'string'
  windowOffset: 'string'
  windowSize: 'string'

W przypadku staticużyj:

  inputDataType: 'Static'
  preprocessingComponentId: 'string'
  windowEnd: 'string'
  windowStart: 'string'

MonitoringFeatureFilterBase obiektów

Ustaw właściwość filterType, aby określić typ obiektu.

W przypadku AllFeaturesużyj:

  filterType: 'AllFeatures'

W przypadku FeatureSubsetużyj:

  filterType: 'FeatureSubset'
  features: [
    'string'
  ]

W przypadku TopNByAttribution użyj:

  filterType: 'TopNByAttribution'
  top: int

Obiekty DataDriftMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  dataType: 'Categorical'
  metric: 'string'

W przypadku liczbowych użyj:

  dataType: 'Numerical'
  metric: 'string'

Obiekty DataQualityMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  dataType: 'Categorical'
  metric: 'string'

W przypadku liczbowych użyj:

  dataType: 'Numerical'
  metric: 'string'

PredictionDriftMetricThresholdBase, obiekty

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  dataType: 'Categorical'
  metric: 'string'

W przypadku liczbowych użyj:

  dataType: 'Numerical'
  metric: 'string'

Obiekty TriggerBase

Ustaw właściwość triggerType, aby określić typ obiektu.

W przypadku Cronużyj:

  triggerType: 'Cron'
  expression: 'string'

W przypadkucyklu użyj:

  triggerType: 'Recurrence'
  frequency: 'string'
  interval: int
  schedule: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    monthDays: [
      int
    ]
    weekDays: [
      'string'
    ]
  }

Wartości właściwości

obszary robocze/harmonogramy

Nazwa Opis Wartość
nazwa Nazwa zasobu

Zobacz, jak ustawić nazwy i typy dla zasobów podrzędnych w Bicep.		 ciąg (wymagany)
rodzic W Bicep można określić zasób nadrzędny dla zasobu podrzędnego. Tę właściwość należy dodać tylko wtedy, gdy zasób podrzędny jest zadeklarowany poza zasobem nadrzędnym.

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

Właściwości harmonogramu

Nazwa Opis Wartość
akcja [Wymagane] Określa akcję harmonogramu ScheduleActionBase (wymagane)
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana harmonogramu. struna
isEnabled Czy harmonogram jest włączony? Bool
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
Tagi Słownik tagów. Tagi można dodawać, usuwać i aktualizować. sprzeciwiać się
spust [Wymagane] Określa szczegóły wyzwalacza TriggerBase (wymagane)

ScheduleActionBase

Nazwa Opis Wartość
actionType Ustawianie typu obiektu createJob
CreateMonitor
InvokeBatchEndpoint (wymagane)

JobScheduleAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "CreateJob" (wymagane)
jobDefinition [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. JobBaseProperties (wymagane)

Właściwości elementu JobBase

Nazwa Opis Wartość
componentId Identyfikator zasobu usługi ARM zasobu składnika. struna
computeId Identyfikator zasobu usługi ARM zasobu obliczeniowego. struna
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana zadania. struna
experimentName Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". struna
tożsamość Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null.
Wartość domyślna to AmlToken, jeśli ma wartość null.		 IdentityConfiguration
isArchived Czy zasób jest archiwizowany? Bool
notificationSetting Ustawienie powiadomienia dla zadania NotificationSetting
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
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
 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

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. 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)
tryb Tryb dostarczania zasobów wyjściowych. "Bezpośredni"
"ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

MLFlowModelJobOutput

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

MLTableJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

QueueSettings

Nazwa Opis Wartość
jobTier Steruje warstwą zadania obliczeniowego "Podstawowa"
"Null"
"Premium"
"Spot"
"Standardowa"

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
Właściwości Dodatkowa torba właściwości. ResourceConfigurationProperties
shmSize Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów). struna

Ograniczenia:
Wzorzec = \d+[bBkKmMgG]

ResourceConfigurationProperties

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

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
targetColumnName Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna
trainingData [Wymagane] Dane wejściowe danych treningowych. MLTableJobInput (wymagane)
taskType Ustawianie typu obiektu Klasyfikacja
prognozowanie
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
regresji
TextClassification
TextClassificationMultilabel
TextNER (wymagane)

MLTableJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

Klasyfikacja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
cvSplitColumnNames Kolumny do użycia dla danych CVSplit. string[]
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
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"
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().

TableVerticalLimitSettings

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

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)

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

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
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"
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"
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

ImageClassification

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
validationData Dane wejściowe danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.
 Int

ImageLimitSettings

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

ImageModelSettingsClassification

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

MLFlowModelJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

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

ImageSweepSettings

Nazwa Opis Wartość
earlyTermination Typ zasad wczesnego kończenia. EarlyTerminationPolicy
próbkowanieAlgorithm [Wymagane] Typ algorytmów próbkowania hiperparametrów. "Bayesian"
"Siatka"
"Losowe" (wymagane)

EarlyTerminationPolicy

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

BanditPolicy

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

MedianStoppingPolicy

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

ObcięcieselectionPolicy

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

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"
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
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"
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

Klasyfikacja tekstu

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

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

TextClassificationMultilabel

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

CommandJob

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

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

Ograniczenia:
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

Rozkładkonfiguracja

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

Mpi

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

PyTorch

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

TensorFlow

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

CommandJobEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CommandJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustawianie typu obiektu custom_model
literału
mlflow_model
mltable
triton_model
uri_file
uri_folder (wymagane)

CustomModelJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

LiterałJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

TritonModelJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

UriFileJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

UriFolderJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

FineTuningJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "FineTuning" (wymagane)
fineTuningDetails [Wymagane] FineTuningVertical (wymagane)
Wyjść [Wymagane] FineTuningJobOutputs (wymagane)
queueSettings Ustawienia kolejki dla zadania QueueSettings
zasoby Typy wystąpień i inne zasoby dla zadania JobResources

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

JobResources

Nazwa Opis Wartość
instanceTypes Lista typów wystąpień do wyboru. string[]

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] arm-id zasobu kodu. ciąg (wymagany)
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)
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
próbkowanieAlgorithm [Wymagane] Algorytm próbkowania hiperparametrów PróbkowanieAlgorithm (wymagane)
searchSpace [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru W przypadku Bicep można użyć funkcji any(). (wymagane)
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

SweepJobLimits

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

Cel

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

SweepJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

PróbkowanieAlgorithm

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

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

Wersja próbnaComponent

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

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. TrialComponentEnvironmentVariables
zasoby Konfiguracja zasobów obliczeniowych dla zadania. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CreateMonitorAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "CreateMonitor" (wymagane)
monitorDefinition [Wymagane] Definiuje monitor. MonitorDefinition (wymagane)

MonitorDefinition

Nazwa Opis Wartość
alertNotificationSettings Ustawienia powiadomień monitora. MonitorNotificationSettings
computeConfiguration [Wymagane] Identyfikator zasobu obliczeniowego usługi ARM do uruchomienia zadania monitorowania. MonitorComputeConfigurationBase (wymagane)
monitoringTarget Jednostki objęte monitorem. MonitoringTarget
Sygnały [Wymagane] Sygnały do monitorowania. MonitorDefinitionSignals (wymagane)

MonitorNotificationSettings

Nazwa Opis Wartość
emailNotificationSettings Ustawienia poczty e-mail powiadomienia AML. MonitorEmailNotificationSettings

MonitorEmailNotificationSettings

Nazwa Opis Wartość
wiadomości e-mail Lista adresatów wiadomości e-mail, która ma łącznie 499 znaków. string[]

MonitorComputeConfigurationBase

Nazwa Opis Wartość
computeType Ustawianie typu obiektu ServerlessSpark (wymagane)

MonitorServerlessSparkCompute

Nazwa Opis Wartość
computeType [Wymagane] Określa typ sygnału do monitorowania. "BezserweroweSpark" (wymagane)
computeIdentity [Wymagane] Schemat tożsamości, do których korzystają zadania platformy Spark uruchomione na bezserwerowej platformie Spark. MonitorComputeIdentityBase (wymagane)
instanceType [Wymagane] Typ wystąpienia, w którym uruchomiono zadanie platformy Spark. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
runtimeVersion [Wymagane] Wersja środowiska uruchomieniowego platformy Spark. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = ^[0-9]+\.[0-9]+$

MonitorComputeIdentityBase

Nazwa Opis Wartość
computeIdentityType Ustawianie typu obiektu AmlToken
managedIdentity (wymagane)

AmlTokenComputeIdentity

Nazwa Opis Wartość
computeIdentityType [Wymagane] Określa typ tożsamości do użycia w ramach zadań monitorowania. "AmlToken" (wymagane)

ManagedComputeIdentity

Nazwa Opis Wartość
computeIdentityType [Wymagane] Określa typ tożsamości do użycia w ramach zadań monitorowania. "ManagedIdentity" (wymagane)
tożsamość Tożsamość, która będzie służyć przez zadania monitorowania. ManagedServiceIdentity

ManagedServiceIdentity

Nazwa Opis Wartość
typ Typ tożsamości usługi zarządzanej (gdzie dozwolone są typy SystemAssigned i UserAssigned). "Brak"
"SystemAssigned"
"SystemAssigned,UserAssigned"
"UserAssigned" (wymagane)
userAssignedIdentities Zestaw tożsamości przypisanych przez użytkownika skojarzonych z zasobem. Klucze słownika userAssignedIdentities będą identyfikatorami zasobów usługi ARM w postaci: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Wartości słownika mogą być pustymi obiektami ({}) w żądaniach. UserAssignedIdentities

UserAssignedIdentities

Nazwa Opis Wartość
{niestandardowa właściwość} UserAssignedIdentity

UserAssignedIdentity

Ten obiekt nie zawiera żadnych właściwości do ustawienia podczas wdrażania. Wszystkie właściwości to ReadOnly.

MonitorowanieTarget

Nazwa Opis Wartość
identyfikator wdrożenia Odwołanie do zasobu wdrożenia objętego tym monitorem. struna
modelId Odwołanie do zasobu modelu objętego tym monitorem. struna
taskType [Wymagane] Typ zadania uczenia maszynowego monitorowanego modelu. "Klasyfikacja"
"Regresja" (wymagana)

MonitorDefinitionSignals

Nazwa Opis Wartość
{niestandardowa właściwość} monitorowanie SignalBase

MonitoringSignalBase

Nazwa Opis Wartość
notificationTypes Bieżący tryb powiadomień dla tego sygnału. Tablica ciągów zawierająca dowolną z:
"AmlNotification"
Właściwości Słownik właściwości. Właściwości można dodawać, ale nie usuwać ani zmieniać. MonitorowanieSignalBaseProperties
signalType Ustawianie typu obiektu niestandardowe
DataDrift
DataQuality
FeatureAttributionDrift
PredictionDrift (wymagane)

MonitoringSignalBaseProperties

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CustomMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "Niestandardowy" (wymagany)
componentId [Wymagane] Odwołanie do zasobu składnika używanego do obliczania metryk niestandardowych. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
inputAssets Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, a wartość to zasób danych. CustomMonitoringSignalInputAssets
Wejścia Dodatkowe parametry składnika do podjęcia jako dane wejściowe. Klucz to nazwa portu wejściowego literału składnika, wartość to wartość parametru. CustomMonitoringSignalInputs
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. CustomMetricThreshold[] (wymagane)

CustomMonitoringSignalInputAssets

Nazwa Opis Wartość
{niestandardowa właściwość} MonitoringInputDataBase

MonitoringInputDataBase

Nazwa Opis Wartość
Kolumny Mapowanie nazw kolumn na specjalne zastosowania. MonitoringInputDataBaseColumns
dataContext Metadane kontekstu źródła danych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
inputDataType Ustawianie typu obiektu stałe
stopniowe
statyczne (wymagane)

MonitoringInputDataBaseColumns

Nazwa Opis Wartość
{niestandardowa właściwość} struna

FixedInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Naprawiono" (wymagane)

RollingInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Rolling" (wymagane)
preprocessingComponentId Odwołanie do zasobu składnika używanego do wstępnego przetwarzania danych. struna
windowOffset [Wymagane] Przesunięcie czasu między końcem okna danych a bieżącym czasem wykonywania monitora. ciąg (wymagany)
windowSize [Wymagane] Rozmiar okna danych kroczenia. ciąg (wymagany)

StaticInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Static" (wymagane)
preprocessingComponentId Odwołanie do zasobu składnika używanego do wstępnego przetwarzania danych. struna
windowEnd [Wymagane] Data zakończenia okna danych. ciąg (wymagany)
oknoStart [Wymagane] Data rozpoczęcia okna danych. ciąg (wymagany)

CustomMonitoringSignalInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

CustomMetricThreshold

Nazwa Opis Wartość
metryka [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold

MonitoringThreshold

Nazwa Opis Wartość
wartość Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. Int

DataDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "DataDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings
Funkcje Filtr funkcji określający, która funkcja ma obliczyć dryf. MonitoringFeatureFilterBase
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. DataDriftMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

DataDriftMonitoringSignalFeatureDataTypeOverride

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

FeatureImportanceSettings

Nazwa Opis Wartość
tryb Tryb operacji dla znaczenia funkcji obliczeniowej. "Wyłączone"
"Włączone"
targetColumn Nazwa kolumny docelowej w zasobie danych wejściowych. struna

MonitoringFeatureFilterBase

Nazwa Opis Wartość
filterType Ustawianie typu obiektu AllFeatures
FeatureSubset
TopNByAttribution (wymagane)

Wszystkiefeatures

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "AllFeatures" (wymagane)

FeatureSubset

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "FeatureSubset" (wymagane)
Funkcje [Wymagane] Lista funkcji do uwzględnienia. string[] (wymagane)

TopNFeaturesByAttribution

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "TopNByAttribution" (wymagane)
Do góry Liczba najważniejszych funkcji do uwzględnienia. Int

DataDriftMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalDataDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka dryfu danych kategorii do obliczenia. "JensenShannonDistance"
"PearsonsChiSquaredTest"
"PopulationStabilityIndex" (wymagany)

Wartości liczboweDataDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka dryfu danych liczbowych do obliczenia. "JensenShannonDistance"
"NormalizedWassersteinDistance"
"PopulationStabilityIndex"
"TwoSampleKolmogorovSmirnovTest" (wymagane)

DataQualityMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "DataQuality" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings
Funkcje Funkcje do obliczenia dryfu. MonitoringFeatureFilterBase
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. DataQualityMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

DataQualityMonitoringSignalFeatureDataTypeOverride

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

DataQualityMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalDataQualityMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka jakości danych kategorii do obliczenia. "DataTypeErrorRate"
"NullValueRate"
"OutOfBoundsRate" (wymagane)

NumericalDataQualityMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka jakości danych liczbowych do obliczenia. "DataTypeErrorRate"
"NullValueRate"
"OutOfBoundsRate" (wymagane)

FeatureAttributionDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "FeatureAttributionDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. FeatureAttributionDriftMonitoringSignalFeatureDataTy...
featureImportanceSettings [Wymagane] Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings (wymagane)
metricThreshold [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. FeatureAttributionMetricThreshold (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase[] (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

FeatureAttributionDriftMonitoringSignalFeatureDataTy...

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

FeatureAttributionMetricThreshold

Nazwa Opis Wartość
metryka [Wymagane] Metryka przypisania funkcji do obliczenia. "NormalizedDiscountedCumulativeGain" (wymagane)
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold

PredictionDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "PredictionDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. PredictionDriftMonitoringSignalFeatureDataTypeOverri...
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. PredictionDriftMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

PredictionDriftMonitoringSignalFeatureDataTypeOverri...

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

PredictionDriftMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalPredictionDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. "JensenShannonDistance"
"PearsonsChiSquaredTest"
"PopulationStabilityIndex" (wymagany)

WartośćnumerycznyPredictionDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. "JensenShannonDistance"
"NormalizedWassersteinDistance"
"PopulationStabilityIndex"
"TwoSampleKolmogorovSmirnovTest" (wymagane)

EndpointScheduleAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "InvokeBatchEndpoint" (wymagane)
endpointInvocationDefinition [Wymagane] Definiuje szczegóły definicji akcji harmonogramu.
{zobacz href="TBD" /}

 W przypadku Bicep można użyć funkcji any(). (wymagane)

TriggerBase

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.
Format ponownego komentarza to "2022-06-01T00:00:01"
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones />		 struna
triggerType Ustawianie typu obiektu Cron
cyklu (wymagane)

CronTrigger

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

RecurrenceTrigger

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.
Format ponownego komentarza to "2022-06-01T00:00:01"
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
częstotliwość [Wymagane] Częstotliwość wyzwalania harmonogramu. "Dzień"
"Godzina"
"Minuta"
"Miesiąc"
"Tydzień" (wymagany)
interwał [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością int (wymagane)
harmonogram Harmonogram cyklu. cyklu
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones		 struna
triggerType [Wymagane] "Cron"
"Cykl" (wymagany)

CyklSchedule

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

Definicja zasobu szablonu usługi ARM

Typ zasobu obszary robocze/harmonogramy można wdrożyć przy użyciu operacji docelowych:

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

Format zasobu

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

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2024-07-01-preview",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {},
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

Obiekty ScheduleActionBase

Ustaw właściwość actionType, aby określić typ obiektu.

W przypadku createJobużyj:

  "actionType": "CreateJob",
  "jobDefinition": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }

W przypadku CreateMonitorużyj:

  "actionType": "CreateMonitor",
  "monitorDefinition": {
    "alertNotificationSettings": {
      "emailNotificationSettings": {
        "emails": [ "string" ]
      }
    },
    "computeConfiguration": {
      "computeType": "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    },
    "monitoringTarget": {
      "deploymentId": "string",
      "modelId": "string",
      "taskType": "string"
    },
    "signals": {
      "{customized property}": {
        "notificationTypes": "AmlNotification",
        "properties": {
          "{customized property}": "string"
        },
        "signalType": "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }

W przypadku InvokeBatchEndpointużyj:

  "actionType": "InvokeBatchEndpoint",
  "endpointInvocationDefinition": {}

Obiekty JobBaseProperties

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

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

W przypadku FineTuning użyj:

  "jobType": "FineTuning",
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string",
      "mode": "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
    }
  },
  "queueSettings": {
    "jobTier": "string"
  },
  "resources": {
    "instanceTypes": [ "string" ]
  }

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"
  },
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }

W przypadkusweep użyj:

  "jobType": "Sweep",
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "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",
      "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",
  "mode": "string",
  "uri": "string"

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

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

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

W przypadku ImageClassificationużyj:

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

W przypadku ImageClassificationMultilabelużyj:

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

W przypadku ImageInstanceSegmentationużyj:

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

W przypadku ImageObjectDetectionużyj:

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

W przypadku regresjiużyj:

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

W przypadku TextClassificationużyj:

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

W przypadku TextClassificationMultilabelużyj:

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

W przypadkuTextNER użyj:

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

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  "mode": "Auto"

W przypadku niestandardowychużyj:

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

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

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

W przypadku MedianStopping użyj:

  "policyType": "MedianStopping"

W przypadku TruncationSelectionużyj:

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

Obiekty DistributionConfiguration

Ustaw właściwość distributionType, aby określić typ obiektu.

W przypadku Mpi użyj:

  "distributionType": "Mpi",
  "processCountPerInstance": "int"

W przypadku PyTorch użyj:

  "distributionType": "PyTorch",
  "processCountPerInstance": "int"

W przypadku TensorFlow użyj:

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

Obiekty JobInput

Ustaw właściwość jobInputType, aby określić typ obiektu.

W przypadku custom_modelużyj:

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

W przypadku literałuużyj:

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

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

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"
  }

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",
  "rule": "string",
  "seed": "int"

MonitorComputeConfigurationBase obiektów

Ustaw właściwość computeType, aby określić typ obiektu.

W przypadku ServerlessSparkużyj:

  "computeType": "ServerlessSpark",
  "computeIdentity": {
    "computeIdentityType": "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  },
  "instanceType": "string",
  "runtimeVersion": "string"

MonitorComputeIdentityBase obiektów

Ustaw właściwość computeIdentityType, aby określić typ obiektu.

W przypadkuAmlToken użyj:

  "computeIdentityType": "AmlToken"

W przypadku ManagedIdentityużyj:

  "computeIdentityType": "ManagedIdentity",
  "identity": {
    "type": "string",
    "userAssignedIdentities": {
      "{customized property}": {}
    }
  }

MonitoringSignalBase obiektów

Ustaw właściwość signalType, aby określić typ obiektu.

W przypadku niestandardowychużyj:

  "signalType": "Custom",
  "componentId": "string",
  "inputAssets": {
    "{customized property}": {
      "columns": {
        "{customized property}": "string"
      },
      "dataContext": "string",
      "jobInputType": "string",
      "uri": "string",
      "inputDataType": "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "metricThresholds": [
    {
      "metric": "string",
      "threshold": {
        "value": "int"
      }
    }
  ]

W przypadkuDataDrift użyj:

  "signalType": "DataDrift",
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [
    {
      "threshold": {
        "value": "int"
      },
      "dataType": "string"
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku DataQualityużyj:

  "signalType": "DataQuality",
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [
    {
      "threshold": {
        "value": "int"
      },
      "dataType": "string"
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku FeatureAttributionDriftużyj:

  "signalType": "FeatureAttributionDrift",
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "metricThreshold": {
    "metric": "NormalizedDiscountedCumulativeGain",
    "threshold": {
      "value": "int"
    }
  },
  "productionData": [
    {
      "columns": {
        "{customized property}": "string"
      },
      "dataContext": "string",
      "jobInputType": "string",
      "uri": "string",
      "inputDataType": "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ],
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku PredictionDriftużyj:

  "signalType": "PredictionDrift",
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "metricThresholds": [
    {
      "threshold": {
        "value": "int"
      },
      "dataType": "string"
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

MonitoringInputDataBase obiektów

Ustaw właściwość inputDataType, aby określić typ obiektu.

W przypadku Fixedużyj:

  "inputDataType": "Fixed"

W przypadku stopniowej użyj polecenia:

  "inputDataType": "Rolling",
  "preprocessingComponentId": "string",
  "windowOffset": "string",
  "windowSize": "string"

W przypadku staticużyj:

  "inputDataType": "Static",
  "preprocessingComponentId": "string",
  "windowEnd": "string",
  "windowStart": "string"

MonitoringFeatureFilterBase obiektów

Ustaw właściwość filterType, aby określić typ obiektu.

W przypadku AllFeaturesużyj:

  "filterType": "AllFeatures"

W przypadku FeatureSubsetużyj:

  "filterType": "FeatureSubset",
  "features": [ "string" ]

W przypadku TopNByAttribution użyj:

  "filterType": "TopNByAttribution",
  "top": "int"

Obiekty DataDriftMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  "dataType": "Categorical",
  "metric": "string"

W przypadku liczbowych użyj:

  "dataType": "Numerical",
  "metric": "string"

Obiekty DataQualityMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  "dataType": "Categorical",
  "metric": "string"

W przypadku liczbowych użyj:

  "dataType": "Numerical",
  "metric": "string"

PredictionDriftMetricThresholdBase, obiekty

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  "dataType": "Categorical",
  "metric": "string"

W przypadku liczbowych użyj:

  "dataType": "Numerical",
  "metric": "string"

Obiekty TriggerBase

Ustaw właściwość triggerType, aby określić typ obiektu.

W przypadku Cronużyj:

  "triggerType": "Cron",
  "expression": "string"

W przypadkucyklu użyj:

  "triggerType": "Recurrence",
  "frequency": "string",
  "interval": "int",
  "schedule": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "monthDays": [ "int" ],
    "weekDays": [ "string" ]
  }

Wartości właściwości

obszary robocze/harmonogramy

Nazwa Opis Wartość
typ Typ zasobu "Microsoft.MachineLearningServices/workspaces/schedules"
apiVersion Wersja interfejsu API zasobów "2024-07-01-preview"
nazwa Nazwa zasobu

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

Właściwości harmonogramu

Nazwa Opis Wartość
akcja [Wymagane] Określa akcję harmonogramu ScheduleActionBase (wymagane)
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana harmonogramu. struna
isEnabled Czy harmonogram jest włączony? Bool
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
Tagi Słownik tagów. Tagi można dodawać, usuwać i aktualizować. sprzeciwiać się
spust [Wymagane] Określa szczegóły wyzwalacza TriggerBase (wymagane)

ScheduleActionBase

Nazwa Opis Wartość
actionType Ustawianie typu obiektu createJob
CreateMonitor
InvokeBatchEndpoint (wymagane)

JobScheduleAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "CreateJob" (wymagane)
jobDefinition [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. JobBaseProperties (wymagane)

Właściwości elementu JobBase

Nazwa Opis Wartość
componentId Identyfikator zasobu usługi ARM zasobu składnika. struna
computeId Identyfikator zasobu usługi ARM zasobu obliczeniowego. struna
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana zadania. struna
experimentName Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". struna
tożsamość Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null.
Wartość domyślna to AmlToken, jeśli ma wartość null.		 IdentityConfiguration
isArchived Czy zasób jest archiwizowany? Bool
notificationSetting Ustawienie powiadomienia dla zadania NotificationSetting
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
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
 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

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. 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)
tryb Tryb dostarczania zasobów wyjściowych. "Bezpośredni"
"ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

MLFlowModelJobOutput

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

MLTableJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

QueueSettings

Nazwa Opis Wartość
jobTier Steruje warstwą zadania obliczeniowego "Podstawowa"
"Null"
"Premium"
"Spot"
"Standardowa"

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
Właściwości Dodatkowa torba właściwości. ResourceConfigurationProperties
shmSize Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów). struna

Ograniczenia:
Wzorzec = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nazwa Opis Wartość
{niestandardowa właściwość}

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
targetColumnName Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna
trainingData [Wymagane] Dane wejściowe danych treningowych. MLTableJobInput (wymagane)
taskType Ustawianie typu obiektu Klasyfikacja
prognozowanie
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
regresji
TextClassification
TextClassificationMultilabel
TextNER (wymagane)

MLTableJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

Klasyfikacja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
cvSplitColumnNames Kolumny do użycia dla danych CVSplit. string[]
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
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"
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.

TableVerticalLimitSettings

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

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)

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

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
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"
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"
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

ImageClassification

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
validationData Dane wejściowe danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.
 Int

ImageLimitSettings

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

ImageModelSettingsClassification

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

MLFlowModelJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

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

ImageSweepSettings

Nazwa Opis Wartość
earlyTermination Typ zasad wczesnego kończenia. EarlyTerminationPolicy
próbkowanieAlgorithm [Wymagane] Typ algorytmów próbkowania hiperparametrów. "Bayesian"
"Siatka"
"Losowe" (wymagane)

EarlyTerminationPolicy

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

BanditPolicy

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

MedianStoppingPolicy

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

ObcięcieselectionPolicy

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

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"
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
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"
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

Klasyfikacja tekstu

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

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

TextClassificationMultilabel

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

CommandJob

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

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

Ograniczenia:
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

Rozkładkonfiguracja

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

Mpi

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

PyTorch

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

TensorFlow

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

CommandJobEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CommandJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustawianie typu obiektu custom_model
literału
mlflow_model
mltable
triton_model
uri_file
uri_folder (wymagane)

CustomModelJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

LiterałJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

TritonModelJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

UriFileJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

UriFolderJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

FineTuningJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "FineTuning" (wymagane)
fineTuningDetails [Wymagane] FineTuningVertical (wymagane)
Wyjść [Wymagane] FineTuningJobOutputs (wymagane)
queueSettings Ustawienia kolejki dla zadania QueueSettings
zasoby Typy wystąpień i inne zasoby dla zadania JobResources

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

JobResources

Nazwa Opis Wartość
instanceTypes Lista typów wystąpień do wyboru. string[]

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] arm-id zasobu kodu. ciąg (wymagany)
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)
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
próbkowanieAlgorithm [Wymagane] Algorytm próbkowania hiperparametrów PróbkowanieAlgorithm (wymagane)
searchSpace [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

SweepJobLimits

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

Cel

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

SweepJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

PróbkowanieAlgorithm

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

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

Wersja próbnaComponent

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

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. TrialComponentEnvironmentVariables
zasoby Konfiguracja zasobów obliczeniowych dla zadania. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CreateMonitorAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "CreateMonitor" (wymagane)
monitorDefinition [Wymagane] Definiuje monitor. MonitorDefinition (wymagane)

MonitorDefinition

Nazwa Opis Wartość
alertNotificationSettings Ustawienia powiadomień monitora. MonitorNotificationSettings
computeConfiguration [Wymagane] Identyfikator zasobu obliczeniowego usługi ARM do uruchomienia zadania monitorowania. MonitorComputeConfigurationBase (wymagane)
monitoringTarget Jednostki objęte monitorem. MonitoringTarget
Sygnały [Wymagane] Sygnały do monitorowania. MonitorDefinitionSignals (wymagane)

MonitorNotificationSettings

Nazwa Opis Wartość
emailNotificationSettings Ustawienia poczty e-mail powiadomienia AML. MonitorEmailNotificationSettings

MonitorEmailNotificationSettings

Nazwa Opis Wartość
wiadomości e-mail Lista adresatów wiadomości e-mail, która ma łącznie 499 znaków. string[]

MonitorComputeConfigurationBase

Nazwa Opis Wartość
computeType Ustawianie typu obiektu ServerlessSpark (wymagane)

MonitorServerlessSparkCompute

Nazwa Opis Wartość
computeType [Wymagane] Określa typ sygnału do monitorowania. "BezserweroweSpark" (wymagane)
computeIdentity [Wymagane] Schemat tożsamości, do których korzystają zadania platformy Spark uruchomione na bezserwerowej platformie Spark. MonitorComputeIdentityBase (wymagane)
instanceType [Wymagane] Typ wystąpienia, w którym uruchomiono zadanie platformy Spark. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
runtimeVersion [Wymagane] Wersja środowiska uruchomieniowego platformy Spark. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = ^[0-9]+\.[0-9]+$

MonitorComputeIdentityBase

Nazwa Opis Wartość
computeIdentityType Ustawianie typu obiektu AmlToken
managedIdentity (wymagane)

AmlTokenComputeIdentity

Nazwa Opis Wartość
computeIdentityType [Wymagane] Określa typ tożsamości do użycia w ramach zadań monitorowania. "AmlToken" (wymagane)

ManagedComputeIdentity

Nazwa Opis Wartość
computeIdentityType [Wymagane] Określa typ tożsamości do użycia w ramach zadań monitorowania. "ManagedIdentity" (wymagane)
tożsamość Tożsamość, która będzie służyć przez zadania monitorowania. ManagedServiceIdentity

ManagedServiceIdentity

Nazwa Opis Wartość
typ Typ tożsamości usługi zarządzanej (gdzie dozwolone są typy SystemAssigned i UserAssigned). "Brak"
"SystemAssigned"
"SystemAssigned,UserAssigned"
"UserAssigned" (wymagane)
userAssignedIdentities Zestaw tożsamości przypisanych przez użytkownika skojarzonych z zasobem. Klucze słownika userAssignedIdentities będą identyfikatorami zasobów usługi ARM w postaci: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Wartości słownika mogą być pustymi obiektami ({}) w żądaniach. UserAssignedIdentities

UserAssignedIdentities

Nazwa Opis Wartość
{niestandardowa właściwość} UserAssignedIdentity

UserAssignedIdentity

Ten obiekt nie zawiera żadnych właściwości do ustawienia podczas wdrażania. Wszystkie właściwości to ReadOnly.

MonitorowanieTarget

Nazwa Opis Wartość
identyfikator wdrożenia Odwołanie do zasobu wdrożenia objętego tym monitorem. struna
modelId Odwołanie do zasobu modelu objętego tym monitorem. struna
taskType [Wymagane] Typ zadania uczenia maszynowego monitorowanego modelu. "Klasyfikacja"
"Regresja" (wymagana)

MonitorDefinitionSignals

Nazwa Opis Wartość
{niestandardowa właściwość} monitorowanie SignalBase

MonitoringSignalBase

Nazwa Opis Wartość
notificationTypes Bieżący tryb powiadomień dla tego sygnału. Tablica ciągów zawierająca dowolną z:
"AmlNotification"
Właściwości Słownik właściwości. Właściwości można dodawać, ale nie usuwać ani zmieniać. MonitorowanieSignalBaseProperties
signalType Ustawianie typu obiektu niestandardowe
DataDrift
DataQuality
FeatureAttributionDrift
PredictionDrift (wymagane)

MonitoringSignalBaseProperties

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CustomMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "Niestandardowy" (wymagany)
componentId [Wymagane] Odwołanie do zasobu składnika używanego do obliczania metryk niestandardowych. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
inputAssets Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, a wartość to zasób danych. CustomMonitoringSignalInputAssets
Wejścia Dodatkowe parametry składnika do podjęcia jako dane wejściowe. Klucz to nazwa portu wejściowego literału składnika, wartość to wartość parametru. CustomMonitoringSignalInputs
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. CustomMetricThreshold[] (wymagane)

CustomMonitoringSignalInputAssets

Nazwa Opis Wartość
{niestandardowa właściwość} MonitoringInputDataBase

MonitoringInputDataBase

Nazwa Opis Wartość
Kolumny Mapowanie nazw kolumn na specjalne zastosowania. MonitoringInputDataBaseColumns
dataContext Metadane kontekstu źródła danych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
inputDataType Ustawianie typu obiektu stałe
stopniowe
statyczne (wymagane)

MonitoringInputDataBaseColumns

Nazwa Opis Wartość
{niestandardowa właściwość} struna

FixedInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Naprawiono" (wymagane)

RollingInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Rolling" (wymagane)
preprocessingComponentId Odwołanie do zasobu składnika używanego do wstępnego przetwarzania danych. struna
windowOffset [Wymagane] Przesunięcie czasu między końcem okna danych a bieżącym czasem wykonywania monitora. ciąg (wymagany)
windowSize [Wymagane] Rozmiar okna danych kroczenia. ciąg (wymagany)

StaticInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Static" (wymagane)
preprocessingComponentId Odwołanie do zasobu składnika używanego do wstępnego przetwarzania danych. struna
windowEnd [Wymagane] Data zakończenia okna danych. ciąg (wymagany)
oknoStart [Wymagane] Data rozpoczęcia okna danych. ciąg (wymagany)

CustomMonitoringSignalInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

CustomMetricThreshold

Nazwa Opis Wartość
metryka [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold

MonitoringThreshold

Nazwa Opis Wartość
wartość Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. Int

DataDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "DataDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings
Funkcje Filtr funkcji określający, która funkcja ma obliczyć dryf. MonitoringFeatureFilterBase
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. DataDriftMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

DataDriftMonitoringSignalFeatureDataTypeOverride

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

FeatureImportanceSettings

Nazwa Opis Wartość
tryb Tryb operacji dla znaczenia funkcji obliczeniowej. "Wyłączone"
"Włączone"
targetColumn Nazwa kolumny docelowej w zasobie danych wejściowych. struna

MonitoringFeatureFilterBase

Nazwa Opis Wartość
filterType Ustawianie typu obiektu AllFeatures
FeatureSubset
TopNByAttribution (wymagane)

Wszystkiefeatures

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "AllFeatures" (wymagane)

FeatureSubset

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "FeatureSubset" (wymagane)
Funkcje [Wymagane] Lista funkcji do uwzględnienia. string[] (wymagane)

TopNFeaturesByAttribution

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "TopNByAttribution" (wymagane)
Do góry Liczba najważniejszych funkcji do uwzględnienia. Int

DataDriftMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalDataDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka dryfu danych kategorii do obliczenia. "JensenShannonDistance"
"PearsonsChiSquaredTest"
"PopulationStabilityIndex" (wymagany)

Wartości liczboweDataDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka dryfu danych liczbowych do obliczenia. "JensenShannonDistance"
"NormalizedWassersteinDistance"
"PopulationStabilityIndex"
"TwoSampleKolmogorovSmirnovTest" (wymagane)

DataQualityMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "DataQuality" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings
Funkcje Funkcje do obliczenia dryfu. MonitoringFeatureFilterBase
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. DataQualityMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

DataQualityMonitoringSignalFeatureDataTypeOverride

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

DataQualityMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalDataQualityMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka jakości danych kategorii do obliczenia. "DataTypeErrorRate"
"NullValueRate"
"OutOfBoundsRate" (wymagane)

NumericalDataQualityMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka jakości danych liczbowych do obliczenia. "DataTypeErrorRate"
"NullValueRate"
"OutOfBoundsRate" (wymagane)

FeatureAttributionDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "FeatureAttributionDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. FeatureAttributionDriftMonitoringSignalFeatureDataTy...
featureImportanceSettings [Wymagane] Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings (wymagane)
metricThreshold [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. FeatureAttributionMetricThreshold (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase[] (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

FeatureAttributionDriftMonitoringSignalFeatureDataTy...

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

FeatureAttributionMetricThreshold

Nazwa Opis Wartość
metryka [Wymagane] Metryka przypisania funkcji do obliczenia. "NormalizedDiscountedCumulativeGain" (wymagane)
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold

PredictionDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "PredictionDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. PredictionDriftMonitoringSignalFeatureDataTypeOverri...
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. PredictionDriftMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

PredictionDriftMonitoringSignalFeatureDataTypeOverri...

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

PredictionDriftMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalPredictionDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. "JensenShannonDistance"
"PearsonsChiSquaredTest"
"PopulationStabilityIndex" (wymagany)

WartośćnumerycznyPredictionDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. "JensenShannonDistance"
"NormalizedWassersteinDistance"
"PopulationStabilityIndex"
"TwoSampleKolmogorovSmirnovTest" (wymagane)

EndpointScheduleAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "InvokeBatchEndpoint" (wymagane)
endpointInvocationDefinition [Wymagane] Definiuje szczegóły definicji akcji harmonogramu.
{zobacz href="TBD" /}

TriggerBase

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.
Format ponownego komentarza to "2022-06-01T00:00:01"
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones />		 struna
triggerType Ustawianie typu obiektu Cron
cyklu (wymagane)

CronTrigger

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

RecurrenceTrigger

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.
Format ponownego komentarza to "2022-06-01T00:00:01"
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
częstotliwość [Wymagane] Częstotliwość wyzwalania harmonogramu. "Dzień"
"Godzina"
"Minuta"
"Miesiąc"
"Tydzień" (wymagany)
interwał [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością int (wymagane)
harmonogram Harmonogram cyklu. cyklu
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones		 struna
triggerType [Wymagane] "Cron"
"Cykl" (wymagany)

CyklSchedule

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

Definicja zasobu narzędzia Terraform (dostawcy AzAPI)

Typ zasobu obszary robocze/harmonogramy można wdrożyć przy użyciu operacji docelowych:

  • grupy zasobów

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

Format zasobu

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {}
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  })
}

Obiekty ScheduleActionBase

Ustaw właściwość actionType, aby określić typ obiektu.

W przypadku createJobużyj:

  actionType = "CreateJob"
  jobDefinition = {
    componentId = "string"
    computeId = "string"
    description = "string"
    displayName = "string"
    experimentName = "string"
    identity {
      identityType = "string"
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived = bool
    notificationSetting = {
      emailOn = [
        "string"
      ]
      emails = [
        "string"
      ]
      webhooks = {
        {customized property} = {
          eventType = "string"
          webhookType = "string"
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties = {
      {customized property} = "string"
    }
    services = {
      {customized property} = {
        endpoint = "string"
        jobServiceType = "string"
        nodes = {
          nodesValueType = "string"
          // For remaining properties, see Nodes objects
        }
        port = int
        properties = {
          {customized property} = "string"
        }
      }
    }
    tags = {}
    jobType = "string"
    // For remaining properties, see JobBaseProperties objects
  }

W przypadku CreateMonitorużyj:

  actionType = "CreateMonitor"
  monitorDefinition = {
    alertNotificationSettings = {
      emailNotificationSettings = {
        emails = [
          "string"
        ]
      }
    }
    computeConfiguration = {
      computeType = "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget = {
      deploymentId = "string"
      modelId = "string"
      taskType = "string"
    }
    signals = {
      {customized property} = {
        notificationTypes = "AmlNotification"
        properties = {
          {customized property} = "string"
        }
        signalType = "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }

W przypadku InvokeBatchEndpointużyj:

  actionType = "InvokeBatchEndpoint"

Obiekty JobBaseProperties

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

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

W przypadkupolecenia użyj:

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

W przypadku FineTuning użyj:

  jobType = "FineTuning"
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      mode = "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
    }
  }
  queueSettings = {
    jobTier = "string"
  }
  resources = {
    instanceTypes = [
      "string"
    ]
  }

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"
  }
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }

W przypadkusweep użyj:

  jobType = "Sweep"
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "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"
      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"
  mode = "string"
  uri = "string"

W przypadku mlflow_modelużyj:

  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"

W przypadku mltableużyj:

  jobOutputType = "mltable"
  mode = "string"
  uri = "string"

W przypadku triton_modelużyj:

  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"

W przypadku uri_fileużyj polecenia:

  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"

W przypadku uri_folderużyj:

  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

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

W przypadku prognozowanieużyj:

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

W przypadku ImageClassificationużyj:

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

W przypadku ImageClassificationMultilabelużyj:

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

W przypadku ImageInstanceSegmentationużyj:

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

W przypadku ImageObjectDetectionużyj:

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

W przypadku regresjiużyj:

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

W przypadku TextClassificationużyj:

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

W przypadku TextClassificationMultilabelużyj:

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

W przypadkuTextNER użyj:

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

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  values = [
    int
  ]

Obiekty TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

  mode = "Auto"

W przypadku niestandardowychużyj:

  mode = "Custom"
  value = int

Obiekty EarlyTerminationPolicy

Ustaw właściwość policyType, aby określić typ obiektu.

W przypadku Banditużyj:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

W przypadku MedianStopping użyj:

  policyType = "MedianStopping"

W przypadku TruncationSelectionużyj:

  policyType = "TruncationSelection"
  truncationPercentage = int

Obiekty DistributionConfiguration

Ustaw właściwość distributionType, aby określić typ obiektu.

W przypadku Mpi użyj:

  distributionType = "Mpi"
  processCountPerInstance = int

W przypadku PyTorch użyj:

  distributionType = "PyTorch"
  processCountPerInstance = int

W przypadku TensorFlow użyj:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Obiekty JobInput

Ustaw właściwość jobInputType, aby określić typ obiektu.

W przypadku custom_modelużyj:

  jobInputType = "custom_model"
  mode = "string"
  uri = "string"

W przypadku literałuużyj:

  jobInputType = "literal"
  value = "string"

W przypadku mlflow_modelużyj:

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

W przypadku mltableużyj:

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

W przypadku triton_modelużyj:

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

W przypadku uri_fileużyj polecenia:

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

W przypadku uri_folderużyj:

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

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"
  }

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"
  rule = "string"
  seed = int

MonitorComputeConfigurationBase obiektów

Ustaw właściwość computeType, aby określić typ obiektu.

W przypadku ServerlessSparkużyj:

  computeType = "ServerlessSpark"
  computeIdentity = {
    computeIdentityType = "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  instanceType = "string"
  runtimeVersion = "string"

MonitorComputeIdentityBase obiektów

Ustaw właściwość computeIdentityType, aby określić typ obiektu.

W przypadkuAmlToken użyj:

  computeIdentityType = "AmlToken"

W przypadku ManagedIdentityużyj:

  computeIdentityType = "ManagedIdentity"
  identity {
    type = "string"
    identity_ids = []
  }

MonitoringSignalBase obiektów

Ustaw właściwość signalType, aby określić typ obiektu.

W przypadku niestandardowychużyj:

  signalType = "Custom"
  componentId = "string"
  inputAssets = {
    {customized property} = {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds = [
    {
      metric = "string"
      threshold = {
        value = int
      }
    }
  ]

W przypadkuDataDrift użyj:

  signalType = "DataDrift"
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku DataQualityużyj:

  signalType = "DataQuality"
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku FeatureAttributionDriftużyj:

  signalType = "FeatureAttributionDrift"
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  metricThreshold = {
    metric = "NormalizedDiscountedCumulativeGain"
    threshold = {
      value = int
    }
  }
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

W przypadku PredictionDriftużyj:

  signalType = "PredictionDrift"
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }

MonitoringInputDataBase obiektów

Ustaw właściwość inputDataType, aby określić typ obiektu.

W przypadku Fixedużyj:

  inputDataType = "Fixed"

W przypadku stopniowej użyj polecenia:

  inputDataType = "Rolling"
  preprocessingComponentId = "string"
  windowOffset = "string"
  windowSize = "string"

W przypadku staticużyj:

  inputDataType = "Static"
  preprocessingComponentId = "string"
  windowEnd = "string"
  windowStart = "string"

MonitoringFeatureFilterBase obiektów

Ustaw właściwość filterType, aby określić typ obiektu.

W przypadku AllFeaturesużyj:

  filterType = "AllFeatures"

W przypadku FeatureSubsetużyj:

  filterType = "FeatureSubset"
  features = [
    "string"
  ]

W przypadku TopNByAttribution użyj:

  filterType = "TopNByAttribution"
  top = int

Obiekty DataDriftMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  dataType = "Categorical"
  metric = "string"

W przypadku liczbowych użyj:

  dataType = "Numerical"
  metric = "string"

Obiekty DataQualityMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  dataType = "Categorical"
  metric = "string"

W przypadku liczbowych użyj:

  dataType = "Numerical"
  metric = "string"

PredictionDriftMetricThresholdBase, obiekty

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

  dataType = "Categorical"
  metric = "string"

W przypadku liczbowych użyj:

  dataType = "Numerical"
  metric = "string"

Obiekty TriggerBase

Ustaw właściwość triggerType, aby określić typ obiektu.

W przypadku Cronużyj:

  triggerType = "Cron"
  expression = "string"

W przypadkucyklu użyj:

  triggerType = "Recurrence"
  frequency = "string"
  interval = int
  schedule = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    monthDays = [
      int
    ]
    weekDays = [
      "string"
    ]
  }

Wartości właściwości

obszary robocze/harmonogramy

Nazwa Opis Wartość
typ Typ zasobu "Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview"
nazwa Nazwa zasobu ciąg (wymagany)
parent_id Identyfikator zasobu, który jest elementem nadrzędnym dla tego zasobu. Identyfikator zasobu typu: obszarów roboczych
Właściwości [Wymagane] Dodatkowe atrybuty jednostki. ScheduleProperties (wymagane)

Właściwości harmonogramu

Nazwa Opis Wartość
akcja [Wymagane] Określa akcję harmonogramu ScheduleActionBase (wymagane)
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana harmonogramu. struna
isEnabled Czy harmonogram jest włączony? Bool
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
Tagi Słownik tagów. Tagi można dodawać, usuwać i aktualizować. sprzeciwiać się
spust [Wymagane] Określa szczegóły wyzwalacza TriggerBase (wymagane)

ScheduleActionBase

Nazwa Opis Wartość
actionType Ustawianie typu obiektu createJob
CreateMonitor
InvokeBatchEndpoint (wymagane)

JobScheduleAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "CreateJob" (wymagane)
jobDefinition [Wymagane] Definiuje szczegóły definicji akcji harmonogramu. JobBaseProperties (wymagane)

Właściwości elementu JobBase

Nazwa Opis Wartość
componentId Identyfikator zasobu usługi ARM zasobu składnika. struna
computeId Identyfikator zasobu usługi ARM zasobu obliczeniowego. struna
opis Tekst opisu zasobu. struna
displayName Nazwa wyświetlana zadania. struna
experimentName Nazwa eksperymentu, do którego należy zadanie. Jeśli nie zostanie ustawione, zadanie zostanie umieszczone w eksperymencie "Domyślny". struna
tożsamość Konfiguracja tożsamości. W przypadku ustawienia powinna to być jedna z wartości AmlToken, ManagedIdentity, UserIdentity lub null.
Wartość domyślna to AmlToken, jeśli ma wartość null.		 IdentityConfiguration
isArchived Czy zasób jest archiwizowany? Bool
notificationSetting Ustawienie powiadomienia dla zadania NotificationSetting
Właściwości Słownik właściwości elementu zawartości. ResourceBaseProperties
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
 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

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. 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)
tryb Tryb dostarczania zasobów wyjściowych. "Bezpośredni"
"ReadWriteMount"
"Przekaż"
Uri Identyfikator URI elementu zawartości wyjściowej. struna

MLFlowModelJobOutput

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

MLTableJobOutput

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

TritonModelJobOutput

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

UriFileJobOutput

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

UriFolderJobOutput

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

QueueSettings

Nazwa Opis Wartość
jobTier Steruje warstwą zadania obliczeniowego "Podstawowa"
"Null"
"Premium"
"Spot"
"Standardowa"

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
Właściwości Dodatkowa torba właściwości. ResourceConfigurationProperties
shmSize Rozmiar bloku pamięci udostępnionej kontenera platformy Docker. Powinno to być w formacie (liczba)(jednostka), w którym liczba ma być większa niż 0, a jednostka może być jedną z b(bajtów), k(kilobajtów), m(megabajtów) lub g(gigabajtów). struna

Ograniczenia:
Wzorzec = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nazwa Opis Wartość
{niestandardowa właściwość}

AutoMLVertical

Nazwa Opis Wartość
logVerbosity Czasownik rejestrowania dla zadania. "Krytyczne"
"Debugowanie"
"Błąd"
"Informacje"
"NotSet"
"Ostrzeżenie"
targetColumnName Nazwa kolumny docelowej: jest to kolumna wartości przewidywania.
Znana również jako nazwa kolumny etykiety w kontekście zadań klasyfikacji.		 struna
trainingData [Wymagane] Dane wejściowe danych treningowych. MLTableJobInput (wymagane)
taskType Ustawianie typu obiektu Klasyfikacja
prognozowanie
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
regresji
TextClassification
TextClassificationMultilabel
TextNER (wymagane)

MLTableJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

Klasyfikacja

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "Klasyfikacja" (wymagana)
cvSplitColumnNames Kolumny do użycia dla danych CVSplit. string[]
cechowanieUstawienia Dane wejściowe cechowania potrzebne do zadania rozwiązania AutoML. TableVerticalFeaturizationSettings
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"
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.

TableVerticalLimitSettings

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

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)

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

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
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"
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"
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

ImageClassification

Nazwa Opis Wartość
taskType [Wymagane] Typ zadania dla zadania AutoMLJob. "ImageClassification" (wymagane)
limitSettings [Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego. ImageLimitSettings (wymagane)
modelSettings Ustawienia używane do trenowania modelu. ImageModelSettingsClassification
primaryMetric Podstawowa metryka do optymalizacji pod kątem tego zadania. "AUCWeighted"
"Dokładność"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów. ImageModelDistributionSettingsClassification[]
sweepSettings Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów. ImageSweepSettings
validationData Dane wejściowe danych walidacji. MLTableJobInput
validationDataSize Ułamek zestawu danych trenowania, który należy odłożyć na potrzeby walidacji.
Wartości z zakresu (0.0, 1.0)
Zastosowano, gdy zestaw danych weryfikacji nie został podany.
 Int

ImageLimitSettings

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

ImageModelSettingsClassification

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

MLFlowModelJobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
tryb Tryb dostarczania zasobów wejściowych. "Bezpośredni"
"Pobierz"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

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

ImageSweepSettings

Nazwa Opis Wartość
earlyTermination Typ zasad wczesnego kończenia. EarlyTerminationPolicy
próbkowanieAlgorithm [Wymagane] Typ algorytmów próbkowania hiperparametrów. "Bayesian"
"Siatka"
"Losowe" (wymagane)

EarlyTerminationPolicy

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

BanditPolicy

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

MedianStoppingPolicy

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

ObcięcieselectionPolicy

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

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"
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
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"
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

Klasyfikacja tekstu

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

NlpVerticalFeaturizationSettings

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

NlpVerticalLimitSettings

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

TextClassificationMultilabel

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

CommandJob

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

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

Ograniczenia:
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

Rozkładkonfiguracja

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

Mpi

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

PyTorch

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

TensorFlow

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

CommandJobEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CommandJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

JobInput

Nazwa Opis Wartość
opis Opis danych wejściowych. struna
jobInputType Ustawianie typu obiektu custom_model
literału
mlflow_model
mltable
triton_model
uri_file
uri_folder (wymagane)

CustomModelJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

LiterałJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

TritonModelJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

UriFileJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

UriFolderJobInput

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

CommandJobLimits

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

CommandJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

FineTuningJob

Nazwa Opis Wartość
jobType [Wymagane] Określa typ zadania. "FineTuning" (wymagane)
fineTuningDetails [Wymagane] FineTuningVertical (wymagane)
Wyjść [Wymagane] FineTuningJobOutputs (wymagane)
queueSettings Ustawienia kolejki dla zadania QueueSettings
zasoby Typy wystąpień i inne zasoby dla zadania JobResources

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

JobResources

Nazwa Opis Wartość
instanceTypes Lista typów wystąpień do wyboru. string[]

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] arm-id zasobu kodu. ciąg (wymagany)
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)
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
próbkowanieAlgorithm [Wymagane] Algorytm próbkowania hiperparametrów PróbkowanieAlgorithm (wymagane)
searchSpace [Wymagane] Słownik zawierający każdy parametr i jego rozkład. Klucz słownika jest nazwą parametru
proces [Wymagane] Definicja składnika wersji próbnej. Wersji próbnejComponent (wymagane)

SweepJobInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

SweepJobLimits

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

Cel

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

SweepJobOutputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobOutput

PróbkowanieAlgorithm

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

BayesianSamplingAlgorithm

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

GridSamplingAlgorithm

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

RandomSamplingAlgorithm

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

Wersja próbnaComponent

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

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
environmentVariables Zmienne środowiskowe uwzględnione w zadaniu. TrialComponentEnvironmentVariables
zasoby Konfiguracja zasobów obliczeniowych dla zadania. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CreateMonitorAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "CreateMonitor" (wymagane)
monitorDefinition [Wymagane] Definiuje monitor. MonitorDefinition (wymagane)

MonitorDefinition

Nazwa Opis Wartość
alertNotificationSettings Ustawienia powiadomień monitora. MonitorNotificationSettings
computeConfiguration [Wymagane] Identyfikator zasobu obliczeniowego usługi ARM do uruchomienia zadania monitorowania. MonitorComputeConfigurationBase (wymagane)
monitoringTarget Jednostki objęte monitorem. MonitoringTarget
Sygnały [Wymagane] Sygnały do monitorowania. MonitorDefinitionSignals (wymagane)

MonitorNotificationSettings

Nazwa Opis Wartość
emailNotificationSettings Ustawienia poczty e-mail powiadomienia AML. MonitorEmailNotificationSettings

MonitorEmailNotificationSettings

Nazwa Opis Wartość
wiadomości e-mail Lista adresatów wiadomości e-mail, która ma łącznie 499 znaków. string[]

MonitorComputeConfigurationBase

Nazwa Opis Wartość
computeType Ustawianie typu obiektu ServerlessSpark (wymagane)

MonitorServerlessSparkCompute

Nazwa Opis Wartość
computeType [Wymagane] Określa typ sygnału do monitorowania. "BezserweroweSpark" (wymagane)
computeIdentity [Wymagane] Schemat tożsamości, do których korzystają zadania platformy Spark uruchomione na bezserwerowej platformie Spark. MonitorComputeIdentityBase (wymagane)
instanceType [Wymagane] Typ wystąpienia, w którym uruchomiono zadanie platformy Spark. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
runtimeVersion [Wymagane] Wersja środowiska uruchomieniowego platformy Spark. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = ^[0-9]+\.[0-9]+$

MonitorComputeIdentityBase

Nazwa Opis Wartość
computeIdentityType Ustawianie typu obiektu AmlToken
managedIdentity (wymagane)

AmlTokenComputeIdentity

Nazwa Opis Wartość
computeIdentityType [Wymagane] Określa typ tożsamości do użycia w ramach zadań monitorowania. "AmlToken" (wymagane)

ManagedComputeIdentity

Nazwa Opis Wartość
computeIdentityType [Wymagane] Określa typ tożsamości do użycia w ramach zadań monitorowania. "ManagedIdentity" (wymagane)
tożsamość Tożsamość, która będzie służyć przez zadania monitorowania. ManagedServiceIdentity

ManagedServiceIdentity

Nazwa Opis Wartość
typ Typ tożsamości usługi zarządzanej (gdzie dozwolone są typy SystemAssigned i UserAssigned). "SystemAssigned"
"SystemAssigned,UserAssigned"
"UserAssigned" (wymagane)
identity_ids Zestaw tożsamości przypisanych przez użytkownika skojarzonych z zasobem. Klucze słownika userAssignedIdentities będą identyfikatorami zasobów usługi ARM w postaci: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Wartości słownika mogą być pustymi obiektami ({}) w żądaniach. Tablica identyfikatorów tożsamości użytkownika.

UserAssignedIdentities

Nazwa Opis Wartość
{niestandardowa właściwość} UserAssignedIdentity

UserAssignedIdentity

Ten obiekt nie zawiera żadnych właściwości do ustawienia podczas wdrażania. Wszystkie właściwości to ReadOnly.

MonitorowanieTarget

Nazwa Opis Wartość
identyfikator wdrożenia Odwołanie do zasobu wdrożenia objętego tym monitorem. struna
modelId Odwołanie do zasobu modelu objętego tym monitorem. struna
taskType [Wymagane] Typ zadania uczenia maszynowego monitorowanego modelu. "Klasyfikacja"
"Regresja" (wymagana)

MonitorDefinitionSignals

Nazwa Opis Wartość
{niestandardowa właściwość} monitorowanie SignalBase

MonitoringSignalBase

Nazwa Opis Wartość
notificationTypes Bieżący tryb powiadomień dla tego sygnału. Tablica ciągów zawierająca dowolną z:
"AmlNotification"
Właściwości Słownik właściwości. Właściwości można dodawać, ale nie usuwać ani zmieniać. MonitorowanieSignalBaseProperties
signalType Ustawianie typu obiektu niestandardowe
DataDrift
DataQuality
FeatureAttributionDrift
PredictionDrift (wymagane)

MonitoringSignalBaseProperties

Nazwa Opis Wartość
{niestandardowa właściwość} struna

CustomMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "Niestandardowy" (wymagany)
componentId [Wymagane] Odwołanie do zasobu składnika używanego do obliczania metryk niestandardowych. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
inputAssets Monitorowanie zasobów do podjęcia jako danych wejściowych. Klucz to nazwa portu wejściowego składnika, a wartość to zasób danych. CustomMonitoringSignalInputAssets
Wejścia Dodatkowe parametry składnika do podjęcia jako dane wejściowe. Klucz to nazwa portu wejściowego literału składnika, wartość to wartość parametru. CustomMonitoringSignalInputs
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. CustomMetricThreshold[] (wymagane)

CustomMonitoringSignalInputAssets

Nazwa Opis Wartość
{niestandardowa właściwość} MonitoringInputDataBase

MonitoringInputDataBase

Nazwa Opis Wartość
Kolumny Mapowanie nazw kolumn na specjalne zastosowania. MonitoringInputDataBaseColumns
dataContext Metadane kontekstu źródła danych. struna
jobInputType [Wymagane] Określa typ zadania. "custom_model"
"literał"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (wymagane)
Uri [Wymagane] Identyfikator URI zasobu wejściowego. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
inputDataType Ustawianie typu obiektu stałe
stopniowe
statyczne (wymagane)

MonitoringInputDataBaseColumns

Nazwa Opis Wartość
{niestandardowa właściwość} struna

FixedInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Naprawiono" (wymagane)

RollingInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Rolling" (wymagane)
preprocessingComponentId Odwołanie do zasobu składnika używanego do wstępnego przetwarzania danych. struna
windowOffset [Wymagane] Przesunięcie czasu między końcem okna danych a bieżącym czasem wykonywania monitora. ciąg (wymagany)
windowSize [Wymagane] Rozmiar okna danych kroczenia. ciąg (wymagany)

StaticInputData

Nazwa Opis Wartość
inputDataType [Wymagane] Określa typ sygnału do monitorowania. "Statyczne" (wymagane)
preprocessingComponentId Odwołanie do zasobu składnika używanego do wstępnego przetwarzania danych. struna
windowEnd [Wymagane] Data zakończenia okna danych. ciąg (wymagany)
oknoStart [Wymagane] Data rozpoczęcia okna danych. ciąg (wymagany)

CustomMonitoringSignalInputs

Nazwa Opis Wartość
{niestandardowa właściwość} JobInput

CustomMetricThreshold

Nazwa Opis Wartość
metryka [Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia. ciąg (wymagany)

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold

MonitoringThreshold

Nazwa Opis Wartość
wartość Wartość progowa. Jeśli wartość null, ustawienie domyślne jest zależne od typu metryki. Int

DataDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "DataDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings
Funkcje Filtr funkcji określający, która funkcja ma obliczyć dryf. MonitoringFeatureFilterBase
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. DataDriftMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

DataDriftMonitoringSignalFeatureDataTypeOverride

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

FeatureImportanceSettings

Nazwa Opis Wartość
tryb Tryb operacji dla znaczenia funkcji obliczeniowej. "Wyłączone"
"Włączone"
targetColumn Nazwa kolumny docelowej w zasobie danych wejściowych. struna

MonitoringFeatureFilterBase

Nazwa Opis Wartość
filterType Ustawianie typu obiektu AllFeatures
FeatureSubset
TopNByAttribution (wymagane)

Wszystkiefeatures

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "AllFeatures" (wymagane)

FeatureSubset

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "FeatureSubset" (wymagane)
Funkcje [Wymagane] Lista funkcji do uwzględnienia. string[] (wymagane)

TopNFeaturesByAttribution

Nazwa Opis Wartość
filterType [Wymagane] Określa filtr funkcji do wykorzystania podczas wybierania funkcji do obliczania metryk. "TopNByAttribution" (wymagane)
Do góry Liczba najważniejszych funkcji do uwzględnienia. Int

DataDriftMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalDataDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka dryfu danych kategorii do obliczenia. "JensenShannonDistance"
"PearsonsChiSquaredTest"
"PopulationStabilityIndex" (wymagany)

Wartości liczboweDataDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka dryfu danych liczbowych do obliczenia. "JensenShannonDistance"
"NormalizedWassersteinDistance"
"PopulationStabilityIndex"
"TwoSampleKolmogorovSmirnovTest" (wymagane)

DataQualityMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "DataQuality" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceSettings Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings
Funkcje Funkcje do obliczenia dryfu. MonitoringFeatureFilterBase
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. DataQualityMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane generowane przez usługę produkcyjną, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

DataQualityMonitoringSignalFeatureDataTypeOverride

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

DataQualityMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalDataQualityMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka jakości danych kategorii do obliczenia. "DataTypeErrorRate"
"NullValueRate"
"OutOfBoundsRate" (wymagane)

NumericalDataQualityMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka jakości danych liczbowych do obliczenia. "DataTypeErrorRate"
"NullValueRate"
"OutOfBoundsRate" (wymagane)

FeatureAttributionDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "FeatureAttributionDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. FeatureAttributionDriftMonitoringSignalFeatureDataTy...
featureImportanceSettings [Wymagane] Ustawienia dotyczące znaczenia funkcji obliczeniowej. FeatureImportanceSettings (wymagane)
metricThreshold [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. FeatureAttributionMetricThreshold (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase[] (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

FeatureAttributionDriftMonitoringSignalFeatureDataTy...

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

FeatureAttributionMetricThreshold

Nazwa Opis Wartość
metryka [Wymagane] Metryka przypisania funkcji do obliczenia. "NormalizedDiscountedCumulativeGain" (wymagane)
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold

PredictionDriftMonitoringSignal

Nazwa Opis Wartość
signalType [Wymagane] Określa typ sygnału do monitorowania. "PredictionDrift" (wymagane)
featureDataTypeOverride Słownik mapujący nazwy funkcji na odpowiednie typy danych. PredictionDriftMonitoringSignalFeatureDataTypeOverri...
metricThresholds [Wymagane] Lista metryk do obliczenia i skojarzonych z nimi progów. PredictionDriftMetricThresholdBase[] (wymagane)
productionData [Wymagane] Dane, dla których będzie obliczany dryf. MonitoringInputDataBase (wymagane)
referenceData [Wymagane] Dane do obliczenia dryfu względem. MonitoringInputDataBase (wymagane)

PredictionDriftMonitoringSignalFeatureDataTypeOverri...

Nazwa Opis Wartość
{niestandardowa właściwość} "Kategorialne"
"Numeryczne"

PredictionDriftMetricThresholdBase

Nazwa Opis Wartość
próg Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki. MonitoringThreshold
Datatype Ustawianie typu obiektu kategorii
liczbowych (wymagane)

CategoryegoricalPredictionDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Kategorialne" (wymagane)
metryka [Wymagane] Metryka dryfu przewidywania kategorii do obliczenia. "JensenShannonDistance"
"PearsonsChiSquaredTest"
"PopulationStabilityIndex" (wymagany)

WartośćnumerycznyPredictionDriftMetricThreshold

Nazwa Opis Wartość
Datatype [Wymagane] Określa typ danych progu metryki. "Numeryczne" (wymagane)
metryka [Wymagane] Metryka dryfu przewidywania liczbowego do obliczenia. "JensenShannonDistance"
"NormalizedWassersteinDistance"
"PopulationStabilityIndex"
"TwoSampleKolmogorovSmirnovTest" (wymagane)

EndpointScheduleAction

Nazwa Opis Wartość
actionType [Wymagane] Określa typ akcji harmonogramu "InvokeBatchEndpoint" (wymagane)
endpointInvocationDefinition [Wymagane] Definiuje szczegóły definicji akcji harmonogramu.
{zobacz href="TBD" /}

TriggerBase

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.
Format ponownego komentarza to "2022-06-01T00:00:01"
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones />		 struna
triggerType Ustawianie typu obiektu Cron
cyklu (wymagane)

CronTrigger

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

Ograniczenia:
Minimalna długość = 1
Wzorzec = [a-zA-Z0-9_]

RecurrenceTrigger

Nazwa Opis Wartość
endTime Określa godzinę zakończenia harmonogramu w iso 8601, ale bez przesunięcia UTC. Zapoznaj się z https://en.wikipedia.org/wiki/ISO_8601.
Format ponownego komentarza to "2022-06-01T00:00:01"
Jeśli nie istnieje, harmonogram będzie uruchamiany na czas nieokreślony		 struna
częstotliwość [Wymagane] Częstotliwość wyzwalania harmonogramu. "Dzień"
"Godzina"
"Minuta"
"Miesiąc"
"Tydzień" (wymagany)
interwał [Wymagane] Określa interwał harmonogramu w połączeniu z częstotliwością int (wymagane)
harmonogram Harmonogram cyklu. cyklu
startTime Określa godzinę rozpoczęcia harmonogramu w formacie ISO 8601, ale bez przesunięcia UTC. struna
strefa czasowa Określa strefę czasową, w której jest uruchamiany harmonogram.
Strefa czasowa powinna być zgodna z formatem strefy czasowej systemu Windows. Zobacz: /windows-hardware/manufacture/desktop/default-time-zones		 struna
triggerType [Wymagane] "Cron"
"Cykl" (wymagany)

CyklSchedule

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