Microsoft.MachineLearningServices workspaces/schedules

Artykuł
12/17/2024

Definicja zasobu Bicep

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

grupy zasobów — zobacz polecenia wdrażania grupy zasobów

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

Format zasobu

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

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2024-10-01' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

Obiekty elementu webhook

Ustaw właściwość webhookType, aby określić typ obiektu.

W przypadku AzureDevOps użyj:

{
  webhookType: 'AzureDevOps'
}

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'
}

Obiekty NCrossValidations

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

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}: {}
    }
  }
}

Obiekty autoMLVertical

Ustaw właściwość taskType, aby określić typ obiektu.

W przypadku classificationużyj:

{
  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'
  taskType: 'Classification'
  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:

{
  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'
  taskType: 'Forecasting'
  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:

{
  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'
  }
  taskType: 'ImageClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

W przypadku ImageClassificationMultilabelużyj:

{
  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'
  }
  taskType: 'ImageClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
}

W przypadku ImageInstanceSegmentationużyj:

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

W przypadku ImageObjectDetectionużyj:

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

W przypadku regresjiużyj:

{
  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'
  taskType: 'Regression'
  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:

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

W przypadku TextClassificationMultilabelużyj:

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

W przypadkuTextNER użyj:

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

Obiekty TriggerBase

Ustaw właściwość triggerType, aby określić typ obiektu.

W przypadku Cronużyj:

{
  expression: 'string'
  triggerType: 'Cron'
}

W przypadkucyklu użyj:

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

MonitoringFeatureFilterBase obiektów

Ustaw właściwość filterType, aby określić typ obiektu.

W przypadku AllFeaturesużyj:

{
  filterType: 'AllFeatures'
}

W przypadku FeatureSubsetużyj:

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

W przypadku TopNByAttribution użyj:

{
  filterType: 'TopNByAttribution'
  top: int
}

Próbkowanie ObiektówAlgorithm

Ustaw właściwość samplingAlgorithmType, aby określić typ obiektu.

W przypadku Bayesian użyj:

{
  samplingAlgorithmType: 'Bayesian'
}

W przypadku usługi Gridużyj:

{
  samplingAlgorithmType: 'Grid'
}

W przypadku losowychużyj:

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

Obiekty 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 TargetLags

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

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

Obiekty DataQualityMetricThresholdBase

Ustaw właściwość dataType, aby określić typ obiektu.

W przypadku kategorii użyj:

{
  dataType: 'Categorical'
  metric: 'string'
}

W przypadku liczbowych użyj:

{
  dataType: 'Numerical'
  metric: 'string'
}

Obiekty 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 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'
}

Obiekty ForecastHorizon

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

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: {
      {customized property}: 'string'
    }
    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: [
          'string'
        ]
        properties: {
          {customized property}: 'string'
        }
        signalType: 'string'
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

W przypadku InvokeBatchEndpointużyj:

{
  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any(...)
}

Obiekty węzłów

Ustaw właściwość nodesValueType, aby określić typ obiektu.

W przypadku Wszystkieużyj:

{
  nodesValueType: 'All'
}

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 JobBaseProperties

Ustaw właściwość jobType, aby określić typ obiektu.

W przypadku rozwiązania AutoMLużyj:

{
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  jobType: 'AutoML'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  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:

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

W przypadkupotoku użyj:

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

W przypadku platformy Sparkużyj:

{
  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'
  ]
  jobType: 'Spark'
  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:

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

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

W przypadku userIdentityużyj:

{
  identityType: 'UserIdentity'
}

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'
}

MonitoringSignalBase obiektów

Ustaw właściwość signalType, aby określić typ obiektu.

W przypadku niestandardowychużyj:

{
  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
      }
    }
  ]
  signalType: 'Custom'
}

W przypadkuDataDrift użyj:

{
  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
  }
  signalType: 'DataDrift'
}

W przypadku DataQualityużyj:

{
  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
  }
  signalType: 'DataQuality'
}

W przypadku FeatureAttributionDriftużyj:

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  metricThreshold: {
    metric: 'string'
    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
  }
  signalType: 'FeatureAttributionDrift'
}

W przypadku PredictionDriftużyj:

{
  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
  }
  signalType: 'PredictionDrift'
}

Obiekty sezonowości

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

Obiekty SparkJobEntry

Ustaw właściwość sparkJobEntryType, aby określić typ obiektu.

W przypadku SparkJobPythonEntryużyj:

{
  file: 'string'
  sparkJobEntryType: 'SparkJobPythonEntry'
}

W przypadku SparkJobScalaEntryużyj:

{
  className: 'string'
  sparkJobEntryType: 'SparkJobScalaEntry'
}

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 TargetRollingWindowSize

Ustaw właściwość trybu , aby określić typ obiektu.

W przypadku autoużyj:

{
  mode: 'Auto'
}

W przypadku niestandardowychużyj:

{
  mode: 'Custom'
  value: int
}

MonitorComputeConfigurationBase obiektów

Ustaw właściwość computeType, aby określić typ obiektu.

W przypadku ServerlessSparkużyj:

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

Wartości właściwości

Wszystkiefeatures

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

Wszystkie węzły

Nazwa	Opis	Wartość
nodesValueType	[Wymagane] Typ wartości Węzły	"Wszystkie" (wymagane)

AmlToken

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

AmlTokenComputeIdentity

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

AutoForecastHorizon

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

AutoMLJob

Nazwa	Opis	Wartość
environmentId	Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania. Ta wartość jest opcjonalna, aby podać, jeśli nie podano, rozwiązanie AutoML spowoduje ustawienie domyślne dla produkcyjnej wersji środowiska wyselekcjonowanych automatycznego uczenia maszynowego podczas uruchamiania zadania.	struna
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	AutoMLJobEnvironmentVariables
jobType	[Wymagane] Określa typ zadania.	"AutoML" (wymagane)
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	AutoMLJobOutputs
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

AutoMLJobOutputs

Nazwa	Opis	Wartość

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
taskType	Ustaw wartość "Classification" dla typu Classification. Ustaw wartość "Prognozowanie" dla typu Prognozowanie. Ustaw wartość "ImageClassification" dla typu ImageClassification. Ustaw wartość "ImageClassificationMultilabel" dla typu ImageClassificationMultilabel. Ustaw wartość "ImageInstanceSegmentation" dla typu ImageInstanceSegmentation. Ustaw wartość "ImageObjectDetection" dla typu ImageObjectDetection. Ustaw wartość "Regresja" dla typu Regresja. Ustaw wartość "TextClassification" dla typu TextClassification. Ustaw wartość "TextClassificationMultilabel" dla typu TextClassificationMultilabel. Ustaw wartość "TextNER" dla typu TextNer.	"Klasyfikacja" "Prognozowanie" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regresja" "TextClassification" "TextClassificationMultilabel" "TextNER" (wymagane)
trainingData	[Wymagane] Dane wejściowe danych treningowych.	MLTableJobInput (wymagane)

AutoNCrossValidations

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

Autoseasonity

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

AutoTargetLags

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

AutoTargetRollingWindowSize

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

AzureDevOpsWebhook

Nazwa	Opis	Wartość
webhookType	[Wymagane] Określa typ usługi do wysłania wywołania zwrotnego	"AzureDevOps" (wymagane)

BanditPolicy

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

BayesianSamplingAlgorithm

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

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)

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)

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)

Klasyfikacja

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

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

Kolumnowyprzekształtnik

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

CommandJob

Nazwa	Opis	Wartość
codeId	Identyfikator zasobu usługi ARM zasobu kodu.	struna
polecenie	[Wymagane] Polecenie do wykonania podczas uruchamiania zadania. Np. "python train.py"	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
dystrybucja	Konfiguracja dystrybucji zadania. W przypadku ustawienia powinna to być jedna z wartości Mpi, Tensorflow, PyTorch lub null.	DistributionConfiguration
environmentId	[Wymagane] Identyfikator zasobu usługi ARM specyfikacji środowiska dla zadania.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
environmentVariables	Zmienne środowiskowe uwzględnione w zadaniu.	CommandJobEnvironmentVariables
Wejścia	Mapowanie powiązań danych wejściowych używanych w zadaniu.	CommandJobInputs
jobType	[Wymagane] Określa typ zadania.	"Polecenie" (wymagane)
Limity	Limit zadań poleceń.	CommandJobLimits
Wyjść	Mapowanie powiązań danych wyjściowych używanych w zadaniu.	CommandJobOutputs
queueSettings	Ustawienia kolejki dla zadania	QueueSettings
zasoby	Konfiguracja zasobów obliczeniowych dla zadania.	JobResourceConfiguration

CommandJobEnvironmentVariables

Nazwa	Opis	Wartość

CommandJobInputs

Nazwa	Opis	Wartość

CommandJobLimits

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

CommandJobOutputs

Nazwa	Opis	Wartość

CreateMonitorAction

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

CronTrigger

Nazwa	Opis	Wartość
wyrażenie	[Wymagane] Określa wyrażenie cron harmonogramu. Wyrażenie powinno być zgodne z formatem NCronTab.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
triggerType	[Wymagane]	"Cron" (wymagane)

CustomForecastHorizon

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

CustomMetricThreshold

Nazwa	Opis	Wartość
metryka	[Wymagane] Metryka zdefiniowana przez użytkownika do obliczenia.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
próg	Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki.	MonitoringThreshold

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.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (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

CustomMonitoringSignal

Nazwa	Opis	Wartość
componentId	[Wymagane] Odwołanie do zasobu składnika używanego do obliczania metryk niestandardowych.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (wymagane)
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)
signalType	[Wymagane] Określa typ sygnału do monitorowania.	"Niestandardowy" (wymagany)

CustomMonitoringSignalInputAssets

Nazwa	Opis	Wartość

CustomMonitoringSignalInputs

Nazwa	Opis	Wartość

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetLags

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

CustomTargetRollingWindowSize

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

DataDriftMetricThresholdBase

Nazwa	Opis	Wartość
Datatype	Ustaw wartość "Kategoria" dla typu KategoriaDataDriftMetricThreshold. Ustaw wartość "Numeryczny" dla typu NumeryczneDataDriftMetricThreshold.	"Kategorialne" "Numeryczne" (wymagane)
próg	Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki.	MonitoringThreshold

DataDriftMonitoringSignal

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

DataDriftMonitoringSignalFeatureDataTypeOverride

Nazwa	Opis	Wartość

DataQualityMetricThresholdBase

Nazwa	Opis	Wartość
Datatype	Ustaw wartość "Kategoria" dla typu KategoriiDataQualityMetricThreshold. Ustaw wartość "Numeryczne" dla typu NumeryczneDataQualityMetricThreshold.	"Kategorialne" "Numeryczne" (wymagane)
próg	Wartość progowa. Jeśli wartość null, zostanie ustawiona wartość domyślna w zależności od wybranej metryki.	MonitoringThreshold

DataQualityMonitoringSignal

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

DataQualityMonitoringSignalFeatureDataTypeOverride

Nazwa	Opis	Wartość

Rozkładkonfiguracja

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

EarlyTerminationPolicy

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

EndpointScheduleAction

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

FeatureAttributionDriftMonitoringSignal

Nazwa	Opis	Wartość
featureDataTypeOverride	Słownik mapujący nazwy funkcji na odpowiednie typy danych.	FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
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)
signalType	[Wymagane] Określa typ sygnału do monitorowania.	"FeatureAttributionDrift" (wymagane)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Nazwa	Opis	Wartość

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

FeatureImportanceSettings

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

FeatureSubset

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

FixedInputData

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

PrognozaHorizon

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

Prognozowanie

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

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" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "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" "Sezonowa wyrównywacz" "SeasonalNaive" "SGD" "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

GridSamplingAlgorithm

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

IdentityConfiguration

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

ImageClassification

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

ImageClassificationMultilabel

Nazwa	Opis	Wartość
limitSettings	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings	Ustawienia używane do trenowania modelu.	ImageModelSettingsClassification
primaryMetric	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"Dokładność" "AUCWeighted" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsClassification[]
sweepSettings	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	ImageSweepSettings
taskType	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageClassificationMultilabel" (wymagane)
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
limitSettings	[Wymagane] Ogranicz ustawienia zadania automatycznego uczenia maszynowego.	ImageLimitSettings (wymagane)
modelSettings	Ustawienia używane do trenowania modelu.	ImageModelSettingsObjectDetection
primaryMetric	Podstawowa metryka do optymalizacji pod kątem tego zadania.	"MeanAveragePrecision"
searchSpace	Wyszukaj miejsce na próbkowanie różnych kombinacji modeli i ich hiperparametrów.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Ustawienia związane z zamiatanie modeli i zamiatanie hiperparametrów.	ImageSweepSettings
taskType	[Wymagane] Typ zadania dla zadania AutoMLJob.	"ImageInstanceSegmentation" (wymagane)
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

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

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

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

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

ImageObjectDetection

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

ImageSweepSettings

Nazwa	Opis	Wartość
earlyTermination	Typ zasad wczesnego kończenia.	EarlyTerminationPolicy
próbkowanieAlgorithm	[Wymagane] Typ algorytmów próbkowania hiperparametrów.	"Bayesian" "Siatka" "Losowe" (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
jobType	Ustaw wartość "AutoML" dla typu AutoMLJob. Ustaw wartość "Command" dla typu CommandJob. Ustaw wartość "Pipeline" dla typu PipelineJob. Ustaw wartość "Spark" dla typu SparkJob. Ustaw wartość "Zamiatanie" dla typu SweepJob.	"AutoML" "Polecenie" "Potok" "Spark" "Zamiatanie" (wymagane)
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.	ResourceBaseTags

JobBaseServices

Nazwa	Opis	Wartość

JobInput

Nazwa	Opis	Wartość
opis	Opis danych wejściowych.	struna
jobInputType	Ustaw wartość "custom_model" dla typu CustomModelJobInput. Ustaw wartość "literał" dla typu LiteralJobInput. Ustaw wartość "mlflow_model" dla typu MLFlowModelJobInput. Ustaw wartość "mltable" dla typu MLTableJobInput. Ustaw wartość "triton_model" dla typu TritonModelJobInput. Ustaw wartość "uri_file" dla typu UriFileJobInput. Ustaw wartość "uri_folder" dla typu UriFolderJobInput.	"custom_model" "literał" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

JobOutput

Nazwa	Opis	Wartość
opis	Opis danych wyjściowych.	struna
jobOutputType	Ustaw wartość "custom_model" dla typu CustomModelJobOutput. Ustaw wartość "mlflow_model" dla typu MLFlowModelJobOutput. Ustaw wartość "mltable" dla typu MLTableJobOutput. Ustaw wartość "triton_model" dla typu TritonModelJobOutput. Ustaw wartość "uri_file" dla typu UriFileJobOutput. Ustaw wartość "uri_folder" dla typu UriFolderJobOutput.	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (wymagane)

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]`

JobScheduleAction

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

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.	Węzły
port	Port dla punktu końcowego.	Int
Właściwości	Dodatkowe właściwości do ustawienia w punkcie końcowym.	JobServiceProperties

Właściwości usługi zadań

Nazwa	Opis	Wartość

LiterałJobInput

Nazwa	Opis	Wartość
jobInputType	[Wymagane] Określa typ zadania.	"literał" (wymagany)
wartość	[Wymagane] Wartość literału dla danych wejściowych.	struna Ograniczenia: Minimalna długość = 1 Wzorzec = `[a-zA-Z0-9_]` (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

Identyfikator zarządzany

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

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

MedianStoppingPolicy

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