Dela via


Microsoft.MachineLearningServices-arbetsytor/jobb 2022-02-01-preview

Bicep-resursdefinition

Resurstypen arbetsytor/jobb kan distribueras med åtgärder som mål:

En lista över ändrade egenskaper i varje API-version finns i ändringsloggen.

Resursformat

Om du vill skapa en Microsoft.MachineLearningServices/arbetsytor/jobbresurs lägger du till följande Bicep i mallen.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    schedule: {
      endTime: 'string'
      scheduleStatus: 'string'
      startTime: 'string'
      timeZone: 'string'
      scheduleType: 'string'
      // For remaining properties, see ScheduleBase objects
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {}
    jobType: 'string'
    // For remaining properties, see JobBaseDetails objects
  }
}

JobBaseDetails-objekt

Ange egenskapen jobType för att ange typ av objekt.

För AutoML-använder du:

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

För Kommandoanvänder du:

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

För Pipelineanvänder du:

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

För Svepanvänder du:

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

IdentityConfiguration-objekt

Ange egenskapen identityType för att ange typ av objekt.

För AMLTokenanvänder du:

  identityType: 'AMLToken'

För Managedanvänder du:

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

För UserIdentityanvänder du:

  identityType: 'UserIdentity'

ScheduleBase-objekt

Ange egenskapen scheduleType för att ange typ av objekt.

För Cronanvänder du:

  scheduleType: 'Cron'
  expression: 'string'

Använd för återkommande:

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

JobOutput-objekt

Ange egenskapen jobOutputType för att ange typ av objekt.

För CustomModelanvänder du:

  jobOutputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

För MLFlowModelanvänder du:

  jobOutputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

För MLTableanvänder du:

  jobOutputType: 'MLTable'
  mode: 'string'
  uri: 'string'

För TritonModelanvänder du:

  jobOutputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

För UriFileanvänder du:

  jobOutputType: 'UriFile'
  mode: 'string'
  uri: 'string'

För UriFolderanvänder du:

  jobOutputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

AutoMLVertical-objekt

Ange egenskapen taskType för att ange typ av objekt.

För Klassificeringanvänder du:

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

För Prognostiseringanvänder du:

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

För ImageClassificationanvänder du:

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

För ImageClassificationMultilabelanvänder du:

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

För ImageInstanceSegmentationanvänder du:

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

För ImageObjectDetectionanvänder du:

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

För Regressionanvänder du:

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

För TextClassificationanvänder du:

  taskType: 'TextClassification'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'

För TextClassificationMultilabelanvänder du:

  taskType: 'TextClassificationMultilabel'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

För TextNERanvänder du:

  taskType: 'TextNER'
  dataSettings: {
    targetColumnName: 'string'
    testData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      testDataSize: int
    }
    trainingData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
    }
    validationData: {
      data: {
        description: 'string'
        jobInputType: 'string'
        mode: 'string'
        uri: 'string'
      }
      validationDataSize: int
    }
  }
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }

NCrossValidations-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode: 'Auto'

För anpassadanvänder du:

  mode: 'Custom'
  value: int

ForecastHorizon-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode: 'Auto'

För anpassadanvänder du:

  mode: 'Custom'
  value: int

Säsongsvariationer

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode: 'Auto'

För anpassadanvänder du:

  mode: 'Custom'
  value: int

TargetLags-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode: 'Auto'

För anpassadanvänder du:

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode: 'Auto'

För anpassadanvänder du:

  mode: 'Custom'
  value: int

EarlyTerminationPolicy-objekt

Ange egenskapen policyType för att ange typ av objekt.

För Banditanvänder du:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

För MedianStoppinganvänder du:

  policyType: 'MedianStopping'

För TruncationSelectionanvänder du:

  policyType: 'TruncationSelection'
  truncationPercentage: int

DistributionKonfigurationsobjekt

Ange egenskapen distributionType för att ange typ av objekt.

För Mpianvänder du:

  distributionType: 'Mpi'
  processCountPerInstance: int

För PyTorchanvänder du:

  distributionType: 'PyTorch'
  processCountPerInstance: int

För TensorFlowanvänder du:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput-objekt

Ange egenskapen jobInputType för att ange typ av objekt.

För CustomModelanvänder du:

  jobInputType: 'CustomModel'
  mode: 'string'
  uri: 'string'

För Literalanvänder du:

  jobInputType: 'Literal'
  value: 'string'

För MLFlowModelanvänder du:

  jobInputType: 'MLFlowModel'
  mode: 'string'
  uri: 'string'

För MLTableanvänder du:

  jobInputType: 'MLTable'
  mode: 'string'
  uri: 'string'

För TritonModelanvänder du:

  jobInputType: 'TritonModel'
  mode: 'string'
  uri: 'string'

För UriFileanvänder du:

  jobInputType: 'UriFile'
  mode: 'string'
  uri: 'string'

För UriFolderanvänder du:

  jobInputType: 'UriFolder'
  mode: 'string'
  uri: 'string'

SamplingAlgorithm-objekt

Ange egenskapen samplingAlgorithmType för att ange typ av objekt.

För Bayesianskaanvänder du:

  samplingAlgorithmType: 'Bayesian'

För Gridanvänder du:

  samplingAlgorithmType: 'Grid'

För Randomanvänder du:

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

Egenskapsvärden

arbetsytor/jobb

Namn Beskrivning Värde
Namn Resursnamnet

Se hur du anger namn och typer för underordnade resurser i Bicep.
sträng (krävs)
förälder I Bicep kan du ange den överordnade resursen för en underordnad resurs. Du behöver bara lägga till den här egenskapen när den underordnade resursen deklareras utanför den överordnade resursen.

Mer information finns i Underordnad resurs utanför den överordnade resursen.
Symboliskt namn för resurs av typen: arbetsytor
Egenskaper [Krävs] Ytterligare attribut för entiteten. JobBaseDetails (krävs)

JobBaseDetails

Namn Beskrivning Värde
computeId ARM-resurs-ID för beräkningsresursen. sträng
beskrivning Texten för tillgångsbeskrivningen. sträng
displayName Visningsnamn för jobbet. sträng
experimentName Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard". sträng
identitet Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null.
Standardvärdet är AmlToken om null.
IdentityConfiguration
isArchived Arkiveras tillgången? Bool
Egenskaper Ordlistan för tillgångsegenskap. ResourceBaseProperties
schema Schemalägg definitionen av jobbet.
Om inget schema anges körs jobbet en gång och omedelbart efter sändningen.
ScheduleBase
tjänster Lista över JobEndpoints.
För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
JobBaseServices
Taggar Taggordlista. Taggar kan läggas till, tas bort och uppdateras. objekt
jobType Ange objekttyp AutoML-
kommando
Pipeline
Svep (krävs)

IdentityConfiguration

Namn Beskrivning Värde
identityType Ange objekttyp AMLToken
Hanterad
UserIdentity (krävs)

AmlToken

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "AMLToken" (krävs)

Hanterad identitet

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "Hanterad" (krävs)
clientId Anger en användartilldelad identitet efter klient-ID. Ange inte det här fältet för systemtilldelade. sträng

Begränsningar:
Min längd = 36
Maximal längd = 36
Mönster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Anger en användartilldelad identitet efter objekt-ID. Ange inte det här fältet för systemtilldelade. sträng

Begränsningar:
Min längd = 36
Maximal längd = 36
Mönster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Anger en användartilldelad identitet efter ARM-resurs-ID. Ange inte det här fältet för systemtilldelade. sträng

UserIdentity

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "UserIdentity" (krävs)

ResourceBaseProperties

Namn Beskrivning Värde
{anpassad egenskap} sträng

ScheduleBase

Namn Beskrivning Värde
endTime Anger sluttid för schemat i ISO 8601-format.
Om det inte finns körs schemat på obestämd tid
sträng
scheduleStatus Anger schemats status "Inaktiverad"
"Aktiverad"
startTime Anger starttid för schemat i ISO 8601-format. sträng
timeZone Anger tidszon där schemat körs.
Tidszon bör följa Windows tidszonsformat.
sträng
scheduleType Ange objekttyp Cron
återkommande (krävs)

CronSchedule

Namn Beskrivning Värde
scheduleType [Krävs] Anger schematypen "Cron" (krävs)
uttryck [Krävs] Anger cron-uttryck för schema.
Uttrycket bör följa formatet NCronTab.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

RecurrenceSchedule

Namn Beskrivning Värde
scheduleType [Krävs] Anger schematypen "Upprepning" (krävs)
frekvens [Krävs] Anger med vilken frekvens schemat ska utlösas "Dag"
"Timme"
"Minut"
"Månad"
"Vecka" (krävs)
intervall [Krävs] Anger schemaintervall tillsammans med frekvens int (krävs)
mönster Anger mönster för upprepningsschema RecurrencePattern

RecurrencePattern

Namn Beskrivning Värde
Timmar [Krävs] Lista över timmar för mönster för upprepningsschema int[] (krävs)
protokoll [Krävs] Lista över minuter för mönster för upprepningsschema int[] (krävs)
Vardagar Lista över vardagar för mönster för upprepningsschema Strängmatris som innehåller något av:
"Fredag"
"Måndag"
"Lördag"
"Söndag"
"Torsdag"
"Tisdag"
"Onsdag"

JobBaseServices

Namn Beskrivning Värde
{anpassad egenskap} JobService

JobService

Namn Beskrivning Värde
Slutpunkt Url för slutpunkt. sträng
jobServiceType Slutpunktstyp. sträng
hamn Port för slutpunkt. Int
Egenskaper Ytterligare egenskaper som ska anges på slutpunkten. JobServiceProperties

JobServiceEgenskaper

Namn Beskrivning Värde
{anpassad egenskap} sträng

AutoMLJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "AutoML" (krävs)
environmentId ARM-resurs-ID för miljöspecifikationen för jobbet.
Det här är ett valfritt värde för att ange, om det inte anges, att AutoML standardinställningen är produktionsversion av autoML-kurerad miljö när jobbet körs.
sträng
environmentVariables Miljövariabler som ingår i jobbet. AutoMLJobEnvironmentVariables
Utgångar Mappning av utdatabindningar som används i jobbet. AutoMLJobOutputs
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration
taskDetails [Krävs] Detta representerar scenario som kan vara en av tabeller/NLP/image AutoMLVertical (krävs)

AutoMLJobEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

AutoMLJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

JobOutput

Namn Beskrivning Värde
beskrivning Beskrivning av utdata. sträng
jobOutputType Ange objekttyp CustomModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (krävs)

CustomModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "CustomModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

MLFlowModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "MLFlowModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

MLTableJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "MLTable" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

TritonModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "TritonModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

UriFileJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "UriFile" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

UriFolderJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "UriFolder" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

ResourceConfiguration

Namn Beskrivning Värde
instanceCount Valfritt antal instanser eller noder som används av beräkningsmålet. Int
instanceType Valfri typ av virtuell dator som stöds av beräkningsmålet. sträng
Egenskaper Ytterligare egenskapsväska. ResourceConfigurationProperties

ResourceConfigurationProperties

Namn Beskrivning Värde
{anpassad egenskap} För Bicep kan du använda funktionen any().

AutoMLVertical

Namn Beskrivning Värde
logVerbosity Logga verbositet för jobbet. "Kritisk"
"Felsöka"
"Fel"
"Info"
"NotSet"
"Varning"
taskType Ange objekttyp Klassificering
Prognostisering
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regression
TextKlassificering
TextClassificationMultilabel
TextNER (krävs)

Klassificering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Klassificering" (krävs)
allowedModels Tillåtna modeller för klassificeringsaktivitet. Strängmatris som innehåller något av:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Blockerade modeller för klassificeringsaktivitet. Strängmatris som innehåller något av:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för aktiviteten. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

TableVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Indata för valideringsdata. TableVerticalValidationDataSettings
weightColumnName Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. sträng

TestDataSettings

Namn Beskrivning Värde
data Testa data MLTable. MLTableJobInput
testDataSize Den del av testdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

MLTableJobInput

Namn Beskrivning Värde
beskrivning Beskrivning av indata. sträng
jobInputType [Krävs] Anger typen av jobb. "CustomModel"
"Literal"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

TrainingDataSettings

Namn Beskrivning Värde
data [Krävs] Träningsdata MLTable. MLTableJobInput (krävs)

TableVerticalValidationDataSettings

Namn Beskrivning Värde
cvSplitColumnNames Kolumner som ska användas för CVSplit-data. string[]
data Valideringsdata MLTable. MLTableJobInput
nCrossValidations Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen
när valideringsdatauppsättningen inte har angetts.
NCrossValidations
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

NCrossValidations

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoNCrossValidations

Namn Beskrivning Värde
läge [Krävs] Läge för att fastställa N-Korsvalidering. "Auto" (krävs)

CustomNCrossValidations

Namn Beskrivning Värde
läge [Krävs] Läge för att fastställa N-Korsvalidering. "Anpassad" (krävs)
värde [Krävs] Värde för N-Korsvalidering. int (krävs)

TableVerticalFeaturizationSettings

Namn Beskrivning Värde
blockedTransformers Dessa transformatorer får inte användas vid funktionalisering. string[]
columnNameAndTypes Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Datamängdsspråk, användbart för textdata. sträng
dropColumns Kolumner som ska tas bort från data under funktionalisering. string[]
enableDnnFeaturization Avgör om du vill använda Dnn-baserade funktionaliserare för datafunktionalisering. Bool
läge Funktionaliseringsläge – Användaren kan behålla standardläget "Auto" och AutoML tar hand om nödvändig omvandling av data i funktionaliseringsfasen.
Om "Av" har valts görs ingen funktionalisering.
Om "Anpassad" har valts kan användaren ange ytterligare indata för att anpassa hur funktionalisering görs.
"Auto"
"Anpassad"
"Av"
transformerParams Användaren kan ange ytterligare transformatorer som ska användas tillsammans med de kolumner som den skulle tillämpas på och parametrar för transformeringskonstruktorn. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Namn Beskrivning Värde
{anpassad egenskap} sträng

TableVerticalFeaturizationSettingsTransformerParams

Namn Beskrivning Värde
{anpassad egenskap} ColumnTransformer[]

ColumnTransformer

Namn Beskrivning Värde
Fält Fält som transformerarlogik ska tillämpas på. string[]
Parametrar Olika egenskaper som ska skickas till transformatorn.
Indata som förväntas är en ordlista med nyckel/värde-par i JSON-format.
För Bicep kan du använda funktionen any().

TableVerticalLimitSettings

Namn Beskrivning Värde
enableEarlyTermination Aktivera tidig avslutning, avgör om AutoMLJob avslutas tidigt om det inte finns någon poängförbättring under de senaste 20 iterationerna. Bool
exitScore Slutpoäng för AutoML-jobbet. Int
maxConcurrentTrials Maximalt antal samtidiga iterationer. Int
maxCoresPerTrial Maximalt antal kärnor per iteration. Int
maxTrials Antal iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng
trialTimeout Timeout för iteration. sträng

TrainingSettings

Namn Beskrivning Värde
enableDnnTraining Aktivera rekommendation för DNN-modeller. Bool
enableModelExplainability Flagga för att aktivera förklaring på bästa modell. Bool
enableOnnxCompatibleModels Flagga för att aktivera onnx-kompatibla modeller. Bool
enableStackEnsemble Aktivera stackensemblekörning. Bool
enableVoteEnsemble Aktivera röstningsensemblekörning. Bool
ensembleModelDownloadTimeout Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från de tidigare underordnade körningarna ned.
Konfigurera den här parametern med ett högre värde än 300 sekunder om det behövs mer tid.
sträng
stackEnsembleSettings Inställningar för stackensembler för stackensemblekörning. StackEnsembleSettings

StackEnsembleSettings

Namn Beskrivning Värde
stackMetaLearnerKWargs Valfria parametrar som ska skickas till metainlärarens initierare. För Bicep kan du använda funktionen any().
stackMetaLearnerTrainPercentage Anger den andel av träningsuppsättningen (när du väljer tränings- och valideringstyp för träning) som ska reserveras för träning av metaläraren. Standardvärdet är 0,2. Int
stackMetaLearnerType Metainläraren är en modell som tränas på utdata från de enskilda heterogena modellerna. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"Linjärregression"
"LogisticRegression"
"LogisticRegressionCV"
"Ingen"

Prognostisering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Prognostisering" (krävs)
allowedModels Tillåtna modeller för prognostiseringsaktivitet. Strängmatris som innehåller något av:
"Arimax"
"AutoArima"
"Genomsnitt"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profet"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Blockerade modeller för prognostiseringsaktivitet. Strängmatris som innehåller något av:
"Arimax"
"AutoArima"
"Genomsnitt"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profet"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
forecastingSettings Prognostisera aktivitetsspecifika indata. ForecastingSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för prognostiseringsaktivitet. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

PrognostiseringInställningar

Namn Beskrivning Värde
countryOrRegionForHolidays Land eller region för helgdagar för prognostiseringsuppgifter.
Dessa bör vara ISO 3166 tvåbokstavs lands-/regionkoder, till exempel "US" eller "GB".
sträng
cvStepSize Antal perioder mellan ursprungstiden för en CV-vikning och nästa vik. För
om CVStepSize = 3 för dagliga data, kommer ursprungstiden för varje vik att vara
med tre dagars mellanrum.
Int
featureLags Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null. "Auto"
"Ingen"
forecastHorizon Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter. ForecastHorizon
frekvens Vid prognostisering representerar den här parametern den period med vilken prognosen önskas, till exempel dagligen, varje vecka, varje år osv. Prognosfrekvensen är datamängdsfrekvens som standard. sträng
Säsongsvariationer Ange säsongsvariationer för tidsserier som en heltalsmultipel för seriefrekvensen.
Om säsongsvariationen är inställd på "auto" kommer den att härledas.
Säsongsvariationer
shortSeriesHandlingConfig Parametern som definierar hur AutoML ska hantera korta tidsserier. "Auto"
"Släpp"
"Ingen"
"Pad"
targetAggregateFunction Den funktion som ska användas för att aggregera målkolumnen för tidsserier så att den överensstämmer med en angiven användarfrekvens.
Om TargetAggregateFunction har angetts, t.ex. inte "None", men freq-parametern inte har angetts, utlöses felet. Möjliga målsammansättningsfunktioner är: "sum", "max", "min" och "mean".
"Max"
"Medelvärde"
"Min"
"Ingen"
"Summa"
targetLags Antalet tidigare perioder som ska fördröjas från målkolumnen. TargetLags
targetRollingWindowSize Antalet tidigare perioder som används för att skapa ett rullande fönstergenomsnitt för målkolumnen. TargetRollingWindowSize
timeColumnName Namnet på tidskolumnen. Den här parametern krävs vid prognostisering för att ange kolumnen datetime i indata som används för att skapa tidsserierna och härleda dess frekvens. sträng
timeSeriesIdColumnNames Namnen på kolumner som används för att gruppera en tidsserie. Den kan användas för att skapa flera serier.
Om kornigheten inte har definierats antas datauppsättningen vara en tidsserie. Den här parametern används med prognostisering av aktivitetstyp.
string[]
useStl Konfigurera STL-nedbrytning av målkolumnen för tidsserier. "Ingen"
"Säsong"
"SeasonTrend"

ForecastHorizon

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoForecastHorizon

Namn Beskrivning Värde
läge [Krävs] Ange markeringsläge för prognoshorisontvärde. "Auto" (krävs)

CustomForecastHorizon

Namn Beskrivning Värde
läge [Krävs] Ange markeringsläge för prognoshorisontvärde. "Anpassad" (krävs)
värde [Krävs] Prognoshorisontvärde. int (krävs)

Säsongsvariationer

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoSeasonality

Namn Beskrivning Värde
läge [Krävs] Säsongsläge. "Auto" (krävs)

CustomSeasonality

Namn Beskrivning Värde
läge [Krävs] Säsongsläge. "Anpassad" (krävs)
värde [Krävs] Säsongsvärde. int (krävs)

TargetLags

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoTargetLags

Namn Beskrivning Värde
läge [Krävs] Ange målfördröjningsläge – Automatiskt/anpassat "Auto" (krävs)

CustomTargetLags

Namn Beskrivning Värde
läge [Krävs] Ange målfördröjningsläge – Automatiskt/anpassat "Anpassad" (krävs)
värden [Krävs] Ange målfördröjningsvärden. int[] (krävs)

TargetRollingWindowSize

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoTargetRollingWindowSize

Namn Beskrivning Värde
läge [Krävs] TargetRollingWindowSiz identifieringsläge. "Auto" (krävs)

CustomTargetRollingWindowSize

Namn Beskrivning Värde
läge [Krävs] TargetRollingWindowSiz identifieringsläge. "Anpassad" (krävs)
värde [Krävs] TargetRollingWindowSize-värde. int (krävs)

ImageClassification

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageClassification" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsClassification
primaryMetric Primärt mått för att optimera för den här uppgiften. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsClassification[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Inställningar för valideringsdatauppsättningen. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Namn Beskrivning Värde
data Valideringsdata MLTable. MLTableJobInput
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

ImageLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga AutoML-iterationer. Int
maxTrials Maximalt antal AutoML-iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng

ImageModelSettingsClassification

Namn Beskrivning Värde
advancedSettings Inställningar för avancerade scenarier. sträng
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". Bool
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
checkpointDatasetId FileDataset-ID för förtränad kontrollpunkter för inkrementell träning.
Se till att passera CheckpointFilename tillsammans med CheckpointDatasetId.
sträng
checkpointFilename Förtränat kontrollpunktsfilnamn i FileDataset för inkrementell träning.
Se till att skicka CheckpointDatasetId tillsammans med CheckpointFilename.
sträng
checkpointFrequency Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. Int
checkpointRunId ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning. sträng
distribuerad Om du vill använda distribuerad träning. Bool
earlyStopping Aktivera tidig stopplogik under träning. Bool
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
Int
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
Int
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. Bool
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. Int
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
Int
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
Int
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. Int
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". "Ingen"
"Steg"
"WarmupCosine"
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. Int
nesterov Aktivera nesterov när optimeraren är "sgd". Bool
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. Int
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. Int
Optimizer Typ av optimerare. "Adam"
"Adamw"
"Ingen"
"Sgd"
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. Int
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
Int
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. Int
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. Int
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. Int
trainingCropSize Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal. Int
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. Int
validationCropSize Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal. Int
validationResizeSize Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal. Int
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. Int
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. Int
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. Int
weightedLoss Viktad förlust. De godkända värdena är 0 för ingen viktad förlust.
1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
Int

ImageModelDistributionSettingsClassification

Namn Beskrivning Värde
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". sträng
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
distribuerad Om distributionsträning ska användas. sträng
earlyStopping Aktivera tidig stopplogik under träning. sträng
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
sträng
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
sträng
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. sträng
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. sträng
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
sträng
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
sträng
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. sträng
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". sträng
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. sträng
nesterov Aktivera nesterov när optimeraren är "sgd". sträng
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. sträng
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. sträng
Optimizer Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw". sträng
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. sträng
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
sträng
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. sträng
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. sträng
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. sträng
trainingCropSize Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal. sträng
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. sträng
validationCropSize Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal. sträng
validationResizeSize Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal. sträng
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. sträng
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. sträng
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. sträng
weightedLoss Viktad förlust. De godkända värdena är 0 för ingen viktad förlust.
1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
sträng

ImageSweepSettings

Namn Beskrivning Värde
earlyTermination Typ av princip för tidig uppsägning. EarlyTerminationPolicy
Gränser [Krävs] Begränsa inställningarna för modellsanering och hyperparameters svepning. ImageSweepLimitSettings (krävs)
samplingAlgorithm [Krävs] Typ av algoritmer för hyperparametersampling. "Bayesian"
Rutnät
"Random" (krävs)

EarlyTerminationPolicy

Namn Beskrivning Värde
delayEvaluation Antal intervall som den första utvärderingen ska fördröjas med. Int
evaluationInterval Intervall (antal körningar) mellan principutvärderingar. Int
policyType Ange objekttyp Bandit
MedianStopping
TruncationSelection (krävs)

BanditPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "Bandit" (krävs)
slackAmount Absolut avstånd som tillåts från den bästa körningen. Int
slackFactor Förhållandet mellan det tillåtna avståndet från den bäst presterande körningen. Int

MedianStoppingPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "MedianStopping" (krävs)

TruncationSelectionPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "TruncationSelection" (krävs)
truncationPercentage Procentandelen körningar som ska avbrytas vid varje utvärderingsintervall. Int

ImageSweepLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga iterationer för det underliggande svepjobbet. Int
maxTrials Maximalt antal iterationer för det underliggande svepjobbet. Int

ImageClassificationMultilabel

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageClassificationMultilabel" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsClassification
primaryMetric Primärt mått för att optimera för den här uppgiften. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsClassification[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageInstanceSegmentation

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageInstanceSegmentation" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsObjectDetection
primaryMetric Primärt mått för att optimera för den här uppgiften. "MeanAveragePrecision"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageModelSettingsObjectDetection

Namn Beskrivning Värde
advancedSettings Inställningar för avancerade scenarier. sträng
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". Bool
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
boxDetectionsPerImage Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
boxScoreThreshold Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än
BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
Int
checkpointDatasetId FileDataset-ID för förtränad kontrollpunkter för inkrementell träning.
Se till att passera CheckpointFilename tillsammans med CheckpointDatasetId.
sträng
checkpointFilename Förtränat kontrollpunktsfilnamn i FileDataset för inkrementell träning.
Se till att skicka CheckpointDatasetId tillsammans med CheckpointFilename.
sträng
checkpointFrequency Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. Int
checkpointRunId ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning. sträng
distribuerad Om du vill använda distribuerad träning. Bool
earlyStopping Aktivera tidig stopplogik under träning. Bool
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
Int
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
Int
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. Bool
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. Int
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
Int
imageSize Bildstorlek för träning och validering. Måste vara ett positivt heltal.
Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
Int
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
Int
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. Int
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". "Ingen"
"Steg"
"WarmupCosine"
maxSize Maximal storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
minSize Minsta storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
modelSize Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge".
Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
"ExtraLarge"
"Stor"
"Medel"
"Ingen"
"Liten"
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. Int
multiSkala Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%.
Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
Bool
nesterov Aktivera nesterov när optimeraren är "sgd". Bool
nmsIouThreshold IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara en flottör i intervallet [0, 1]. Int
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. Int
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. Int
Optimizer Typ av optimerare. "Adam"
"Adamw"
"Ingen"
"Sgd"
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. Int
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
Int
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. Int
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. Int
tileGridSize Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara
Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tileOverlapRatio Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
tilePredictionsNmsThreshold Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder.
Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1].
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. Int
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. Int
validationIouThreshold Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1]. Int
validationMetricType Beräkningsmetod för mått som ska användas för valideringsmått. "Coco"
"CocoVoc"
"Ingen"
"Voc"
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. Int
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. Int
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Namn Beskrivning Värde
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". sträng
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
boxDetectionsPerImage Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
boxScoreThreshold Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än
BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
sträng
distribuerad Om distributionsträning ska användas. sträng
earlyStopping Aktivera tidig stopplogik under träning. sträng
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
sträng
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
sträng
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. sträng
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. sträng
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
sträng
imageSize Bildstorlek för träning och validering. Måste vara ett positivt heltal.
Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
sträng
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. sträng
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". sträng
maxSize Maximal storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
minSize Minsta storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
modelSize Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge".
Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. sträng
multiSkala Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%.
Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
nesterov Aktivera nesterov när optimeraren är "sgd". sträng
nmsIouThreshold IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara flytande i intervallet [0, 1]. sträng
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. sträng
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. sträng
Optimizer Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw". sträng
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. sträng
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
sträng
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. sträng
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. sträng
tileGridSize Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara
Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tileOverlapRatio Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tilePredictionsNmsThreshold Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder.
Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1].
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
NMS: Icke-maximal undertryckning
sträng
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. sträng
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. sträng
validationIouThreshold Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1]. sträng
validationMetricType Beräkningsmetod för mått som ska användas för valideringsmått. Måste vara "none", "coco", "voc" eller "coco_voc". sträng
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. sträng
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. sträng
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. sträng

ImageObjectDetection

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageObjectDetection" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsObjectDetection
primaryMetric Primärt mått för att optimera för den här uppgiften. "MeanAveragePrecision"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

Regression

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Regression" (krävs)
allowedModels Tillåtna modeller för regressionsaktivitet. Strängmatris som innehåller något av:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Blockerade modeller för regressionsuppgift. Strängmatris som innehåller något av:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för regressionsaktivitet. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

Textklassificering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextKlassificering" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings
primaryMetric Primärt mått för Text-Classification uppgift. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Indata för valideringsdata. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Namn Beskrivning Värde
data Valideringsdata MLTable. MLTableJobInput
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

NlpVerticalFeaturizationSettings

Namn Beskrivning Värde
datasetLanguage Datamängdsspråk, användbart för textdata. sträng

NlpVerticalLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga AutoML-iterationer. Int
maxTrials Antal AutoML-iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng

TextClassificationMultilabel

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextClassificationMultilabel" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings

Textner

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextNER" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings

Kommandojobb

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Kommando" (krävs)
codeId ARM-resurs-ID för kodtillgången. sträng
befallning [Krävs] Kommandot som ska köras vid start av jobbet. T.ex. "python train.py" sträng (krävs)

Begränsningar:
Min längd = 1
Mönster = [a-zA-Z0-9_]
fördelning Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. DistributionKonfiguration
environmentId [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
environmentVariables Miljövariabler som ingår i jobbet. CommandJobEnvironmentVariables
Ingångar Mappning av indatabindningar som används i jobbet. CommandJobInputs
Gränser Gräns för kommandojobb. CommandJobLimits
Utgångar Mappning av utdatabindningar som används i jobbet. CommandJobOutputs
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration

DistributionKonfiguration

Namn Beskrivning Värde
distributionType Ange objekttyp Mpi
PyTorch
TensorFlow (krävs)

Mpi

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "Mpi" (krävs)
processCountPerInstance Antal processer per MPI-nod. Int

PyTorch

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "PyTorch" (krävs)
processCountPerInstance Antal processer per nod. Int

TensorFlow

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "TensorFlow" (krävs)
parameterServerCount Antal parameterserveruppgifter. Int
workerCount Antal arbetare. Om det inte anges kommer instansantalet att vara standard. Int

CommandJobEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

CommandJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

JobInput

Namn Beskrivning Värde
beskrivning Beskrivning av indata. sträng
jobInputType Ange objekttyp CustomModel
Literal
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (krävs)

CustomModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "CustomModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

LiteralJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "Literal" (krävs)
värde [Krävs] Literalvärde för indata. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

MLFlowModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "MLFlowModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

TritonModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "TritonModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

UriFileJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "UriFile" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

UriFolderJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "UriFolder" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

CommandJobLimits

Namn Beskrivning Värde
jobLimitsType [Krävs] JobLimit-typ. "Kommando"
"Svep" (krävs)
Timeout Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder. sträng

CommandJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

PipelineJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Pipeline" (krävs)
Ingångar Indata för pipelinejobbet. PipelineJobInputs
Jobb Jobb konstruerar pipelinejobbet. PipelineJobJobs
Utgångar Utdata för pipelinejobbet PipelineJobOutputs
Inställningar Pipelineinställningar, till exempel ContinueRunOnStepFailure osv. För Bicep kan du använda funktionen any().

PipelineJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

PipelineJobJobs

Namn Beskrivning Värde
{anpassad egenskap} För Bicep kan du använda funktionen any().

PipelineJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

SweepJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Svep" (krävs)
earlyTermination Principer för tidig uppsägning gör det möjligt att avbryta dåliga körningar innan de slutförs EarlyTerminationPolicy
Ingångar Mappning av indatabindningar som används i jobbet. SweepJobInputs
Gränser Rensa jobbgräns. SweepJobLimits
objektiv [Krävs] Optimeringsmål. Mål (krävs)
Utgångar Mappning av utdatabindningar som används i jobbet. SweepJobOutputs
samplingAlgorithm [Krävs] Algoritmen för hyperparametersampling SamplingAlgorithm (krävs)
searchSpace [Krävs] En ordlista som innehåller varje parameter och dess distribution. Ordlistenyckeln är namnet på parametern För Bicep kan du använda funktionen any(). (krävs)
rättegång [Krävs] Utvärderingskomponentdefinition. TrialComponent (krävs)

SweepJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

SweepJobLimits

Namn Beskrivning Värde
jobLimitsType [Krävs] JobLimit-typ. "Kommando"
"Svep" (krävs)
maxConcurrentTrials Sopa jobb max samtidiga utvärderingsversioner. Int
maxTotalTrials Sopa jobb max totalt antal utvärderingsversioner. Int
Timeout Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder. sträng
trialTimeout Rensa timeout-värdet för utvärderingsversionen av jobbet. sträng

Objektiv

Namn Beskrivning Värde
mål [Krävs] Definierar måttmål som stöds för justering av hyperparametrar "Maximera"
"Minimera" (krävs)
primaryMetric [Krävs] Namnet på måttet som ska optimeras. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

SweepJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

SamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType Ange objekttyp Bayesianska
Grid
Slumpmässig (krävs)

BayesianSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Bayesian" (krävs)

GridSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Rutnät" (krävs)

RandomSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Random" (krävs)
regel Den specifika typen av slumpmässig algoritm "Slumpmässigt"
"Sobol"
frö Ett valfritt heltal som ska användas som frö för slumptalsgenerering Int

TrialComponent

Namn Beskrivning Värde
codeId ARM-resurs-ID för kodtillgången. sträng
befallning [Krävs] Kommandot som ska köras vid start av jobbet. T.ex. "python train.py" sträng (krävs)

Begränsningar:
Min längd = 1
Mönster = [a-zA-Z0-9_]
fördelning Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. DistributionKonfiguration
environmentId [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
environmentVariables Miljövariabler som ingår i jobbet. TrialComponentEnvironmentVariables
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration

TrialComponentEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

Snabbstartsmallar

Följande snabbstartsmallar distribuerar den här resurstypen.

Mall Beskrivning
Skapa ett Azure Machine Learning AutoML-klassificeringsjobb

Distribuera till Azure
Den här mallen skapar ett Azure Machine Learning AutoML-klassificeringsjobb för att ta reda på den bästa modellen för att förutsäga om en klient prenumererar på en fast deposition med ett finansinstitut.
Skapa ett Azure Machine Learning-kommandojobb

Distribuera till Azure
Den här mallen skapar ett Azure Machine Learning-kommandojobb med ett grundläggande hello_world skript
Skapa ett Azure Machine Learning-svepjobb

Distribuera till Azure
Den här mallen skapar ett Azure Machine Learning Sweep-jobb för justering av hyperparametrar.

Resursdefinition för ARM-mall

Resurstypen arbetsytor/jobb kan distribueras med åtgärder som mål:

En lista över ändrade egenskaper i varje API-version finns i ändringsloggen.

Resursformat

Om du vill skapa en Microsoft.MachineLearningServices/arbetsytor/jobbresurs lägger du till följande JSON i mallen.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-02-01-preview",
  "name": "string",
  "properties": {
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "schedule": {
      "endTime": "string",
      "scheduleStatus": "string",
      "startTime": "string",
      "timeZone": "string",
      "scheduleType": "string"
      // For remaining properties, see ScheduleBase objects
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseDetails objects
  }
}

JobBaseDetails-objekt

Ange egenskapen jobType för att ange typ av objekt.

För AutoML-använder du:

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

För Kommandoanvänder du:

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

För Pipelineanvänder du:

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

För Svepanvänder du:

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

IdentityConfiguration-objekt

Ange egenskapen identityType för att ange typ av objekt.

För AMLTokenanvänder du:

  "identityType": "AMLToken"

För Managedanvänder du:

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

För UserIdentityanvänder du:

  "identityType": "UserIdentity"

ScheduleBase-objekt

Ange egenskapen scheduleType för att ange typ av objekt.

För Cronanvänder du:

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

Använd för återkommande:

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

JobOutput-objekt

Ange egenskapen jobOutputType för att ange typ av objekt.

För CustomModelanvänder du:

  "jobOutputType": "CustomModel",
  "mode": "string",
  "uri": "string"

För MLFlowModelanvänder du:

  "jobOutputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

För MLTableanvänder du:

  "jobOutputType": "MLTable",
  "mode": "string",
  "uri": "string"

För TritonModelanvänder du:

  "jobOutputType": "TritonModel",
  "mode": "string",
  "uri": "string"

För UriFileanvänder du:

  "jobOutputType": "UriFile",
  "mode": "string",
  "uri": "string"

För UriFolderanvänder du:

  "jobOutputType": "UriFolder",
  "mode": "string",
  "uri": "string"

AutoMLVertical-objekt

Ange egenskapen taskType för att ange typ av objekt.

För Klassificeringanvänder du:

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

För Prognostiseringanvänder du:

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

För ImageClassificationanvänder du:

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

För ImageClassificationMultilabelanvänder du:

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

För ImageInstanceSegmentationanvänder du:

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

För ImageObjectDetectionanvänder du:

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

För Regressionanvänder du:

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

För TextClassificationanvänder du:

  "taskType": "TextClassification",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string"

För TextClassificationMultilabelanvänder du:

  "taskType": "TextClassificationMultilabel",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

För TextNERanvänder du:

  "taskType": "TextNER",
  "dataSettings": {
    "targetColumnName": "string",
    "testData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "testDataSize": "int"
    },
    "trainingData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      }
    },
    "validationData": {
      "data": {
        "description": "string",
        "jobInputType": "string",
        "mode": "string",
        "uri": "string"
      },
      "validationDataSize": "int"
    }
  },
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  }

NCrossValidations-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  "mode": "Auto"

För anpassadanvänder du:

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

ForecastHorizon-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  "mode": "Auto"

För anpassadanvänder du:

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

Säsongsvariationer

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  "mode": "Auto"

För anpassadanvänder du:

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

TargetLags-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  "mode": "Auto"

För anpassadanvänder du:

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

TargetRollingWindowSize-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  "mode": "Auto"

För anpassadanvänder du:

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

EarlyTerminationPolicy-objekt

Ange egenskapen policyType för att ange typ av objekt.

För Banditanvänder du:

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

För MedianStoppinganvänder du:

  "policyType": "MedianStopping"

För TruncationSelectionanvänder du:

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

DistributionKonfigurationsobjekt

Ange egenskapen distributionType för att ange typ av objekt.

För Mpianvänder du:

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

För PyTorchanvänder du:

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

För TensorFlowanvänder du:

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

JobInput-objekt

Ange egenskapen jobInputType för att ange typ av objekt.

För CustomModelanvänder du:

  "jobInputType": "CustomModel",
  "mode": "string",
  "uri": "string"

För Literalanvänder du:

  "jobInputType": "Literal",
  "value": "string"

För MLFlowModelanvänder du:

  "jobInputType": "MLFlowModel",
  "mode": "string",
  "uri": "string"

För MLTableanvänder du:

  "jobInputType": "MLTable",
  "mode": "string",
  "uri": "string"

För TritonModelanvänder du:

  "jobInputType": "TritonModel",
  "mode": "string",
  "uri": "string"

För UriFileanvänder du:

  "jobInputType": "UriFile",
  "mode": "string",
  "uri": "string"

För UriFolderanvänder du:

  "jobInputType": "UriFolder",
  "mode": "string",
  "uri": "string"

SamplingAlgorithm-objekt

Ange egenskapen samplingAlgorithmType för att ange typ av objekt.

För Bayesianskaanvänder du:

  "samplingAlgorithmType": "Bayesian"

För Gridanvänder du:

  "samplingAlgorithmType": "Grid"

För Randomanvänder du:

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

Egenskapsvärden

arbetsytor/jobb

Namn Beskrivning Värde
typ Resurstypen "Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion Resurs-API-versionen "2022-02-01-preview"
Namn Resursnamnet

Se hur du anger namn och typer för underordnade resurser i JSON ARM-mallar.
sträng (krävs)
Egenskaper [Krävs] Ytterligare attribut för entiteten. JobBaseDetails (krävs)

JobBaseDetails

Namn Beskrivning Värde
computeId ARM-resurs-ID för beräkningsresursen. sträng
beskrivning Texten för tillgångsbeskrivningen. sträng
displayName Visningsnamn för jobbet. sträng
experimentName Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard". sträng
identitet Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null.
Standardvärdet är AmlToken om null.
IdentityConfiguration
isArchived Arkiveras tillgången? Bool
Egenskaper Ordlistan för tillgångsegenskap. ResourceBaseProperties
schema Schemalägg definitionen av jobbet.
Om inget schema anges körs jobbet en gång och omedelbart efter sändningen.
ScheduleBase
tjänster Lista över JobEndpoints.
För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
JobBaseServices
Taggar Taggordlista. Taggar kan läggas till, tas bort och uppdateras. objekt
jobType Ange objekttyp AutoML-
kommando
Pipeline
Svep (krävs)

IdentityConfiguration

Namn Beskrivning Värde
identityType Ange objekttyp AMLToken
Hanterad
UserIdentity (krävs)

AmlToken

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "AMLToken" (krävs)

Hanterad identitet

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "Hanterad" (krävs)
clientId Anger en användartilldelad identitet efter klient-ID. Ange inte det här fältet för systemtilldelade. sträng

Begränsningar:
Min längd = 36
Maximal längd = 36
Mönster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Anger en användartilldelad identitet efter objekt-ID. Ange inte det här fältet för systemtilldelade. sträng

Begränsningar:
Min längd = 36
Maximal längd = 36
Mönster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Anger en användartilldelad identitet efter ARM-resurs-ID. Ange inte det här fältet för systemtilldelade. sträng

UserIdentity

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "UserIdentity" (krävs)

ResourceBaseProperties

Namn Beskrivning Värde
{anpassad egenskap} sträng

ScheduleBase

Namn Beskrivning Värde
endTime Anger sluttid för schemat i ISO 8601-format.
Om det inte finns körs schemat på obestämd tid
sträng
scheduleStatus Anger schemats status "Inaktiverad"
"Aktiverad"
startTime Anger starttid för schemat i ISO 8601-format. sträng
timeZone Anger tidszon där schemat körs.
Tidszon bör följa Windows tidszonsformat.
sträng
scheduleType Ange objekttyp Cron
återkommande (krävs)

CronSchedule

Namn Beskrivning Värde
scheduleType [Krävs] Anger schematypen "Cron" (krävs)
uttryck [Krävs] Anger cron-uttryck för schema.
Uttrycket bör följa formatet NCronTab.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

RecurrenceSchedule

Namn Beskrivning Värde
scheduleType [Krävs] Anger schematypen "Upprepning" (krävs)
frekvens [Krävs] Anger med vilken frekvens schemat ska utlösas "Dag"
"Timme"
"Minut"
"Månad"
"Vecka" (krävs)
intervall [Krävs] Anger schemaintervall tillsammans med frekvens int (krävs)
mönster Anger mönster för upprepningsschema RecurrencePattern

RecurrencePattern

Namn Beskrivning Värde
Timmar [Krävs] Lista över timmar för mönster för upprepningsschema int[] (krävs)
protokoll [Krävs] Lista över minuter för mönster för upprepningsschema int[] (krävs)
Vardagar Lista över vardagar för mönster för upprepningsschema Strängmatris som innehåller något av:
"Fredag"
"Måndag"
"Lördag"
"Söndag"
"Torsdag"
"Tisdag"
"Onsdag"

JobBaseServices

Namn Beskrivning Värde
{anpassad egenskap} JobService

JobService

Namn Beskrivning Värde
Slutpunkt Url för slutpunkt. sträng
jobServiceType Slutpunktstyp. sträng
hamn Port för slutpunkt. Int
Egenskaper Ytterligare egenskaper som ska anges på slutpunkten. JobServiceProperties

JobServiceEgenskaper

Namn Beskrivning Värde
{anpassad egenskap} sträng

AutoMLJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "AutoML" (krävs)
environmentId ARM-resurs-ID för miljöspecifikationen för jobbet.
Det här är ett valfritt värde för att ange, om det inte anges, att AutoML standardinställningen är produktionsversion av autoML-kurerad miljö när jobbet körs.
sträng
environmentVariables Miljövariabler som ingår i jobbet. AutoMLJobEnvironmentVariables
Utgångar Mappning av utdatabindningar som används i jobbet. AutoMLJobOutputs
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration
taskDetails [Krävs] Detta representerar scenario som kan vara en av tabeller/NLP/image AutoMLVertical (krävs)

AutoMLJobEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

AutoMLJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

JobOutput

Namn Beskrivning Värde
beskrivning Beskrivning av utdata. sträng
jobOutputType Ange objekttyp CustomModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (krävs)

CustomModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "CustomModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

MLFlowModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "MLFlowModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

MLTableJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "MLTable" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

TritonModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "TritonModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

UriFileJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "UriFile" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

UriFolderJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "UriFolder" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

ResourceConfiguration

Namn Beskrivning Värde
instanceCount Valfritt antal instanser eller noder som används av beräkningsmålet. Int
instanceType Valfri typ av virtuell dator som stöds av beräkningsmålet. sträng
Egenskaper Ytterligare egenskapsväska. ResourceConfigurationProperties

ResourceConfigurationProperties

Namn Beskrivning Värde
{anpassad egenskap}

AutoMLVertical

Namn Beskrivning Värde
logVerbosity Logga verbositet för jobbet. "Kritisk"
"Felsöka"
"Fel"
"Info"
"NotSet"
"Varning"
taskType Ange objekttyp Klassificering
Prognostisering
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regression
TextKlassificering
TextClassificationMultilabel
TextNER (krävs)

Klassificering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Klassificering" (krävs)
allowedModels Tillåtna modeller för klassificeringsaktivitet. Strängmatris som innehåller något av:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Blockerade modeller för klassificeringsaktivitet. Strängmatris som innehåller något av:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för aktiviteten. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

TableVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Indata för valideringsdata. TableVerticalValidationDataSettings
weightColumnName Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. sträng

TestDataSettings

Namn Beskrivning Värde
data Testa data MLTable. MLTableJobInput
testDataSize Den del av testdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

MLTableJobInput

Namn Beskrivning Värde
beskrivning Beskrivning av indata. sträng
jobInputType [Krävs] Anger typen av jobb. "CustomModel"
"Literal"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

TrainingDataSettings

Namn Beskrivning Värde
data [Krävs] Träningsdata MLTable. MLTableJobInput (krävs)

TableVerticalValidationDataSettings

Namn Beskrivning Värde
cvSplitColumnNames Kolumner som ska användas för CVSplit-data. string[]
data Valideringsdata MLTable. MLTableJobInput
nCrossValidations Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen
när valideringsdatauppsättningen inte har angetts.
NCrossValidations
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

NCrossValidations

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoNCrossValidations

Namn Beskrivning Värde
läge [Krävs] Läge för att fastställa N-Korsvalidering. "Auto" (krävs)

CustomNCrossValidations

Namn Beskrivning Värde
läge [Krävs] Läge för att fastställa N-Korsvalidering. "Anpassad" (krävs)
värde [Krävs] Värde för N-Korsvalidering. int (krävs)

TableVerticalFeaturizationSettings

Namn Beskrivning Värde
blockedTransformers Dessa transformatorer får inte användas vid funktionalisering. string[]
columnNameAndTypes Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Datamängdsspråk, användbart för textdata. sträng
dropColumns Kolumner som ska tas bort från data under funktionalisering. string[]
enableDnnFeaturization Avgör om du vill använda Dnn-baserade funktionaliserare för datafunktionalisering. Bool
läge Funktionaliseringsläge – Användaren kan behålla standardläget "Auto" och AutoML tar hand om nödvändig omvandling av data i funktionaliseringsfasen.
Om "Av" har valts görs ingen funktionalisering.
Om "Anpassad" har valts kan användaren ange ytterligare indata för att anpassa hur funktionalisering görs.
"Auto"
"Anpassad"
"Av"
transformerParams Användaren kan ange ytterligare transformatorer som ska användas tillsammans med de kolumner som den skulle tillämpas på och parametrar för transformeringskonstruktorn. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Namn Beskrivning Värde
{anpassad egenskap} sträng

TableVerticalFeaturizationSettingsTransformerParams

Namn Beskrivning Värde
{anpassad egenskap} ColumnTransformer[]

ColumnTransformer

Namn Beskrivning Värde
Fält Fält som transformerarlogik ska tillämpas på. string[]
Parametrar Olika egenskaper som ska skickas till transformatorn.
Indata som förväntas är en ordlista med nyckel/värde-par i JSON-format.

TableVerticalLimitSettings

Namn Beskrivning Värde
enableEarlyTermination Aktivera tidig avslutning, avgör om AutoMLJob avslutas tidigt om det inte finns någon poängförbättring under de senaste 20 iterationerna. Bool
exitScore Slutpoäng för AutoML-jobbet. Int
maxConcurrentTrials Maximalt antal samtidiga iterationer. Int
maxCoresPerTrial Maximalt antal kärnor per iteration. Int
maxTrials Antal iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng
trialTimeout Timeout för iteration. sträng

TrainingSettings

Namn Beskrivning Värde
enableDnnTraining Aktivera rekommendation för DNN-modeller. Bool
enableModelExplainability Flagga för att aktivera förklaring på bästa modell. Bool
enableOnnxCompatibleModels Flagga för att aktivera onnx-kompatibla modeller. Bool
enableStackEnsemble Aktivera stackensemblekörning. Bool
enableVoteEnsemble Aktivera röstningsensemblekörning. Bool
ensembleModelDownloadTimeout Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från de tidigare underordnade körningarna ned.
Konfigurera den här parametern med ett högre värde än 300 sekunder om det behövs mer tid.
sträng
stackEnsembleSettings Inställningar för stackensembler för stackensemblekörning. StackEnsembleSettings

StackEnsembleSettings

Namn Beskrivning Värde
stackMetaLearnerKWargs Valfria parametrar som ska skickas till metainlärarens initierare.
stackMetaLearnerTrainPercentage Anger den andel av träningsuppsättningen (när du väljer tränings- och valideringstyp för träning) som ska reserveras för träning av metaläraren. Standardvärdet är 0,2. Int
stackMetaLearnerType Metainläraren är en modell som tränas på utdata från de enskilda heterogena modellerna. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"Linjärregression"
"LogisticRegression"
"LogisticRegressionCV"
"Ingen"

Prognostisering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Prognostisering" (krävs)
allowedModels Tillåtna modeller för prognostiseringsaktivitet. Strängmatris som innehåller något av:
"Arimax"
"AutoArima"
"Genomsnitt"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profet"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Blockerade modeller för prognostiseringsaktivitet. Strängmatris som innehåller något av:
"Arimax"
"AutoArima"
"Genomsnitt"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profet"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
forecastingSettings Prognostisera aktivitetsspecifika indata. ForecastingSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för prognostiseringsaktivitet. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

PrognostiseringInställningar

Namn Beskrivning Värde
countryOrRegionForHolidays Land eller region för helgdagar för prognostiseringsuppgifter.
Dessa bör vara ISO 3166 tvåbokstavs lands-/regionkoder, till exempel "US" eller "GB".
sträng
cvStepSize Antal perioder mellan ursprungstiden för en CV-vikning och nästa vik. För
om CVStepSize = 3 för dagliga data, kommer ursprungstiden för varje vik att vara
med tre dagars mellanrum.
Int
featureLags Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null. "Auto"
"Ingen"
forecastHorizon Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter. ForecastHorizon
frekvens Vid prognostisering representerar den här parametern den period med vilken prognosen önskas, till exempel dagligen, varje vecka, varje år osv. Prognosfrekvensen är datamängdsfrekvens som standard. sträng
Säsongsvariationer Ange säsongsvariationer för tidsserier som en heltalsmultipel för seriefrekvensen.
Om säsongsvariationen är inställd på "auto" kommer den att härledas.
Säsongsvariationer
shortSeriesHandlingConfig Parametern som definierar hur AutoML ska hantera korta tidsserier. "Auto"
"Släpp"
"Ingen"
"Pad"
targetAggregateFunction Den funktion som ska användas för att aggregera målkolumnen för tidsserier så att den överensstämmer med en angiven användarfrekvens.
Om TargetAggregateFunction har angetts, t.ex. inte "None", men freq-parametern inte har angetts, utlöses felet. Möjliga målsammansättningsfunktioner är: "sum", "max", "min" och "mean".
"Max"
"Medelvärde"
"Min"
"Ingen"
"Summa"
targetLags Antalet tidigare perioder som ska fördröjas från målkolumnen. TargetLags
targetRollingWindowSize Antalet tidigare perioder som används för att skapa ett rullande fönstergenomsnitt för målkolumnen. TargetRollingWindowSize
timeColumnName Namnet på tidskolumnen. Den här parametern krävs vid prognostisering för att ange kolumnen datetime i indata som används för att skapa tidsserierna och härleda dess frekvens. sträng
timeSeriesIdColumnNames Namnen på kolumner som används för att gruppera en tidsserie. Den kan användas för att skapa flera serier.
Om kornigheten inte har definierats antas datauppsättningen vara en tidsserie. Den här parametern används med prognostisering av aktivitetstyp.
string[]
useStl Konfigurera STL-nedbrytning av målkolumnen för tidsserier. "Ingen"
"Säsong"
"SeasonTrend"

ForecastHorizon

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoForecastHorizon

Namn Beskrivning Värde
läge [Krävs] Ange markeringsläge för prognoshorisontvärde. "Auto" (krävs)

CustomForecastHorizon

Namn Beskrivning Värde
läge [Krävs] Ange markeringsläge för prognoshorisontvärde. "Anpassad" (krävs)
värde [Krävs] Prognoshorisontvärde. int (krävs)

Säsongsvariationer

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoSeasonality

Namn Beskrivning Värde
läge [Krävs] Säsongsläge. "Auto" (krävs)

CustomSeasonality

Namn Beskrivning Värde
läge [Krävs] Säsongsläge. "Anpassad" (krävs)
värde [Krävs] Säsongsvärde. int (krävs)

TargetLags

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoTargetLags

Namn Beskrivning Värde
läge [Krävs] Ange målfördröjningsläge – Automatiskt/anpassat "Auto" (krävs)

CustomTargetLags

Namn Beskrivning Värde
läge [Krävs] Ange målfördröjningsläge – Automatiskt/anpassat "Anpassad" (krävs)
värden [Krävs] Ange målfördröjningsvärden. int[] (krävs)

TargetRollingWindowSize

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoTargetRollingWindowSize

Namn Beskrivning Värde
läge [Krävs] TargetRollingWindowSiz identifieringsläge. "Auto" (krävs)

CustomTargetRollingWindowSize

Namn Beskrivning Värde
läge [Krävs] TargetRollingWindowSiz identifieringsläge. "Anpassad" (krävs)
värde [Krävs] TargetRollingWindowSize-värde. int (krävs)

ImageClassification

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageClassification" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsClassification
primaryMetric Primärt mått för att optimera för den här uppgiften. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsClassification[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Inställningar för valideringsdatauppsättningen. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Namn Beskrivning Värde
data Valideringsdata MLTable. MLTableJobInput
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

ImageLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga AutoML-iterationer. Int
maxTrials Maximalt antal AutoML-iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng

ImageModelSettingsClassification

Namn Beskrivning Värde
advancedSettings Inställningar för avancerade scenarier. sträng
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". Bool
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
checkpointDatasetId FileDataset-ID för förtränad kontrollpunkter för inkrementell träning.
Se till att passera CheckpointFilename tillsammans med CheckpointDatasetId.
sträng
checkpointFilename Förtränat kontrollpunktsfilnamn i FileDataset för inkrementell träning.
Se till att skicka CheckpointDatasetId tillsammans med CheckpointFilename.
sträng
checkpointFrequency Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. Int
checkpointRunId ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning. sträng
distribuerad Om du vill använda distribuerad träning. Bool
earlyStopping Aktivera tidig stopplogik under träning. Bool
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
Int
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
Int
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. Bool
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. Int
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
Int
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
Int
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. Int
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". "Ingen"
"Steg"
"WarmupCosine"
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. Int
nesterov Aktivera nesterov när optimeraren är "sgd". Bool
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. Int
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. Int
Optimizer Typ av optimerare. "Adam"
"Adamw"
"Ingen"
"Sgd"
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. Int
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
Int
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. Int
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. Int
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. Int
trainingCropSize Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal. Int
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. Int
validationCropSize Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal. Int
validationResizeSize Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal. Int
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. Int
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. Int
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. Int
weightedLoss Viktad förlust. De godkända värdena är 0 för ingen viktad förlust.
1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
Int

ImageModelDistributionSettingsClassification

Namn Beskrivning Värde
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". sträng
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
distribuerad Om distributionsträning ska användas. sträng
earlyStopping Aktivera tidig stopplogik under träning. sträng
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
sträng
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
sträng
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. sträng
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. sträng
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
sträng
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
sträng
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. sträng
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". sträng
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. sträng
nesterov Aktivera nesterov när optimeraren är "sgd". sträng
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. sträng
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. sträng
Optimizer Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw". sträng
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. sträng
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
sträng
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. sträng
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. sträng
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. sträng
trainingCropSize Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal. sträng
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. sträng
validationCropSize Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal. sträng
validationResizeSize Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal. sträng
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. sträng
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. sträng
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. sträng
weightedLoss Viktad förlust. De godkända värdena är 0 för ingen viktad förlust.
1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
sträng

ImageSweepSettings

Namn Beskrivning Värde
earlyTermination Typ av princip för tidig uppsägning. EarlyTerminationPolicy
Gränser [Krävs] Begränsa inställningarna för modellsanering och hyperparameters svepning. ImageSweepLimitSettings (krävs)
samplingAlgorithm [Krävs] Typ av algoritmer för hyperparametersampling. "Bayesian"
Rutnät
"Random" (krävs)

EarlyTerminationPolicy

Namn Beskrivning Värde
delayEvaluation Antal intervall som den första utvärderingen ska fördröjas med. Int
evaluationInterval Intervall (antal körningar) mellan principutvärderingar. Int
policyType Ange objekttyp Bandit
MedianStopping
TruncationSelection (krävs)

BanditPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "Bandit" (krävs)
slackAmount Absolut avstånd som tillåts från den bästa körningen. Int
slackFactor Förhållandet mellan det tillåtna avståndet från den bäst presterande körningen. Int

MedianStoppingPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "MedianStopping" (krävs)

TruncationSelectionPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "TruncationSelection" (krävs)
truncationPercentage Procentandelen körningar som ska avbrytas vid varje utvärderingsintervall. Int

ImageSweepLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga iterationer för det underliggande svepjobbet. Int
maxTrials Maximalt antal iterationer för det underliggande svepjobbet. Int

ImageClassificationMultilabel

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageClassificationMultilabel" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsClassification
primaryMetric Primärt mått för att optimera för den här uppgiften. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsClassification[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageInstanceSegmentation

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageInstanceSegmentation" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsObjectDetection
primaryMetric Primärt mått för att optimera för den här uppgiften. "MeanAveragePrecision"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageModelSettingsObjectDetection

Namn Beskrivning Värde
advancedSettings Inställningar för avancerade scenarier. sträng
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". Bool
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
boxDetectionsPerImage Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
boxScoreThreshold Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än
BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
Int
checkpointDatasetId FileDataset-ID för förtränad kontrollpunkter för inkrementell träning.
Se till att passera CheckpointFilename tillsammans med CheckpointDatasetId.
sträng
checkpointFilename Förtränat kontrollpunktsfilnamn i FileDataset för inkrementell träning.
Se till att skicka CheckpointDatasetId tillsammans med CheckpointFilename.
sträng
checkpointFrequency Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. Int
checkpointRunId ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning. sträng
distribuerad Om du vill använda distribuerad träning. Bool
earlyStopping Aktivera tidig stopplogik under träning. Bool
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
Int
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
Int
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. Bool
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. Int
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
Int
imageSize Bildstorlek för träning och validering. Måste vara ett positivt heltal.
Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
Int
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
Int
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. Int
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". "Ingen"
"Steg"
"WarmupCosine"
maxSize Maximal storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
minSize Minsta storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
modelSize Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge".
Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
"ExtraLarge"
"Stor"
"Medel"
"Ingen"
"Liten"
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. Int
multiSkala Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%.
Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
Bool
nesterov Aktivera nesterov när optimeraren är "sgd". Bool
nmsIouThreshold IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara en flottör i intervallet [0, 1]. Int
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. Int
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. Int
Optimizer Typ av optimerare. "Adam"
"Adamw"
"Ingen"
"Sgd"
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. Int
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
Int
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. Int
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. Int
tileGridSize Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara
Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tileOverlapRatio Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
tilePredictionsNmsThreshold Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder.
Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1].
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. Int
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. Int
validationIouThreshold Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1]. Int
validationMetricType Beräkningsmetod för mått som ska användas för valideringsmått. "Coco"
"CocoVoc"
"Ingen"
"Voc"
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. Int
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. Int
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Namn Beskrivning Värde
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". sträng
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
boxDetectionsPerImage Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
boxScoreThreshold Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än
BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
sträng
distribuerad Om distributionsträning ska användas. sträng
earlyStopping Aktivera tidig stopplogik under träning. sträng
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
sträng
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
sträng
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. sträng
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. sträng
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
sträng
imageSize Bildstorlek för träning och validering. Måste vara ett positivt heltal.
Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
sträng
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. sträng
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". sträng
maxSize Maximal storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
minSize Minsta storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
modelSize Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge".
Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. sträng
multiSkala Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%.
Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
nesterov Aktivera nesterov när optimeraren är "sgd". sträng
nmsIouThreshold IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara flytande i intervallet [0, 1]. sträng
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. sträng
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. sträng
Optimizer Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw". sträng
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. sträng
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
sträng
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. sträng
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. sträng
tileGridSize Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara
Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tileOverlapRatio Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tilePredictionsNmsThreshold Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder.
Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1].
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
NMS: Icke-maximal undertryckning
sträng
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. sträng
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. sträng
validationIouThreshold Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1]. sträng
validationMetricType Beräkningsmetod för mått som ska användas för valideringsmått. Måste vara "none", "coco", "voc" eller "coco_voc". sträng
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. sträng
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. sträng
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. sträng

ImageObjectDetection

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageObjectDetection" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsObjectDetection
primaryMetric Primärt mått för att optimera för den här uppgiften. "MeanAveragePrecision"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

Regression

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Regression" (krävs)
allowedModels Tillåtna modeller för regressionsaktivitet. Strängmatris som innehåller något av:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Blockerade modeller för regressionsuppgift. Strängmatris som innehåller något av:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för regressionsaktivitet. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

Textklassificering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextKlassificering" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings
primaryMetric Primärt mått för Text-Classification uppgift. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Indata för valideringsdata. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Namn Beskrivning Värde
data Valideringsdata MLTable. MLTableJobInput
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

NlpVerticalFeaturizationSettings

Namn Beskrivning Värde
datasetLanguage Datamängdsspråk, användbart för textdata. sträng

NlpVerticalLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga AutoML-iterationer. Int
maxTrials Antal AutoML-iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng

TextClassificationMultilabel

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextClassificationMultilabel" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings

Textner

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextNER" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings

Kommandojobb

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Kommando" (krävs)
codeId ARM-resurs-ID för kodtillgången. sträng
befallning [Krävs] Kommandot som ska köras vid start av jobbet. T.ex. "python train.py" sträng (krävs)

Begränsningar:
Min längd = 1
Mönster = [a-zA-Z0-9_]
fördelning Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. DistributionKonfiguration
environmentId [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
environmentVariables Miljövariabler som ingår i jobbet. CommandJobEnvironmentVariables
Ingångar Mappning av indatabindningar som används i jobbet. CommandJobInputs
Gränser Gräns för kommandojobb. CommandJobLimits
Utgångar Mappning av utdatabindningar som används i jobbet. CommandJobOutputs
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration

DistributionKonfiguration

Namn Beskrivning Värde
distributionType Ange objekttyp Mpi
PyTorch
TensorFlow (krävs)

Mpi

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "Mpi" (krävs)
processCountPerInstance Antal processer per MPI-nod. Int

PyTorch

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "PyTorch" (krävs)
processCountPerInstance Antal processer per nod. Int

TensorFlow

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "TensorFlow" (krävs)
parameterServerCount Antal parameterserveruppgifter. Int
workerCount Antal arbetare. Om det inte anges kommer instansantalet att vara standard. Int

CommandJobEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

CommandJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

JobInput

Namn Beskrivning Värde
beskrivning Beskrivning av indata. sträng
jobInputType Ange objekttyp CustomModel
Literal
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (krävs)

CustomModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "CustomModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

LiteralJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "Literal" (krävs)
värde [Krävs] Literalvärde för indata. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

MLFlowModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "MLFlowModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

TritonModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "TritonModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

UriFileJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "UriFile" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

UriFolderJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "UriFolder" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

CommandJobLimits

Namn Beskrivning Värde
jobLimitsType [Krävs] JobLimit-typ. "Kommando"
"Svep" (krävs)
Timeout Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder. sträng

CommandJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

PipelineJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Pipeline" (krävs)
Ingångar Indata för pipelinejobbet. PipelineJobInputs
Jobb Jobb konstruerar pipelinejobbet. PipelineJobJobs
Utgångar Utdata för pipelinejobbet PipelineJobOutputs
Inställningar Pipelineinställningar, till exempel ContinueRunOnStepFailure osv.

PipelineJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

PipelineJobJobs

Namn Beskrivning Värde
{anpassad egenskap}

PipelineJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

SweepJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Svep" (krävs)
earlyTermination Principer för tidig uppsägning gör det möjligt att avbryta dåliga körningar innan de slutförs EarlyTerminationPolicy
Ingångar Mappning av indatabindningar som används i jobbet. SweepJobInputs
Gränser Rensa jobbgräns. SweepJobLimits
objektiv [Krävs] Optimeringsmål. Mål (krävs)
Utgångar Mappning av utdatabindningar som används i jobbet. SweepJobOutputs
samplingAlgorithm [Krävs] Algoritmen för hyperparametersampling SamplingAlgorithm (krävs)
searchSpace [Krävs] En ordlista som innehåller varje parameter och dess distribution. Ordlistenyckeln är namnet på parametern
rättegång [Krävs] Utvärderingskomponentdefinition. TrialComponent (krävs)

SweepJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

SweepJobLimits

Namn Beskrivning Värde
jobLimitsType [Krävs] JobLimit-typ. "Kommando"
"Svep" (krävs)
maxConcurrentTrials Sopa jobb max samtidiga utvärderingsversioner. Int
maxTotalTrials Sopa jobb max totalt antal utvärderingsversioner. Int
Timeout Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder. sträng
trialTimeout Rensa timeout-värdet för utvärderingsversionen av jobbet. sträng

Objektiv

Namn Beskrivning Värde
mål [Krävs] Definierar måttmål som stöds för justering av hyperparametrar "Maximera"
"Minimera" (krävs)
primaryMetric [Krävs] Namnet på måttet som ska optimeras. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

SweepJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

SamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType Ange objekttyp Bayesianska
Grid
Slumpmässig (krävs)

BayesianSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Bayesian" (krävs)

GridSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Rutnät" (krävs)

RandomSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Random" (krävs)
regel Den specifika typen av slumpmässig algoritm "Slumpmässigt"
"Sobol"
frö Ett valfritt heltal som ska användas som frö för slumptalsgenerering Int

TrialComponent

Namn Beskrivning Värde
codeId ARM-resurs-ID för kodtillgången. sträng
befallning [Krävs] Kommandot som ska köras vid start av jobbet. T.ex. "python train.py" sträng (krävs)

Begränsningar:
Min längd = 1
Mönster = [a-zA-Z0-9_]
fördelning Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. DistributionKonfiguration
environmentId [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
environmentVariables Miljövariabler som ingår i jobbet. TrialComponentEnvironmentVariables
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration

TrialComponentEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

Snabbstartsmallar

Följande snabbstartsmallar distribuerar den här resurstypen.

Mall Beskrivning
Skapa ett Azure Machine Learning AutoML-klassificeringsjobb

Distribuera till Azure
Den här mallen skapar ett Azure Machine Learning AutoML-klassificeringsjobb för att ta reda på den bästa modellen för att förutsäga om en klient prenumererar på en fast deposition med ett finansinstitut.
Skapa ett Azure Machine Learning-kommandojobb

Distribuera till Azure
Den här mallen skapar ett Azure Machine Learning-kommandojobb med ett grundläggande hello_world skript
Skapa ett Azure Machine Learning-svepjobb

Distribuera till Azure
Den här mallen skapar ett Azure Machine Learning Sweep-jobb för justering av hyperparametrar.

Resursdefinition för Terraform (AzAPI-provider)

Resurstypen arbetsytor/jobb kan distribueras med åtgärder som mål:

  • Resursgrupper

En lista över ändrade egenskaper i varje API-version finns i ändringsloggen.

Resursformat

Om du vill skapa en Microsoft.MachineLearningServices/arbetsytor/jobbresurs lägger du till följande Terraform i mallen.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
      }
      schedule = {
        endTime = "string"
        scheduleStatus = "string"
        startTime = "string"
        timeZone = "string"
        scheduleType = "string"
        // For remaining properties, see ScheduleBase objects
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {}
      jobType = "string"
      // For remaining properties, see JobBaseDetails objects
    }
  })
}

JobBaseDetails-objekt

Ange egenskapen jobType för att ange typ av objekt.

För AutoML-använder du:

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

För Kommandoanvänder du:

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

För Pipelineanvänder du:

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

För Svepanvänder du:

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

IdentityConfiguration-objekt

Ange egenskapen identityType för att ange typ av objekt.

För AMLTokenanvänder du:

  identityType = "AMLToken"

För Managedanvänder du:

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

För UserIdentityanvänder du:

  identityType = "UserIdentity"

ScheduleBase-objekt

Ange egenskapen scheduleType för att ange typ av objekt.

För Cronanvänder du:

  scheduleType = "Cron"
  expression = "string"

Använd för återkommande:

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

JobOutput-objekt

Ange egenskapen jobOutputType för att ange typ av objekt.

För CustomModelanvänder du:

  jobOutputType = "CustomModel"
  mode = "string"
  uri = "string"

För MLFlowModelanvänder du:

  jobOutputType = "MLFlowModel"
  mode = "string"
  uri = "string"

För MLTableanvänder du:

  jobOutputType = "MLTable"
  mode = "string"
  uri = "string"

För TritonModelanvänder du:

  jobOutputType = "TritonModel"
  mode = "string"
  uri = "string"

För UriFileanvänder du:

  jobOutputType = "UriFile"
  mode = "string"
  uri = "string"

För UriFolderanvänder du:

  jobOutputType = "UriFolder"
  mode = "string"
  uri = "string"

AutoMLVertical-objekt

Ange egenskapen taskType för att ange typ av objekt.

För Klassificeringanvänder du:

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

För Prognostiseringanvänder du:

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

För ImageClassificationanvänder du:

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

För ImageClassificationMultilabelanvänder du:

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

För ImageInstanceSegmentationanvänder du:

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

För ImageObjectDetectionanvänder du:

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

För Regressionanvänder du:

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

För TextClassificationanvänder du:

  taskType = "TextClassification"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"

För TextClassificationMultilabelanvänder du:

  taskType = "TextClassificationMultilabel"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

För TextNERanvänder du:

  taskType = "TextNER"
  dataSettings = {
    targetColumnName = "string"
    testData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      testDataSize = int
    }
    trainingData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
    }
    validationData = {
      data = {
        description = "string"
        jobInputType = "string"
        mode = "string"
        uri = "string"
      }
      validationDataSize = int
    }
  }
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }

NCrossValidations-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode = "Auto"

För anpassadanvänder du:

  mode = "Custom"
  value = int

ForecastHorizon-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode = "Auto"

För anpassadanvänder du:

  mode = "Custom"
  value = int

Säsongsvariationer

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode = "Auto"

För anpassadanvänder du:

  mode = "Custom"
  value = int

TargetLags-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode = "Auto"

För anpassadanvänder du:

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

  mode = "Auto"

För anpassadanvänder du:

  mode = "Custom"
  value = int

EarlyTerminationPolicy-objekt

Ange egenskapen policyType för att ange typ av objekt.

För Banditanvänder du:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

För MedianStoppinganvänder du:

  policyType = "MedianStopping"

För TruncationSelectionanvänder du:

  policyType = "TruncationSelection"
  truncationPercentage = int

DistributionKonfigurationsobjekt

Ange egenskapen distributionType för att ange typ av objekt.

För Mpianvänder du:

  distributionType = "Mpi"
  processCountPerInstance = int

För PyTorchanvänder du:

  distributionType = "PyTorch"
  processCountPerInstance = int

För TensorFlowanvänder du:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput-objekt

Ange egenskapen jobInputType för att ange typ av objekt.

För CustomModelanvänder du:

  jobInputType = "CustomModel"
  mode = "string"
  uri = "string"

För Literalanvänder du:

  jobInputType = "Literal"
  value = "string"

För MLFlowModelanvänder du:

  jobInputType = "MLFlowModel"
  mode = "string"
  uri = "string"

För MLTableanvänder du:

  jobInputType = "MLTable"
  mode = "string"
  uri = "string"

För TritonModelanvänder du:

  jobInputType = "TritonModel"
  mode = "string"
  uri = "string"

För UriFileanvänder du:

  jobInputType = "UriFile"
  mode = "string"
  uri = "string"

För UriFolderanvänder du:

  jobInputType = "UriFolder"
  mode = "string"
  uri = "string"

SamplingAlgorithm-objekt

Ange egenskapen samplingAlgorithmType för att ange typ av objekt.

För Bayesianskaanvänder du:

  samplingAlgorithmType = "Bayesian"

För Gridanvänder du:

  samplingAlgorithmType = "Grid"

För Randomanvänder du:

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

Egenskapsvärden

arbetsytor/jobb

Namn Beskrivning Värde
typ Resurstypen "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
Namn Resursnamnet sträng (krävs)
parent_id ID för resursen som är överordnad för den här resursen. ID för resurs av typen: arbetsytor
Egenskaper [Krävs] Ytterligare attribut för entiteten. JobBaseDetails (krävs)

JobBaseDetails

Namn Beskrivning Värde
computeId ARM-resurs-ID för beräkningsresursen. sträng
beskrivning Texten för tillgångsbeskrivningen. sträng
displayName Visningsnamn för jobbet. sträng
experimentName Namnet på experimentet som jobbet tillhör. Om det inte anges placeras jobbet i experimentet "Standard". sträng
identitet Identitetskonfiguration. Om det anges bör detta vara en av AmlToken, ManagedIdentity, UserIdentity eller null.
Standardvärdet är AmlToken om null.
IdentityConfiguration
isArchived Arkiveras tillgången? Bool
Egenskaper Ordlistan för tillgångsegenskap. ResourceBaseProperties
schema Schemalägg definitionen av jobbet.
Om inget schema anges körs jobbet en gång och omedelbart efter sändningen.
ScheduleBase
tjänster Lista över JobEndpoints.
För lokala jobb har en jobbslutpunkt ett slutpunktsvärde för FileStreamObject.
JobBaseServices
Taggar Taggordlista. Taggar kan läggas till, tas bort och uppdateras. objekt
jobType Ange objekttyp AutoML-
kommando
Pipeline
Svep (krävs)

IdentityConfiguration

Namn Beskrivning Värde
identityType Ange objekttyp AMLToken
Hanterad
UserIdentity (krävs)

AmlToken

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "AMLToken" (krävs)

Hanterad identitet

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "Hanterad" (krävs)
clientId Anger en användartilldelad identitet efter klient-ID. Ange inte det här fältet för systemtilldelade. sträng

Begränsningar:
Min längd = 36
Maximal längd = 36
Mönster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Anger en användartilldelad identitet efter objekt-ID. Ange inte det här fältet för systemtilldelade. sträng

Begränsningar:
Min längd = 36
Maximal längd = 36
Mönster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Anger en användartilldelad identitet efter ARM-resurs-ID. Ange inte det här fältet för systemtilldelade. sträng

UserIdentity

Namn Beskrivning Värde
identityType [Krävs] Anger typen av identitetsramverk. "UserIdentity" (krävs)

ResourceBaseProperties

Namn Beskrivning Värde
{anpassad egenskap} sträng

ScheduleBase

Namn Beskrivning Värde
endTime Anger sluttid för schemat i ISO 8601-format.
Om det inte finns körs schemat på obestämd tid
sträng
scheduleStatus Anger schemats status "Inaktiverad"
"Aktiverad"
startTime Anger starttid för schemat i ISO 8601-format. sträng
timeZone Anger tidszon där schemat körs.
Tidszon bör följa Windows tidszonsformat.
sträng
scheduleType Ange objekttyp Cron
återkommande (krävs)

CronSchedule

Namn Beskrivning Värde
scheduleType [Krävs] Anger schematypen "Cron" (krävs)
uttryck [Krävs] Anger cron-uttryck för schema.
Uttrycket bör följa formatet NCronTab.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

RecurrenceSchedule

Namn Beskrivning Värde
scheduleType [Krävs] Anger schematypen "Upprepning" (krävs)
frekvens [Krävs] Anger med vilken frekvens schemat ska utlösas "Dag"
"Timme"
"Minut"
"Månad"
"Vecka" (krävs)
intervall [Krävs] Anger schemaintervall tillsammans med frekvens int (krävs)
mönster Anger mönster för upprepningsschema RecurrencePattern

RecurrencePattern

Namn Beskrivning Värde
Timmar [Krävs] Lista över timmar för mönster för upprepningsschema int[] (krävs)
protokoll [Krävs] Lista över minuter för mönster för upprepningsschema int[] (krävs)
Vardagar Lista över vardagar för mönster för upprepningsschema Strängmatris som innehåller något av:
"Fredag"
"Måndag"
"Lördag"
"Söndag"
"Torsdag"
"Tisdag"
"Onsdag"

JobBaseServices

Namn Beskrivning Värde
{anpassad egenskap} JobService

JobService

Namn Beskrivning Värde
Slutpunkt Url för slutpunkt. sträng
jobServiceType Slutpunktstyp. sträng
hamn Port för slutpunkt. Int
Egenskaper Ytterligare egenskaper som ska anges på slutpunkten. JobServiceProperties

JobServiceEgenskaper

Namn Beskrivning Värde
{anpassad egenskap} sträng

AutoMLJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "AutoML" (krävs)
environmentId ARM-resurs-ID för miljöspecifikationen för jobbet.
Det här är ett valfritt värde för att ange, om det inte anges, att AutoML standardinställningen är produktionsversion av autoML-kurerad miljö när jobbet körs.
sträng
environmentVariables Miljövariabler som ingår i jobbet. AutoMLJobEnvironmentVariables
Utgångar Mappning av utdatabindningar som används i jobbet. AutoMLJobOutputs
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration
taskDetails [Krävs] Detta representerar scenario som kan vara en av tabeller/NLP/image AutoMLVertical (krävs)

AutoMLJobEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

AutoMLJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

JobOutput

Namn Beskrivning Värde
beskrivning Beskrivning av utdata. sträng
jobOutputType Ange objekttyp CustomModel
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (krävs)

CustomModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "CustomModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

MLFlowModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "MLFlowModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

MLTableJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "MLTable" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

TritonModelJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "TritonModel" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

UriFileJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "UriFile" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

UriFolderJobOutput

Namn Beskrivning Värde
jobOutputType [Krävs] Anger typen av jobb. "UriFolder" (krävs)
läge Leveransläge för utdatatillgång. "ReadWriteMount"
"Ladda upp"
Uri Utdatatillgångs-URI. sträng

ResourceConfiguration

Namn Beskrivning Värde
instanceCount Valfritt antal instanser eller noder som används av beräkningsmålet. Int
instanceType Valfri typ av virtuell dator som stöds av beräkningsmålet. sträng
Egenskaper Ytterligare egenskapsväska. ResourceConfigurationProperties

ResourceConfigurationProperties

Namn Beskrivning Värde
{anpassad egenskap}

AutoMLVertical

Namn Beskrivning Värde
logVerbosity Logga verbositet för jobbet. "Kritisk"
"Felsöka"
"Fel"
"Info"
"NotSet"
"Varning"
taskType Ange objekttyp Klassificering
Prognostisering
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regression
TextKlassificering
TextClassificationMultilabel
TextNER (krävs)

Klassificering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Klassificering" (krävs)
allowedModels Tillåtna modeller för klassificeringsaktivitet. Strängmatris som innehåller något av:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinjärSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Blockerade modeller för klassificeringsaktivitet. Strängmatris som innehåller något av:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinjärSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för aktiviteten. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

TableVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Indata för valideringsdata. TableVerticalValidationDataSettings
weightColumnName Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. sträng

TestDataSettings

Namn Beskrivning Värde
data Testa data MLTable. MLTableJobInput
testDataSize Den del av testdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

MLTableJobInput

Namn Beskrivning Värde
beskrivning Beskrivning av indata. sträng
jobInputType [Krävs] Anger typen av jobb. "CustomModel"
"Literal"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

TrainingDataSettings

Namn Beskrivning Värde
data [Krävs] Träningsdata MLTable. MLTableJobInput (krävs)

TableVerticalValidationDataSettings

Namn Beskrivning Värde
cvSplitColumnNames Kolumner som ska användas för CVSplit-data. string[]
data Valideringsdata MLTable. MLTableJobInput
nCrossValidations Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen
när valideringsdatauppsättningen inte har angetts.
NCrossValidations
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

NCrossValidations

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoNCrossValidations

Namn Beskrivning Värde
läge [Krävs] Läge för att fastställa N-Korsvalidering. "Auto" (krävs)

CustomNCrossValidations

Namn Beskrivning Värde
läge [Krävs] Läge för att fastställa N-Korsvalidering. "Anpassad" (krävs)
värde [Krävs] Värde för N-Korsvalidering. int (krävs)

TableVerticalFeaturizationSettings

Namn Beskrivning Värde
blockedTransformers Dessa transformatorer får inte användas vid funktionalisering. string[]
columnNameAndTypes Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Datamängdsspråk, användbart för textdata. sträng
dropColumns Kolumner som ska tas bort från data under funktionalisering. string[]
enableDnnFeaturization Avgör om du vill använda Dnn-baserade funktionaliserare för datafunktionalisering. Bool
läge Funktionaliseringsläge – Användaren kan behålla standardläget "Auto" och AutoML tar hand om nödvändig omvandling av data i funktionaliseringsfasen.
Om "Av" har valts görs ingen funktionalisering.
Om "Anpassad" har valts kan användaren ange ytterligare indata för att anpassa hur funktionalisering görs.
"Auto"
"Anpassad"
"Av"
transformerParams Användaren kan ange ytterligare transformatorer som ska användas tillsammans med de kolumner som den skulle tillämpas på och parametrar för transformeringskonstruktorn. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Namn Beskrivning Värde
{anpassad egenskap} sträng

TableVerticalFeaturizationSettingsTransformerParams

Namn Beskrivning Värde
{anpassad egenskap} ColumnTransformer[]

ColumnTransformer

Namn Beskrivning Värde
Fält Fält som transformerarlogik ska tillämpas på. string[]
Parametrar Olika egenskaper som ska skickas till transformatorn.
Indata som förväntas är en ordlista med nyckel/värde-par i JSON-format.

TableVerticalLimitSettings

Namn Beskrivning Värde
enableEarlyTermination Aktivera tidig avslutning, avgör om AutoMLJob avslutas tidigt om det inte finns någon poängförbättring under de senaste 20 iterationerna. Bool
exitScore Slutpoäng för AutoML-jobbet. Int
maxConcurrentTrials Maximalt antal samtidiga iterationer. Int
maxCoresPerTrial Maximalt antal kärnor per iteration. Int
maxTrials Antal iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng
trialTimeout Timeout för iteration. sträng

TrainingSettings

Namn Beskrivning Värde
enableDnnTraining Aktivera rekommendation för DNN-modeller. Bool
enableModelExplainability Flagga för att aktivera förklaring på bästa modell. Bool
enableOnnxCompatibleModels Flagga för att aktivera onnx-kompatibla modeller. Bool
enableStackEnsemble Aktivera stackensemblekörning. Bool
enableVoteEnsemble Aktivera röstningsensemblekörning. Bool
ensembleModelDownloadTimeout Under VotingEnsemble- och StackEnsemble-modellgenereringen laddas flera anpassade modeller från de tidigare underordnade körningarna ned.
Konfigurera den här parametern med ett högre värde än 300 sekunder om det behövs mer tid.
sträng
stackEnsembleSettings Inställningar för stackensembler för stackensemblekörning. StackEnsembleSettings

StackEnsembleSettings

Namn Beskrivning Värde
stackMetaLearnerKWargs Valfria parametrar som ska skickas till metainlärarens initierare.
stackMetaLearnerTrainPercentage Anger den andel av träningsuppsättningen (när du väljer tränings- och valideringstyp för träning) som ska reserveras för träning av metaläraren. Standardvärdet är 0,2. Int
stackMetaLearnerType Metainläraren är en modell som tränas på utdata från de enskilda heterogena modellerna. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"Linjärregression"
"LogisticRegression"
"LogisticRegressionCV"
"Ingen"

Prognostisering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Prognostisering" (krävs)
allowedModels Tillåtna modeller för prognostiseringsaktivitet. Strängmatris som innehåller något av:
"Arimax"
"AutoArima"
"Genomsnitt"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profet"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Blockerade modeller för prognostiseringsaktivitet. Strängmatris som innehåller något av:
"Arimax"
"AutoArima"
"Genomsnitt"
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Profet"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
forecastingSettings Prognostisera aktivitetsspecifika indata. ForecastingSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för prognostiseringsaktivitet. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

PrognostiseringInställningar

Namn Beskrivning Värde
countryOrRegionForHolidays Land eller region för helgdagar för prognostiseringsuppgifter.
Dessa bör vara ISO 3166 tvåbokstavs lands-/regionkoder, till exempel "US" eller "GB".
sträng
cvStepSize Antal perioder mellan ursprungstiden för en CV-vikning och nästa vik. För
om CVStepSize = 3 för dagliga data, kommer ursprungstiden för varje vik att vara
med tre dagars mellanrum.
Int
featureLags Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null. "Auto"
"Ingen"
forecastHorizon Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter. ForecastHorizon
frekvens Vid prognostisering representerar den här parametern den period med vilken prognosen önskas, till exempel dagligen, varje vecka, varje år osv. Prognosfrekvensen är datamängdsfrekvens som standard. sträng
Säsongsvariationer Ange säsongsvariationer för tidsserier som en heltalsmultipel för seriefrekvensen.
Om säsongsvariationen är inställd på "auto" kommer den att härledas.
Säsongsvariationer
shortSeriesHandlingConfig Parametern som definierar hur AutoML ska hantera korta tidsserier. "Auto"
"Släpp"
"Ingen"
"Pad"
targetAggregateFunction Den funktion som ska användas för att aggregera målkolumnen för tidsserier så att den överensstämmer med en angiven användarfrekvens.
Om TargetAggregateFunction har angetts, t.ex. inte "None", men freq-parametern inte har angetts, utlöses felet. Möjliga målsammansättningsfunktioner är: "sum", "max", "min" och "mean".
"Max"
"Medelvärde"
"Min"
"Ingen"
"Summa"
targetLags Antalet tidigare perioder som ska fördröjas från målkolumnen. TargetLags
targetRollingWindowSize Antalet tidigare perioder som används för att skapa ett rullande fönstergenomsnitt för målkolumnen. TargetRollingWindowSize
timeColumnName Namnet på tidskolumnen. Den här parametern krävs vid prognostisering för att ange kolumnen datetime i indata som används för att skapa tidsserierna och härleda dess frekvens. sträng
timeSeriesIdColumnNames Namnen på kolumner som används för att gruppera en tidsserie. Den kan användas för att skapa flera serier.
Om kornigheten inte har definierats antas datauppsättningen vara en tidsserie. Den här parametern används med prognostisering av aktivitetstyp.
string[]
useStl Konfigurera STL-nedbrytning av målkolumnen för tidsserier. "Ingen"
"Säsong"
"SeasonTrend"

ForecastHorizon

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoForecastHorizon

Namn Beskrivning Värde
läge [Krävs] Ange markeringsläge för prognoshorisontvärde. "Auto" (krävs)

CustomForecastHorizon

Namn Beskrivning Värde
läge [Krävs] Ange markeringsläge för prognoshorisontvärde. "Anpassad" (krävs)
värde [Krävs] Prognoshorisontvärde. int (krävs)

Säsongsvariationer

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoSeasonality

Namn Beskrivning Värde
läge [Krävs] Säsongsläge. "Auto" (krävs)

CustomSeasonality

Namn Beskrivning Värde
läge [Krävs] Säsongsläge. "Anpassad" (krävs)
värde [Krävs] Säsongsvärde. int (krävs)

TargetLags

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoTargetLags

Namn Beskrivning Värde
läge [Krävs] Ange målfördröjningsläge – Automatiskt/anpassat "Auto" (krävs)

CustomTargetLags

Namn Beskrivning Värde
läge [Krävs] Ange målfördröjningsläge – Automatiskt/anpassat "Anpassad" (krävs)
värden [Krävs] Ange målfördröjningsvärden. int[] (krävs)

TargetRollingWindowSize

Namn Beskrivning Värde
läge Ange objekttyp automatisk
anpassad (krävs)

AutoTargetRollingWindowSize

Namn Beskrivning Värde
läge [Krävs] TargetRollingWindowSiz identifieringsläge. "Auto" (krävs)

CustomTargetRollingWindowSize

Namn Beskrivning Värde
läge [Krävs] TargetRollingWindowSiz identifieringsläge. "Anpassad" (krävs)
värde [Krävs] TargetRollingWindowSize-värde. int (krävs)

ImageClassification

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageClassification" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsClassification
primaryMetric Primärt mått för att optimera för den här uppgiften. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsClassification[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Inställningar för valideringsdatauppsättningen. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Namn Beskrivning Värde
data Valideringsdata MLTable. MLTableJobInput
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

ImageLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga AutoML-iterationer. Int
maxTrials Maximalt antal AutoML-iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng

ImageModelSettingsClassification

Namn Beskrivning Värde
advancedSettings Inställningar för avancerade scenarier. sträng
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". Bool
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
checkpointDatasetId FileDataset-ID för förtränad kontrollpunkter för inkrementell träning.
Se till att passera CheckpointFilename tillsammans med CheckpointDatasetId.
sträng
checkpointFilename Förtränat kontrollpunktsfilnamn i FileDataset för inkrementell träning.
Se till att skicka CheckpointDatasetId tillsammans med CheckpointFilename.
sträng
checkpointFrequency Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. Int
checkpointRunId ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning. sträng
distribuerad Om du vill använda distribuerad träning. Bool
earlyStopping Aktivera tidig stopplogik under träning. Bool
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
Int
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
Int
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. Bool
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. Int
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
Int
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
Int
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. Int
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". "Ingen"
"Steg"
"WarmupCosine"
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. Int
nesterov Aktivera nesterov när optimeraren är "sgd". Bool
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. Int
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. Int
Optimizer Typ av optimerare. "Adam"
"Adamw"
"Ingen"
"Sgd"
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. Int
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
Int
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. Int
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. Int
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. Int
trainingCropSize Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal. Int
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. Int
validationCropSize Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal. Int
validationResizeSize Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal. Int
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. Int
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. Int
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. Int
weightedLoss Viktad förlust. De godkända värdena är 0 för ingen viktad förlust.
1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
Int

ImageModelDistributionSettingsClassification

Namn Beskrivning Värde
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". sträng
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
distribuerad Om distributionsträning ska användas. sträng
earlyStopping Aktivera tidig stopplogik under träning. sträng
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
sträng
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
sträng
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. sträng
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. sträng
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
sträng
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
sträng
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. sträng
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". sträng
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. sträng
nesterov Aktivera nesterov när optimeraren är "sgd". sträng
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. sträng
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. sträng
Optimizer Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw". sträng
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. sträng
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
sträng
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. sträng
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. sträng
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. sträng
trainingCropSize Bildgrödstorlek som är indata till det neurala nätverket för träningsdatauppsättningen. Måste vara ett positivt heltal. sträng
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. sträng
validationCropSize Bildgrödstorlek som är indata till det neurala nätverket för valideringsdatauppsättningen. Måste vara ett positivt heltal. sträng
validationResizeSize Bildstorlek som du vill ändra storlek på innan du beskär för valideringsdatauppsättningen. Måste vara ett positivt heltal. sträng
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. sträng
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. sträng
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. sträng
weightedLoss Viktad förlust. De godkända värdena är 0 för ingen viktad förlust.
1 för viktad förlust med kvrt. (class_weights). 2 för viktad förlust med class_weights. Måste vara 0, 1 eller 2.
sträng

ImageSweepSettings

Namn Beskrivning Värde
earlyTermination Typ av princip för tidig uppsägning. EarlyTerminationPolicy
Gränser [Krävs] Begränsa inställningarna för modellsanering och hyperparameters svepning. ImageSweepLimitSettings (krävs)
samplingAlgorithm [Krävs] Typ av algoritmer för hyperparametersampling. "Bayesiansk"
"Rutnät"
"Random" (krävs)

EarlyTerminationPolicy

Namn Beskrivning Värde
delayEvaluation Antal intervall som den första utvärderingen ska fördröjas med. Int
evaluationInterval Intervall (antal körningar) mellan principutvärderingar. Int
policyType Ange objekttyp Bandit
MedianStopping
TruncationSelection (krävs)

BanditPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "Bandit" (krävs)
slackAmount Absolut avstånd som tillåts från den bästa körningen. Int
slackFactor Förhållandet mellan det tillåtna avståndet från den bäst presterande körningen. Int

MedianStoppingPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "MedianStopping" (krävs)

TruncationSelectionPolicy

Namn Beskrivning Värde
policyType [Krävs] Namn på principkonfiguration "TruncationSelection" (krävs)
truncationPercentage Procentandelen körningar som ska avbrytas vid varje utvärderingsintervall. Int

ImageSweepLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga iterationer för det underliggande svepjobbet. Int
maxTrials Maximalt antal iterationer för det underliggande svepjobbet. Int

ImageClassificationMultilabel

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageClassificationMultilabel" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsClassification
primaryMetric Primärt mått för att optimera för den här uppgiften. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsClassification[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageInstanceSegmentation

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageInstanceSegmentation" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsObjectDetection
primaryMetric Primärt mått för att optimera för den här uppgiften. "MeanAveragePrecision"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

ImageModelSettingsObjectDetection

Namn Beskrivning Värde
advancedSettings Inställningar för avancerade scenarier. sträng
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". Bool
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. Int
boxDetectionsPerImage Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
boxScoreThreshold Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än
BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
Int
checkpointDatasetId FileDataset-ID för förtränad kontrollpunkter för inkrementell träning.
Se till att passera CheckpointFilename tillsammans med CheckpointDatasetId.
sträng
checkpointFilename Förtränat kontrollpunktsfilnamn i FileDataset för inkrementell träning.
Se till att skicka CheckpointDatasetId tillsammans med CheckpointFilename.
sträng
checkpointFrequency Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. Int
checkpointRunId ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning. sträng
distribuerad Om du vill använda distribuerad träning. Bool
earlyStopping Aktivera tidig stopplogik under träning. Bool
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
Int
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
Int
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. Bool
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. Int
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
Int
imageSize Bildstorlek för träning och validering. Måste vara ett positivt heltal.
Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
Int
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
Int
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. Int
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". "Ingen"
"Steg"
"WarmupCosine"
maxSize Maximal storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
minSize Minsta storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
modelSize Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge".
Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
"ExtraLarge"
"Stor"
"Medel"
"Ingen"
"Liten"
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. Int
multiSkala Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%.
Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
Bool
nesterov Aktivera nesterov när optimeraren är "sgd". Bool
nmsIouThreshold IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara en flottör i intervallet [0, 1]. Int
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. Int
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. Int
Optimizer Typ av optimerare. "Adam"
"Adamw"
"Ingen"
"Sgd"
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. Int
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
Int
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. Int
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. Int
tileGridSize Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara
Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tileOverlapRatio Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
tilePredictionsNmsThreshold Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder.
Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1].
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
Int
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. Int
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. Int
validationIouThreshold Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1]. Int
validationMetricType Beräkningsmetod för mått som ska användas för valideringsmått. "Coco"
"CocoVoc"
"Ingen"
"Voc"
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. Int
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. Int
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. Int

ImageModelDistributionSettingsObjectDetection

Namn Beskrivning Värde
amsGradient Aktivera AMSGrad när optimeraren är "adam" eller "adamw". sträng
Stödsystem Inställningar för att använda förhöjda inställningar. sträng
beta1 Värdet för "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
beta2 Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1]. sträng
boxDetectionsPerImage Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
boxScoreThreshold Under slutsatsdragningen returnerar du endast förslag med en klassificeringspoäng som är större än
BoxScoreThreshold. Måste vara en float i intervallet[0, 1].
sträng
distribuerad Om distributionsträning ska användas. sträng
earlyStopping Aktivera tidig stopplogik under träning. sträng
earlyStoppingDelay Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen
spåras för tidig stoppning. Måste vara ett positivt heltal.
sträng
earlyStoppingPatience Minsta antal epoker eller valideringsutvärderingar utan primär måttförbättring före
-körningen stoppas. Måste vara ett positivt heltal.
sträng
enableOnnxNormalization Aktivera normalisering vid export av ONNX-modell. sträng
evaluationFrequency Frekvens för att utvärdera valideringsdatauppsättningen för att hämta måttpoäng. Måste vara ett positivt heltal. sträng
gradientAccumulationStep Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan
uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder
de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
sträng
imageSize Bildstorlek för träning och validering. Måste vara ett positivt heltal.
Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
layerToFreeze Antal lager som ska frysas för modellen. Måste vara ett positivt heltal.
Att till exempel skicka 2 som värde för "seresnext" innebär
frysskikt0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i
se: /azure/machine-learning/how-to-auto-train-image-models.
sträng
learningRate Inledande inlärningsfrekvens. Måste vara en flottör i intervallet [0, 1]. sträng
learningRateScheduler Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "steg". sträng
maxSize Maximal storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
minSize Minsta storlek på bilden som ska skalas om innan den matas till stamnätet.
Måste vara ett positivt heltal. Obs! Träningskörning kan komma in i CUDA OOM om storleken är för stor.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
modelName Namnet på den modell som ska användas för träning.
Mer information om tillgängliga modeller finns i den officiella dokumentationen:
/azure/machine-learning/how-to-auto-train-image-models.
sträng
modelSize Modellstorlek. Måste vara "liten", "medium", "stor" eller "xlarge".
Obs! Träningskörning kan komma in i CUDA OOM om modellstorleken är för stor.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
rörelsemängd Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1]. sträng
multiSkala Aktivera flera skalningsbilder genom att variera bildstorleken med +/- 50%.
Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne.
Obs! De här inställningarna stöds endast för yolov5-algoritmen.
sträng
nesterov Aktivera nesterov när optimeraren är "sgd". sträng
nmsIouThreshold IOU-tröskelvärde som används vid slutsatsdragning i NMS efter bearbetning. Måste vara flytande i intervallet [0, 1]. sträng
numberOfEpochs Antal träningsepoker. Måste vara ett positivt heltal. sträng
numberOfWorkers Antal datainläsningsarbetare. Måste vara ett icke-negativt heltal. sträng
Optimizer Typ av optimerare. Måste vara antingen "sgd", "adam" eller "adamw". sträng
randomSeed Slumpmässigt frö som ska användas vid användning av deterministisk träning. sträng
splitRatio Om valideringsdata inte har definierats anger detta delningsförhållandet för delning
träna data till slumpmässiga underuppsättningar för träning och validering. Måste vara en flottör i intervallet [0, 1].
sträng
stepLRGamma Värdet för gamma när learning rate scheduler är "step". Måste vara en flottör i intervallet [0, 1]. sträng
stepLRStepSize Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal. sträng
tileGridSize Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara
Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tileOverlapRatio Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
sträng
tilePredictionsNmsThreshold Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder.
Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1].
Obs! De här inställningarna stöds inte för yolov5-algoritmen.
NMS: Icke-maximal undertryckning
sträng
trainingBatchSize Träningsbatchstorlek. Måste vara ett positivt heltal. sträng
validationBatchSize Valideringsbatchstorlek. Måste vara ett positivt heltal. sträng
validationIouThreshold Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1]. sträng
validationMetricType Beräkningsmetod för mått som ska användas för valideringsmått. Måste vara "none", "coco", "voc" eller "coco_voc". sträng
warmupCosineLRCycles Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1]. sträng
warmupCosineLRWarmupEpochs Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal. sträng
weightDecay Värdet för viktförfall när optimeraren är "sgd", "adam" eller "adamw". Måste vara en float i intervallet[0, 1]. sträng

ImageObjectDetection

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "ImageObjectDetection" (krävs)
dataInställningar [Krävs] Insamling av registrerade tabelldatauppsättnings-ID:n och andra datainställningar som krävs för träning och validering av modeller. ImageVerticalDataSettings (krävs)
limitSettings [Krävs] Begränsa inställningarna för AutoML-jobbet. ImageLimitSettings (krävs)
modelSettings Inställningar som används för att träna modellen. ImageModelSettingsObjectDetection
primaryMetric Primärt mått för att optimera för den här uppgiften. "MeanAveragePrecision"
searchSpace Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Sopning av modeller och hyperparametrar som sveper relaterade inställningar. ImageSweepSettings

Regression

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "Regression" (krävs)
allowedModels Tillåtna modeller för regressionsaktivitet. Strängmatris som innehåller något av:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Blockerade modeller för regressionsuppgift. Strängmatris som innehåller något av:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
dataInställningar Dataindata för AutoMLJob. TableVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. TableVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. TableVerticalLimitSettings
primaryMetric Primärt mått för regressionsaktivitet. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
"R2Score"
"SpearmanCorrelation"
trainingSettings Indata för träningsfasen för ett AutoML-jobb. TrainingSettings

Textklassificering

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextKlassificering" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings
primaryMetric Primärt mått för Text-Classification uppgift. "AUCWeighted"
"Noggrannhet"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Namn Beskrivning Värde
targetColumnName [Krävs] Målkolumnnamn: Det här är kolumnen förutsägelsevärden.
Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter.
sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
testData Testa indata. TestDataSettings
trainingData [Krävs] Träningsdataindata. TrainingDataSettings (krävs)
validationData Indata för valideringsdata. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Namn Beskrivning Värde
data Valideringsdata MLTable. MLTableJobInput
validationDataSize Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål.
Värden mellan (0,0 , 1,0)
Används när valideringsdatauppsättningen inte tillhandahålls.
Int

NlpVerticalFeaturizationSettings

Namn Beskrivning Värde
datasetLanguage Datamängdsspråk, användbart för textdata. sträng

NlpVerticalLimitSettings

Namn Beskrivning Värde
maxConcurrentTrials Maximalt antal samtidiga AutoML-iterationer. Int
maxTrials Antal AutoML-iterationer. Int
Timeout Tidsgräns för AutoML-jobb. sträng

TextClassificationMultilabel

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextClassificationMultilabel" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings

Textner

Namn Beskrivning Värde
taskType [Krävs] Aktivitetstyp för AutoMLJob. "TextNER" (krävs)
dataInställningar Dataindata för AutoMLJob. NlpVerticalDataSettings
featurizationSettings Funktionaliseringsindata som behövs för AutoML-jobb. NlpVerticalFeaturizationSettings
limitSettings Körningsbegränsningar för AutoMLJob. NlpVerticalLimitSettings

Kommandojobb

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Kommando" (krävs)
codeId ARM-resurs-ID för kodtillgången. sträng
befallning [Krävs] Kommandot som ska köras vid start av jobbet. T.ex. "python train.py" sträng (krävs)

Begränsningar:
Min längd = 1
Mönster = [a-zA-Z0-9_]
fördelning Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. DistributionKonfiguration
environmentId [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
environmentVariables Miljövariabler som ingår i jobbet. CommandJobEnvironmentVariables
Ingångar Mappning av indatabindningar som används i jobbet. CommandJobInputs
Gränser Gräns för kommandojobb. CommandJobLimits
Utgångar Mappning av utdatabindningar som används i jobbet. CommandJobOutputs
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration

DistributionKonfiguration

Namn Beskrivning Värde
distributionType Ange objekttyp Mpi
PyTorch
TensorFlow (krävs)

Mpi

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "Mpi" (krävs)
processCountPerInstance Antal processer per MPI-nod. Int

PyTorch

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "PyTorch" (krävs)
processCountPerInstance Antal processer per nod. Int

TensorFlow

Namn Beskrivning Värde
distributionType [Krävs] Anger typ av distributionsramverk. "TensorFlow" (krävs)
parameterServerCount Antal parameterserveruppgifter. Int
workerCount Antal arbetare. Om det inte anges kommer instansantalet att vara standard. Int

CommandJobEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng

CommandJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

JobInput

Namn Beskrivning Värde
beskrivning Beskrivning av indata. sträng
jobInputType Ange objekttyp CustomModel
Literal
MLFlowModel
MLTable
TritonModel
UriFile
UriFolder (krävs)

CustomModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "CustomModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

LiteralJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "Literal" (krävs)
värde [Krävs] Literalvärde för indata. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

MLFlowModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "MLFlowModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

TritonModelJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "TritonModel" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

UriFileJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "UriFile" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

UriFolderJobInput

Namn Beskrivning Värde
jobInputType [Krävs] Anger typen av jobb. "UriFolder" (krävs)
läge Inmatningsläge för tillgångsleverans. "Direkt"
"Ladda ned"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Krävs] Indatatillgångs-URI. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

CommandJobLimits

Namn Beskrivning Värde
jobLimitsType [Krävs] JobLimit-typ. "Kommando"
"Svep" (krävs)
Timeout Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder. sträng

CommandJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

PipelineJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Pipeline" (krävs)
Ingångar Indata för pipelinejobbet. PipelineJobInputs
Jobb Jobb konstruerar pipelinejobbet. PipelineJobJobs
Utgångar Utdata för pipelinejobbet PipelineJobOutputs
Inställningar Pipelineinställningar, till exempel ContinueRunOnStepFailure osv.

PipelineJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

PipelineJobJobs

Namn Beskrivning Värde
{anpassad egenskap}

PipelineJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

SweepJob

Namn Beskrivning Värde
jobType [Krävs] Anger typen av jobb. "Svep" (krävs)
earlyTermination Principer för tidig uppsägning gör det möjligt att avbryta dåliga körningar innan de slutförs EarlyTerminationPolicy
Ingångar Mappning av indatabindningar som används i jobbet. SweepJobInputs
Gränser Rensa jobbgräns. SweepJobLimits
objektiv [Krävs] Optimeringsmål. Mål (krävs)
Utgångar Mappning av utdatabindningar som används i jobbet. SweepJobOutputs
samplingAlgorithm [Krävs] Algoritmen för hyperparametersampling SamplingAlgorithm (krävs)
searchSpace [Krävs] En ordlista som innehåller varje parameter och dess distribution. Ordlistenyckeln är namnet på parametern
rättegång [Krävs] Utvärderingskomponentdefinition. TrialComponent (krävs)

SweepJobInputs

Namn Beskrivning Värde
{anpassad egenskap} JobInput

SweepJobLimits

Namn Beskrivning Värde
jobLimitsType [Krävs] JobLimit-typ. "Kommando"
"Svep" (krävs)
maxConcurrentTrials Sopa jobb max samtidiga utvärderingsversioner. Int
maxTotalTrials Sopa jobb max totalt antal utvärderingsversioner. Int
Timeout Den maximala körningstiden i ISO 8601-format, varefter jobbet avbryts. Stöder endast varaktighet med så låg precision som Sekunder. sträng
trialTimeout Rensa timeout-värdet för utvärderingsversionen av jobbet. sträng

Objektiv

Namn Beskrivning Värde
mål [Krävs] Definierar måttmål som stöds för justering av hyperparametrar "Maximera"
"Minimera" (krävs)
primaryMetric [Krävs] Namnet på måttet som ska optimeras. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]

SweepJobOutputs

Namn Beskrivning Värde
{anpassad egenskap} JobOutput

SamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType Ange objekttyp Bayesianska
Grid
Slumpmässig (krävs)

BayesianSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Bayesian" (krävs)

GridSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Rutnät" (krävs)

RandomSamplingAlgorithm

Namn Beskrivning Värde
samplingAlgorithmType [Krävs] Algoritmen som används för att generera hyperparametervärden, tillsammans med konfigurationsegenskaper "Random" (krävs)
regel Den specifika typen av slumpmässig algoritm "Slumpmässigt"
"Sobol"
frö Ett valfritt heltal som ska användas som frö för slumptalsgenerering Int

TrialComponent

Namn Beskrivning Värde
codeId ARM-resurs-ID för kodtillgången. sträng
befallning [Krävs] Kommandot som ska köras vid start av jobbet. T.ex. "python train.py" sträng (krävs)

Begränsningar:
Min längd = 1
Mönster = [a-zA-Z0-9_]
fördelning Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. DistributionKonfiguration
environmentId [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. sträng (krävs)

Begränsningar:
Mönster = [a-zA-Z0-9_]
environmentVariables Miljövariabler som ingår i jobbet. TrialComponentEnvironmentVariables
Resurser Beräkningsresurskonfiguration för jobbet. ResourceConfiguration

TrialComponentEnvironmentVariables

Namn Beskrivning Värde
{anpassad egenskap} sträng