Microsoft.MachineLearningServices-arbetsytor/scheman 2023-08-01-preview
Bicep-resursdefinition
Resurstypen arbetsytor/scheman kan distribueras med åtgärder som mål:
- Resursgrupper – Se resursgruppsdistributionskommandon
En lista över ändrade egenskaper i varje API-version finns i ändringsloggen.
Resursformat
Om du vill skapa en Microsoft.MachineLearningServices/workspaces/schedules-resurs lägger du till följande Bicep i mallen.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objekt
Ange egenskapen actionType för att ange typ av objekt.
För CreateJobanvänder du:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
För CreateMonitoranvänder du:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSettings: {
emailNotificationSettings: {
emails: [
'string'
]
}
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
notificationTypes: [
'string'
]
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
För ImportDataanvänder du:
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {}
}
För InvokeBatchEndpointanvänder du:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
JobBaseProperties-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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
För Kommandoanvänder du:
jobType: 'Command'
autologgerSettings: {
mlflowAutologger: 'string'
}
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
För etiketteringanvänder du:
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
labelingJobMediaProperties: {
mediaType: 'string'
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration: {
mlAssist: 'string'
// For remaining properties, see MLAssistConfiguration objects
}
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()
sourceJobId: 'string'
För Sparkanvänder du:
jobType: 'Spark'
archives: [
'string'
]
args: 'string'
codeId: 'string'
conf: {
{customized property}: 'string'
}
entry: {
sparkJobEntryType: 'string'
// For remaining properties, see SparkJobEntry objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
files: [
'string'
]
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jars: [
'string'
]
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
För Svepanvänder du:
jobType: 'Sweep'
componentConfiguration: {
pipelineSettings: any()
}
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
}
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'
Webhook-objekt
Ange egenskapen webhookType för att ange typ av objekt.
För AzureDevOpsanvänder du:
webhookType: 'AzureDevOps'
Nodobjekt
Ange egenskapen nodesValueType för att ange typ av objekt.
För Allaanvänder du:
nodesValueType: 'All'
JobOutput-objekt
Ange egenskapen jobOutputType för att ange typ av objekt.
För custom_modelanvänder du:
jobOutputType: 'custom_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
För mlflow_modelanvänder du:
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
För mltableanvänder du:
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
För triton_modelanvänder du:
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
För uri_fileanvänder du:
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
För uri_folderanvänder du:
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
AutoMLVertical-objekt
Ange egenskapen taskType för att ange typ av objekt.
För Klassificeringanvänder du:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
För Prognostiseringanvänder du:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
featuresUnknownAtForecastTime: [
'string'
]
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
För ImageClassificationanvänder du:
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
För ImageClassificationMultilabelanvänder du:
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
För ImageInstanceSegmentationanvänder du:
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
För ImageObjectDetectionanvänder du:
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
För Regressionanvänder du:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
fixedParameters: {
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: int
maxBin: int
maxDepth: int
maxLeaves: int
minDataInLeaf: int
minSplitGain: int
modelName: 'string'
nEstimators: int
numLeaves: int
preprocessorName: 'string'
regAlpha: int
regLambda: int
subsample: int
subsampleFreq: int
treeMethod: 'string'
withMean: bool
withStd: bool
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
För TextClassificationanvänder du:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
primaryMetric: 'string'
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
För TextClassificationMultilabelanvänder du:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
För TextNERanvänder du:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
fixedParameters: {
gradientAccumulationSteps: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: int
trainingBatchSize: int
validationBatchSize: int
warmupRatio: int
weightDecay: int
}
limitSettings: {
maxConcurrentTrials: int
maxNodes: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
searchSpace: [
{
gradientAccumulationSteps: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
numberOfEpochs: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
warmupRatio: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
NCrossValidations-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
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
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 Rayanvänder du:
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
För TensorFlowanvänder du:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
JobInput-objekt
Ange egenskapen jobInputType för att ange typ av objekt.
För custom_modelanvänder du:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
För literalanvänder du:
jobInputType: 'literal'
value: 'string'
För mlflow_modelanvänder du:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
För mltableanvänder du:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
För triton_modelanvänder du:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
För uri_fileanvänder du:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
För uri_folderanvänder du:
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
EtiketteringJobMediaProperties-objekt
Ange egenskapen mediaType för att ange typ av objekt.
För Imageanvänder du:
mediaType: 'Image'
annotationType: 'string'
För Textanvänder du:
mediaType: 'Text'
annotationType: 'string'
MLAssistConfiguration-objekt
Ange egenskapen mlAssist för att ange typ av objekt.
För inaktiveradanvänder du:
mlAssist: 'Disabled'
För aktiveradanvänder du:
mlAssist: 'Enabled'
inferencingComputeBinding: 'string'
trainingComputeBinding: 'string'
SparkJobEntry-objekt
Ange egenskapen sparkJobEntryType för att ange typ av objekt.
För SparkJobPythonEntryanvänder du:
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
För SparkJobScalaEntryanvänder du:
sparkJobEntryType: 'SparkJobScalaEntry'
className: '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'
logbase: 'string'
rule: 'string'
seed: int
MonitorComputeConfigurationBase-objekt
Ange egenskapen computeType för att ange typ av objekt.
För ServerlessSparkanvänder du:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
ÖvervakaComputeIdentityBase-objekt
Ange egenskapen computeIdentityType för att ange typ av objekt.
För AmlTokenanvänder du:
computeIdentityType: 'AmlToken'
För ManagedIdentityanvänder du:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
MonitoringSignalBase-objekt
Ange egenskapen signalType för att ange typ av objekt.
För anpassadanvänder du:
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
För DataDriftanvänder du:
signalType: 'DataDrift'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
För DataQualityanvänder du:
signalType: 'DataQuality'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
För FeatureAttributionDriftanvänder du:
signalType: 'FeatureAttributionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
För GenerationSafetyQualityanvänder du:
signalType: 'GenerationSafetyQuality'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
workspaceConnectionId: 'string'
För GenerationTokenStatisticsanvänder du:
signalType: 'GenerationTokenStatistics'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
För ModelPerformanceanvänder du:
signalType: 'ModelPerformance'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
För PredictionDriftanvänder du:
signalType: 'PredictionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objekt
Ange egenskapen inputDataType för att ange typ av objekt.
För fastanvänder du:
inputDataType: 'Fixed'
För rullandeanvänder du:
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
För Staticanvänder du:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
ÖvervakningFeatureFilterBase-objekt
Ange egenskapen filterType för att ange typ av objekt.
För AllFeaturesanvänder du:
filterType: 'AllFeatures'
För FeatureSubsetanvänder du:
filterType: 'FeatureSubset'
features: [
'string'
]
För TopNByAttributionanvänder du:
filterType: 'TopNByAttribution'
top: int
DataDriftMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
dataType: 'Categorical'
metric: 'string'
För numeriskaanvänder du:
dataType: 'Numerical'
metric: 'string'
DataQualityMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
dataType: 'Categorical'
metric: 'string'
För numeriskaanvänder du:
dataType: 'Numerical'
metric: 'string'
ModelPerformanceMetricThresholdBase-objekt
Ange egenskapen modelType för att ange typ av objekt.
För Klassificeringanvänder du:
modelType: 'Classification'
metric: 'string'
För Regressionanvänder du:
modelType: 'Regression'
metric: 'string'
PredictionDriftMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
dataType: 'Categorical'
metric: 'string'
För numeriskaanvänder du:
dataType: 'Numerical'
metric: 'string'
DataImportSource-objekt
Ange egenskapen sourceType för att ange typ av objekt.
För databasanvänder du:
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
För file_systemanvänder du:
sourceType: 'file_system'
path: 'string'
TriggerBase-objekt
Ange egenskapen triggerType för att ange typ av objekt.
För Cronanvänder du:
triggerType: 'Cron'
expression: 'string'
Använd för återkommande:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Egenskapsvärden
arbetsytor/scheman
| 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. | ScheduleProperties (krävs) |
ScheduleProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| handling | [Krävs] Anger åtgärden i schemat | ScheduleActionBase (krävs) |
| beskrivning | Texten för tillgångsbeskrivningen. | sträng |
| displayName | Visningsnamn för schemat. | sträng |
| isEnabled | Är schemat aktiverat? | Bool |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| Taggar | Taggordlista. Taggar kan läggas till, tas bort och uppdateras. | objekt |
| utlösa | [Krävs] Anger utlösarinformationen | TriggerBase (krävs) |
ScheduleActionBase
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | Ange objekttyp |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (krävs) |
JobScheduleAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "CreateJob" (krävs) |
| jobDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. | JobBaseProperties (krävs) |
JobBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| componentId | ARM-resurs-ID för komponentresursen. | sträng |
| 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 |
| notificationSetting | Meddelandeinställning för jobbet | NotificationSetting |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| secretsConfiguration | Konfiguration för hemligheter som ska göras tillgängliga under körning. | JobBaseSecretsConfiguration |
| 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 etikettering Pipeline Spark 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) |
NotificationSetting
| Namn | Beskrivning | Värde |
|---|---|---|
| emailOn | Skicka e-postavisering till användare med angiven meddelandetyp | Strängmatris som innehåller något av: "JobCancelled" "JobCompleted" "JobFailed" |
| e-postmeddelanden | Det här är listan över e-postmottagare som har en begränsning på 499 tecken i total sammanfogning med kommaavgränsare | string[] |
| webhooks | Skicka webhook-återanrop till en tjänst. Nyckeln är ett användarnamn för webhooken. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | Webhook |
Webhook
| Namn | Beskrivning | Värde |
|---|---|---|
| eventType | Skicka återanrop för en angiven meddelandehändelse | sträng |
| webhookType | Ange objekttyp | AzureDevOps (krävs) |
AzureDevOpsWebhook
| Namn | Beskrivning | Värde |
|---|---|---|
| webhookType | [Krävs] Anger vilken typ av tjänst som ska skickas motringning | "AzureDevOps" (krävs) |
ResourceBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
JobBaseSecretsConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | SecretConfiguration |
SecretConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| Uri | Hemlig URI. Exempel-URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
sträng |
| workspaceSecretName | Namnet på hemligheten i nyckelvalvet för arbetsytan. | sträng |
JobBaseServices
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobService |
JobService
| Namn | Beskrivning | Värde |
|---|---|---|
| Slutpunkt | Url för slutpunkt. | sträng |
| jobServiceType | Slutpunktstyp. | sträng |
| Noder | Noder som användaren vill starta tjänsten på. Om Noder inte har angetts eller angetts till null startas tjänsten endast på leader-noden. |
noder |
| hamn | Port för slutpunkt som angetts av användaren. | Int |
| Egenskaper | Ytterligare egenskaper som ska anges på slutpunkten. | JobServiceProperties |
Noder
| Namn | Beskrivning | Värde |
|---|---|---|
| nodesValueType | Ange objekttyp | Alla (krävs) |
Allanoder
| Namn | Beskrivning | Värde |
|---|---|---|
| nodesValueType | [Krävs] Typ av nodvärde | "Alla" (krävs) |
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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
| 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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder (krävs) |
CustomModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "custom_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
Automatisk borttagningInställningar
| Namn | Beskrivning | Värde |
|---|---|---|
| tillstånd | När du ska kontrollera om en tillgång har upphört att gälla | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| värde | Förfallovillkorsvärde. | sträng |
MLFlowModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "mlflow_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
MLTableJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "mltable" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
TritonModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "triton_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
UriFileJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "uri_file" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
UriFolderJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "uri_folder" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
Köinställningar
| Namn | Beskrivning | Värde |
|---|---|---|
| jobTier | Styr beräkningsjobbnivån | "Grundläggande" "Null" "Premium" "Spot" "Standard" |
| prioritering | Styr jobbets prioritet för en beräkning. | Int |
JobResourceConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| dockerArgs | Extra argument att skicka till Docker-körningskommandot. Detta skulle åsidosätta alla parametrar som redan har angetts av systemet, eller i det här avsnittet. Den här parametern stöds endast för Azure ML-beräkningstyper. | sträng |
| instanceCount | Valfritt antal instanser eller noder som används av beräkningsmålet. | Int |
| instanceType | Valfri typ av virtuell dator som stöds av beräkningsmålet. | sträng |
| Platser | Platser där jobbet kan köras. | string[] |
| maxInstanceCount | Valfritt maximalt antal instanser eller noder som ska användas av beräkningsmålet. För användning med elastisk träning stöds för närvarande endast av PyTorch-distributionstyp. |
Int |
| Egenskaper | Ytterligare egenskapsväska. | ResourceConfigurationProperties |
| shmSize | Storleken på docker-containerns delade minnesblock. Detta bör vara i formatet (number)(unit) där talet ska vara större än 0 och enheten kan vara en av b(byte), k(kilobyte), m(megabyte) eller g(gigabyte). | sträng Begränsningar: Mönster = \d+[bBkKmMgG] |
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" |
| targetColumnName | Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter. |
sträng |
| trainingData | [Krävs] Träningsdataindata. | MLTableJobInput (krävs) |
| taskType | Ange objekttyp |
Klassificering Prognostisering ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextKlassificering TextClassificationMultilabel TextNER (krävs) |
MLTableJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| beskrivning | Beskrivning av indata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
Klassificering
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "Klassificering" (krävs) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| positiveLabel | Positiv etikett för beräkning av binära mått. | sträng |
| primaryMetric | Primärt mått för aktiviteten. | "AUCWeighted" "Noggrannhet" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | ClassificationTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
TableVerticalFeaturizationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| blockedTransformers | Dessa transformatorer får inte användas vid funktionalisering. | Strängmatris som innehåller något av: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Datamängdsspråk, användbart för textdata. | sträng |
| 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(). |
TableFixedParameters
| Namn | Beskrivning | Värde |
|---|---|---|
| Booster | Ange ökningstypen, t.ex. gbdt för XGBoost. | sträng |
| boostType | Ange ökningstypen, t.ex. gbdt för LightGBM. | sträng |
| growPolicy | Ange tillväxtprincipen, som styr hur nya noder läggs till i trädet. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | Int |
| maxBin | Ange maximalt antal diskreta lagerplatser för bucketens kontinuerliga funktioner . | Int |
| maxDepth | Ange det maximala djupet för att uttryckligen begränsa träddjupet. | Int |
| maxLeaves | Ange de maximala bladen för att uttryckligen begränsa trädbladen. | Int |
| minDataInLeaf | Det minsta antalet data per löv. | Int |
| minSplitGain | Minsta förlustminskning krävs för att göra ytterligare en partition på en lövnod i trädet. | Int |
| modelName | Namnet på den modell som ska tränas. | sträng |
| nEstimatorer | Ange antalet träd (eller rundor) i en modell. | Int |
| numLeaves | Ange antalet löv. | Int |
| preprocessorName | Namnet på den förprocessor som ska användas. | sträng |
| regAlpha | L1-regulariseringsterm på vikter. | Int |
| regLambda | L2-regulariseringsterm på vikter. | Int |
| Delprov | Delsamplingsförhållande för träningsinstansen. | Int |
| subsampleFreq | Frekvens för delexempel. | Int |
| treeMethod | Ange trädmetoden. | sträng |
| withMean | Om sant, centrera innan du skalar data med StandardScalar. | Bool |
| withStd | Om det är sant skalar du data med enhetsavvikelse med StandardScalar. | Bool |
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 |
| maxNodes | Maximalt antal noder att använda för experimentet. | Int |
| maxTrials | Antal iterationer. | Int |
| sweepConcurrentTrials | Antal samtidiga svepande körningar som användaren vill utlösa. | Int |
| sweepTrials | Antal svepande körningar som användaren vill utlösa. | Int |
| Timeout | Tidsgräns för AutoML-jobb. | sträng |
| trialTimeout | Timeout för iteration. | sträng |
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) |
TableParameterSubspace
| Namn | Beskrivning | Värde |
|---|---|---|
| Booster | Ange ökningstypen, t.ex. gbdt för XGBoost. | sträng |
| boostType | Ange ökningstypen, t.ex. gbdt för LightGBM. | sträng |
| growPolicy | Ange tillväxtprincipen, som styr hur nya noder läggs till i trädet. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | sträng |
| maxBin | Ange maximalt antal diskreta lagerplatser för bucketens kontinuerliga funktioner . | sträng |
| maxDepth | Ange det maximala djupet för att uttryckligen begränsa träddjupet. | sträng |
| maxLeaves | Ange de maximala bladen för att uttryckligen begränsa trädbladen. | sträng |
| minDataInLeaf | Det minsta antalet data per löv. | sträng |
| minSplitGain | Minsta förlustminskning krävs för att göra ytterligare en partition på en lövnod i trädet. | sträng |
| modelName | Namnet på den modell som ska tränas. | sträng |
| nEstimatorer | Ange antalet träd (eller rundor) i en modell. | sträng |
| numLeaves | Ange antalet löv. | sträng |
| preprocessorName | Namnet på den förprocessor som ska användas. | sträng |
| regAlpha | L1-regulariseringsterm på vikter. | sträng |
| regLambda | L2-regulariseringsterm på vikter. | sträng |
| Delprov | Delsamplingsförhållande för träningsinstansen. | sträng |
| subsampleFreq | Frekvens för delexempel | sträng |
| treeMethod | Ange trädmetoden. | sträng |
| withMean | Om sant, centrera innan du skalar data med StandardScalar. | sträng |
| withStd | Om det är sant skalar du data med enhetsavvikelse med StandardScalar. | sträng |
TableSweepSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| earlyTermination | Typ av princip för tidig uppsägning för det svepande jobbet. | EarlyTerminationPolicy |
| samplingAlgorithm | [Krävs] Typ av samplingsalgoritm. | "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 |
ClassificationTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | Tillåtna modeller för klassificeringsaktivitet. | Strängmatris som innehåller något av: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Blockerade modeller för klassificeringsaktivitet. | Strängmatris som innehåller något av: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
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) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| forecastingSettings | Prognostisera aktivitetsspecifika indata. | ForecastingSettings |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| primaryMetric | Primärt mått för prognostiseringsaktivitet. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | ForecastingTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
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 varamed tre dagars mellanrum. |
Int |
| featureLags | Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null. | "Auto" "Ingen" |
| featuresUnknownAtForecastTime | De funktionskolumner som är tillgängliga för träning men som är okända vid tidpunkten för prognos/slutsatsdragning. Om features_unknown_at_forecast_time inte har angetts antas det att alla funktionskolumner i datauppsättningen är kända vid slutsatsdragningen. |
string[] |
| 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) |
ForecastingTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
ImageClassification
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageClassification" (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 |
| validationData | Indata för valideringsdata. | 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 |
| checkpointFrequency | Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. | Int |
| checkpointModel | Den förtränad kontrollpunktsmodellen för inkrementell träning. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| beskrivning | Beskrivning av indata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
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 |
| 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 |
| samplingAlgorithm | [Krävs] Typ av algoritmer för hyperparametersampling. | "Bayesian" Rutnät "Random" (krävs) |
ImageClassificationMultilabel
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageClassificationMultilabel" (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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
ImageInstanceSegmentation
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageInstanceSegmentation" (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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
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 |
| checkpointFrequency | Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. | Int |
| checkpointModel | Den förtränad kontrollpunktsmodellen för inkrementell träning. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | Aktivera träningsmått för databehandling och loggning. | "Inaktivera" "Aktivera" |
| logValidationLoss | Aktivera valideringsförlust för databehandling och loggning. | "Inaktivera" "Aktivera" |
| 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 |
| 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 |
| 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) |
| 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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
Regression
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "Regression" (krävs) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| primaryMetric | Primärt mått för regressionsaktivitet. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | RegressionTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
RegressionTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | Tillåtna modeller för regressionsaktivitet. | Strängmatris som innehåller något av: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Blockerade modeller för regressionsuppgift. | Strängmatris som innehåller något av: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
Textklassificering
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextKlassificering" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primärt mått för Text-Classification uppgift. | "AUCWeighted" "Noggrannhet" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| datasetLanguage | Datamängdsspråk, användbart för textdata. | sträng |
NlpFixedParameters
| Namn | Beskrivning | Värde |
|---|---|---|
| gradientAccumulationSteps | Antal steg för att ackumulera toningar över innan du kör en bakåtpassning. | Int |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | Int |
| learningRateScheduler | Typ av schema för inlärningsfrekvens som ska användas under träningsproceduren. | "Konstant" "ConstantWithWarmup" "Cosiné" "CosineWithRestarts" "Linjär" "Ingen" "Polynom" |
| modelName | Namnet på den modell som ska tränas. | sträng |
| numberOfEpochs | Antal träningsepoker. | Int |
| trainingBatchSize | Batchstorleken för träningsproceduren. | Int |
| validationBatchSize | Batchstorleken som ska användas under utvärderingen. | Int |
| warmupRatio | Uppvärmningsförhållandet, som används tillsammans med LrSchedulerType. | Int |
| weightDecay | Väga förfalla för utbildning tillvägagångssättet. | Int |
NlpVerticalLimitSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| maxConcurrentTrials | Maximalt antal samtidiga AutoML-iterationer. | Int |
| maxNodes | Maximalt antal noder att använda för experimentet. | Int |
| maxTrials | Antal AutoML-iterationer. | Int |
| Timeout | Tidsgräns för AutoML-jobb. | sträng |
| trialTimeout | Tidsgräns för enskilda HD-utvärderingar. | sträng |
NlpParameterSubspace
| Namn | Beskrivning | Värde |
|---|---|---|
| gradientAccumulationSteps | Antal steg för att ackumulera toningar över innan du kör en bakåtpassning. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | sträng |
| learningRateScheduler | Typ av schema för inlärningsfrekvens som ska användas under träningsproceduren. | sträng |
| modelName | Namnet på den modell som ska tränas. | sträng |
| numberOfEpochs | Antal träningsepoker. | sträng |
| trainingBatchSize | Batchstorleken för träningsproceduren. | sträng |
| validationBatchSize | Batchstorleken som ska användas under utvärderingen. | sträng |
| warmupRatio | Uppvärmningsförhållandet, som används tillsammans med LrSchedulerType. | sträng |
| weightDecay | Väga förfalla för utbildning tillvägagångssättet. | sträng |
NlpSweepSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| earlyTermination | Typ av princip för tidig uppsägning för det svepande jobbet. | EarlyTerminationPolicy |
| samplingAlgorithm | [Krävs] Typ av samplingsalgoritm. | "Bayesian" Rutnät "Random" (krävs) |
TextClassificationMultilabel
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextClassificationMultilabel" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
Textner
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextNER" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
Kommandojobb
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Kommando" (krävs) |
| autologgerSettings | Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. | AutologgerInställningar |
| 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, Ray eller null. | DistributionKonfiguration |
| environmentId | [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. | sträng (krävs) Begränsningar: Min längd = 1 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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
AutologgerSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| mlflowAutologger | [Krävs] Anger om mlflow autologger är aktiverat. | "Inaktiverad" "Aktiverad" (krävs) |
DistributionKonfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| distributionType | Ange objekttyp |
Mpi PyTorch Ray 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 |
Stråle
| Namn | Beskrivning | Värde |
|---|---|---|
| distributionType | [Krävs] Anger typ av distributionsramverk. | "Ray" (krävs) |
| adress | Adressen till Ray-huvudnoden. | sträng |
| dashboardPort | Porten som instrumentpanelsservern ska bindas till. | Int |
| headNodeAdditionalArgs | Ytterligare argument skickades till ray start i huvudnoden. | sträng |
| includeDashboard | Ange det här argumentet för att starta Ray-instrumentpanelens GUI. | Bool |
| hamn | Porten för huvudstråleprocessen. | Int |
| workerNodeAdditionalArgs | Ytterligare argument skickades till ray start i arbetsnoden. | sträng |
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 |
custom_model literal mlflow_model mltable triton_model uri_file uri_folder (krävs) |
CustomModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 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: Min längd = 1 Mönster = [a-zA-Z0-9_] |
TritonModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "triton_model" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
UriFileJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "uri_file" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
UriFolderJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 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 |
LabelingJobProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| componentId | ARM-resurs-ID för komponentresursen. | sträng |
| computeId | ARM-resurs-ID för beräkningsresursen. | sträng |
| dataConfiguration | Konfiguration av data som används i jobbet. | LabelingDataConfiguration |
| 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 |
| jobInstructions | Etiketteringsinstruktioner för jobbet. | LabelingJobInstructions |
| jobType | [Krävs] Anger typen av jobb. | "AutoML" "Kommando" "Etikettering" "Pipeline" "Spark" "Svep" (krävs) |
| labelCategories | Etikettkategorier för jobbet. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Medietypsspecifika egenskaper i jobbet. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguration av MLAssist-funktionen i jobbet. | MLAssistConfiguration |
| notificationSetting | Meddelandeinställning för jobbet | NotificationSetting |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| secretsConfiguration | Konfiguration för hemligheter som ska göras tillgängliga under körning. | JobBaseSecretsConfiguration |
| 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 |
LabelingDataConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| dataId | Resurs-ID för datatillgången för att utföra etikettering. | sträng |
| incrementalDataRefresh | Anger om inkrementell datauppdatering ska aktiveras. | "Inaktiverad" "Aktiverad" |
LabelingJobInstructions
| Namn | Beskrivning | Värde |
|---|---|---|
| Uri | Länken till en sida med detaljerade etiketteringsinstruktioner för etiketter. | sträng |
LabelingJobLabelCategories
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelCategory |
LabelCategory
| Namn | Beskrivning | Värde |
|---|---|---|
| klasserna | Ordlista med etikettklasser i den här kategorin. | LabelCategoryClasses |
| displayName | Visningsnamn för etikettkategorin. | sträng |
| multiSelect | Anger om det är tillåtet att välja flera klasser i den här kategorin. | "Inaktiverad" "Aktiverad" |
LabelCategory-klasser
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelClass |
Etikettklass
| Namn | Beskrivning | Värde |
|---|---|---|
| displayName | Etikettklassens visningsnamn. | sträng |
| Underklasser | Ordlista över underklasser för etikettklassen. | LabelClassSubclasses |
LabelClassSub-klasser
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelClass |
EtiketteringJobbMediaEgenskaper
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | Ange objekttyp |
Bild Text (krävs) |
LabelingJobImageProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | [Krävs] Medietyp för jobbet. | "Bild" (krävs) |
| annotationType | Anteckningstyp för bildetiketteringsjobb. | "BoundingBox" "Klassificering" "InstanceSegmentation" |
LabelingJobTextProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | [Krävs] Medietyp för jobbet. | "Text" (krävs) |
| annotationType | Anteckningstyp för textetikettjobb. | "Klassificering" "NamedEntityRecognition" |
MLAssistConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | Ange objekttyp |
inaktiverad Aktiverad (krävs) |
MLAssistConfigurationDisabled
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | [Krävs] Anger om MLAssist-funktionen är aktiverad. | "Inaktiverad" (krävs) |
MLAssistConfigurationEnabled
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | [Krävs] Anger om MLAssist-funktionen är aktiverad. | "Aktiverad" (krävs) |
| inferencingComputeBinding | [Krävs] AML-beräkningsbindning som används i slutsatsdragning. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| trainingComputeBinding | [Krävs] AML-beräkningsbindning som används i träning. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
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(). |
| sourceJobId | ARM-resurs-ID för källjobbet. | sträng |
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 |
SparkJob
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Spark" (krävs) |
| arkiv | Arkivera filer som används i jobbet. | string[] |
| args | Argument för jobbet. | sträng |
| codeId | [Krävs] ARM-resurs-ID för kodtillgången. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| Conf | Spark-konfigurerade egenskaper. | SparkJobConf |
| inträde | [Krävs] Posten som ska köras vid start av jobbet. | SparkJobEntry (krävs) |
| environmentId | ARM-resurs-ID för miljöspecifikationen för jobbet. | sträng |
| environmentVariables | Miljövariabler som ingår i jobbet. | SparkJobEnvironmentVariables |
| filer | Filer som används i jobbet. | string[] |
| Ingångar | Mappning av indatabindningar som används i jobbet. | SparkJobInputs |
| burkar | Jar-filer som används i jobbet. | string[] |
| Utgångar | Mappning av utdatabindningar som används i jobbet. | SparkJobOutputs |
| pyFiles | Python-filer som används i jobbet. | string[] |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | SparkResourceConfiguration |
SparkJobConf
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
SparkJobEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | Ange objekttyp |
SparkJobPythonEntry SparkJobScalaEntry (krävs) |
SparkJobPythonEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | [Krävs] Typ av jobbets startpunkt. | "SparkJobPythonEntry" (krävs) |
| fil | [Krävs] Relativ python-filsökväg för jobbets startpunkt. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | [Krävs] Typ av jobbets startpunkt. | "SparkJobScalaEntry" (krävs) |
| className | [Krävs] Scala-klassnamn som används som startpunkt. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
SparkJobInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
SparkJobOutputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobOutput |
SparkResourceConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| instanceType | Valfri typ av virtuell dator som stöds av beräkningsmålet. | sträng |
| runtimeVersion | Version av spark-körning som används för jobbet. | sträng |
SweepJob
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Svep" (krävs) |
| componentConfiguration | Komponentkonfiguration för att svepa över komponent | ComponentConfiguration |
| 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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
| 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) |
ComponentConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| pipelineSettings | Pipelineinställningar, till exempel ContinueRunOnStepFailure osv. | För Bicep kan du använda funktionen any(). |
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: Min längd = 1 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) |
| logbase | Ett valfritt positivt tal eller e i strängformat som ska användas som bas för loggbaserad slumpmässig sampling | sträng |
| 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: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| environmentVariables | Miljövariabler som ingår i jobbet. | TrialComponentEnvironmentVariables |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
CreateMonitorAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "CreateMonitor" (krävs) |
| monitorDefinition | [Krävs] Definierar övervakaren. | MonitorDefinition (krävs) |
MonitorDefinition
| Namn | Beskrivning | Värde |
|---|---|---|
| alertNotificationSettings | Övervakarens meddelandeinställningar. | MonitorNotificationSettings |
| computeConfiguration | [Krävs] ARM-resurs-ID för beräkningsresursen som övervakningsjobbet ska köras på. | MonitorComputeConfigurationBase (krävs) |
| monitoringTarget | ARM-resurs-ID för antingen den modell eller distribution som den här övervakaren riktar in sig på. | MonitoringTarget |
| Signaler | [Krävs] Signalerna som ska övervakas. | MonitorDefinitionSignals (krävs) |
MonitorNotificationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| emailNotificationSettings | E-postinställningarna för AML-meddelanden. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| e-postmeddelanden | Det här är listan med e-postmottagare som har en begränsning på totalt 499 tecken. | string[] |
MonitorComputeConfigurationBase
| Namn | Beskrivning | Värde |
|---|---|---|
| computeType | Ange objekttyp | ServerlessSpark- (krävs) |
MonitorServerlessSparkCompute
| Namn | Beskrivning | Värde |
|---|---|---|
| computeType | [Krävs] Anger vilken typ av signal som ska övervakas. | "ServerlessSpark" (krävs) |
| computeIdentity | [Krävs] Identitetsschemat som används av spark-jobben som körs på serverlösa Spark. | MonitorComputeIdentityBase (krävs) |
| instanceType | [Krävs] Instanstypen som kör Spark-jobbet. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| runtimeVersion | [Krävs] Spark-körningsversionen. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | Ange objekttyp |
AmlToken ManagedIdentity (krävs) |
AmlTokenComputeIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | [Krävs] Övervaka uppräkning av beräkningsidentitetstyp. | "AmlToken" (krävs) |
ManagedComputeIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | [Krävs] Övervaka uppräkning av beräkningsidentitetstyp. | "ManagedIdentity" (krävs) |
| identitet | Hanterad tjänstidentitet (systemtilldelade och/eller användartilldelade identiteter) | ManagedServiceIdentity |
ManagedServiceIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| typ | Typ av hanterad tjänstidentitet (där både SystemAssigned- och UserAssigned-typer tillåts). | "Ingen" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (krävs) |
| userAssignedIdentities | Uppsättningen användartilldelade identiteter som är associerade med resursen. Ordlistenycklarna userAssignedIdentities är ARM-resurs-ID:er i formuläret: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Ordlistevärdena kan vara tomma objekt ({}) i begäranden. | UserAssignedIdentiteter |
UserAssignedIdentiteter
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | UserAssignedIdentity |
UserAssignedIdentity
Det här objektet innehåller inga egenskaper som ska anges under distributionen. Alla egenskaper är ReadOnly.
MonitoringTarget
| Namn | Beskrivning | Värde |
|---|---|---|
| deploymentId | ARM-resurs-ID:t för den distribution som övervakaren riktar in sig på. | sträng |
| modelId | ARM-resurs-ID:t för någon av de modeller som övervakas. | sträng |
| taskType | [Krävs] Maskininlärningsuppgiftstypen för modellen. | "Klassificering" "QuestionAnswering" "Regression" (krävs) |
MonitorDefinitionSignals
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | MonitoringSignalBase |
MonitoringSignalBase
| Namn | Beskrivning | Värde |
|---|---|---|
| notificationTypes | Det aktuella meddelandeläget för den här signalen. | Strängmatris som innehåller något av: "AmlNotification" "AzureMonitor" |
| Egenskaper | Egenskapsordlista. Egenskaper kan läggas till, men inte tas bort eller ändras. | MonitoringSignalBaseProperties |
| signalType | Ange objekttyp |
Anpassad DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (krävs) |
MonitoringSignalBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
CustomMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Anpassad" (krävs) |
| componentId | [Krävs] ARM-resurs-ID för komponentresursen som används för att beräkna anpassade mått. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| inputAssets | Övervaka tillgångar att ta som indata. Nyckeln är komponentens portnamn för indata, värdet är datatillgången. | CustomMonitoringSignalInputAssets |
| Ingångar | Extra komponentparametrar att ta som indata. Nyckeln är det komponentliterala indataportnamnet, värdet är parametervärdet. | CustomMonitoringSignalInputs |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | CustomMetricThreshold[] (krävs) |
| workspaceConnection | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | MonitoringWorkspaceConnection (krävs) |
CustomMonitoringSignalInputAssets
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | MonitoringInputDataBase |
MonitoringInputDataBase
| Namn | Beskrivning | Värde |
|---|---|---|
| Kolumner | Mappning av kolumnnamn till särskilda användningsområden. | MonitoringInputDataBaseColumns |
| dataContext | Datakällans kontextmetadata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| inputDataType | Ange objekttyp |
fast rullande Statisk (krävs) |
MonitoringInputDataBaseColumns
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
FixedInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Fast" (krävs) |
RollingInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Rullande" (krävs) |
| preprocessingComponentId | ARM-resurs-ID för komponentresursen som används för att förbearbeta data. | sträng |
| windowOffset | [Krävs] Tidsförskjutningen mellan slutet av datafönstret och övervakarens aktuella körningstid. | sträng (krävs) |
| windowSize | [Krävs] Storleken på det avslutande datafönstret. | sträng (krävs) |
StaticInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Statisk" (krävs) |
| preprocessingComponentId | ARM-resurs-ID för komponentresursen som används för att förbearbeta data. | sträng |
| windowEnd | [Krävs] Slutdatumet för datafönstret. | sträng (krävs) |
| windowStart | [Krävs] Startdatumet för datafönstret. | sträng (krävs) |
CustomMonitoringSignalInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
CustomMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Det användardefinierade mått som ska beräknas. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
MonitoringThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| värde | Tröskelvärdet. Om värdet är null är standardinställningen beroende av måtttypen. | Int |
MonitoringWorkspaceConnection
| Namn | Beskrivning | Värde |
|---|---|---|
| environmentVariables | Egenskaperna för en arbetsytetjänstanslutning som ska lagras som miljövariabler i de skickade jobben. Nyckeln är egenskapssökvägen för arbetsytans anslutning, namnet är miljövariabelnyckeln. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Hemligheter | Egenskaperna för en arbetsytetjänstanslutning som ska lagras som hemligheter i de skickade jobben. Nyckeln är egenskapssökvägen för arbetsytans anslutning, namnet är en hemlig nyckel. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
MonitoringWorkspaceConnectionSecrets
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
DataDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "DataDrift" (krävs) |
| dataSegment | Datasegmentet som används för omfång på en delmängd av datapopulationen. | MonitoringDataSegment |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| Funktioner | Funktionsfiltret som identifierar vilken funktion som ska beräkna överdrift. | MonitoringFeatureFilterBase |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | DataDriftMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
MonitoringDataSegment
| Namn | Beskrivning | Värde |
|---|---|---|
| drag | Den funktion som data ska segmenteras på. | sträng |
| värden | Filtrerar endast de angivna värdena för den angivna segmenterade funktionen. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
FeatureImportanceSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| läge | Funktionssättet för beräkning av funktionsvikt. | "Inaktiverad" "Aktiverad" |
| targetColumn | Namnet på målkolumnen i indatatillgången. | sträng |
MonitoringFeatureFilterBase
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | Ange objekttyp |
AllFeatures FeatureSubset TopNByAttribution (krävs) |
Allafeatures
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "AllFeatures" (krävs) |
FeatureSubset
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "FeatureSubset" (krävs) |
| Funktioner | [Krävs] Listan över funktioner som ska inkluderas. | string[] (krävs) |
TopNFeaturesByAttribution
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "TopNByAttribution" (krävs) |
| topp | Antalet viktigaste funktioner som ska inkluderas. | Int |
DataDriftMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalDataDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska dataavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (krävs) |
NumeriskaDataDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numeriskt" (krävs) |
| metrisk | [Krävs] Det numeriska dataavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (krävs) |
DataQualityMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "DataQuality" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| Funktioner | Funktionerna för att beräkna drift över. | MonitoringFeatureFilterBase |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | DataQualityMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som produceras av produktionstjänsten som driften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
DataQualityMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalDataQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska datakvalitetsmåttet som ska beräknas. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (krävs) |
NumeriskadataQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numeriskt" (krävs) |
| metrisk | [Krävs] Det numeriska datakvalitetsmåttet som ska beräknas. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (krävs) |
FeatureAttributionDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "FeatureAttributionDrift" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| metricThreshold | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | FeatureAttributionMetricThreshold (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase[] (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
FeatureAttributionMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Måttet för funktionstillskrivning som ska beräknas. | "NormalizedDiscountedCumulativeGain" (krävs) |
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "GenerationSafetyQuality" (krävs) |
| metricThresholds | [Krävs] Hämtar eller anger de mått som ska beräknas och motsvarande tröskelvärden. | GenerationSafetyQualityMetricThreshold[] (krävs) |
| productionData | Hämtar eller anger produktionsdata för databehandlingsmått. | MonitoringInputDataBase[] |
| samplingRate | [Krävs] Exempelfrekvensen för produktionsdata bör vara större än 0 och högst 1. | int (krävs) |
| workspaceConnectionId | Hämtar eller anger det anslutnings-ID för arbetsytan som används för att ansluta till innehållsgenereringens slutpunkt. | sträng |
GenerationSafetyQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Hämtar eller anger funktionstilldelningsmåttet som ska beräknas. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (krävs) |
| tröskel | Hämtar eller anger tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "GenerationTokenStatistics" (krävs) |
| metricThresholds | [Krävs] Hämtar eller anger de mått som ska beräknas och motsvarande tröskelvärden. | GenerationTokenUsageMetricThreshold[] (krävs) |
| productionData | Hämtar eller anger produktionsdata för databehandlingsmått. | MonitoringInputDataBase[] |
| samplingRate | [Krävs] Exempelfrekvensen för produktionsdata bör vara större än 0 och högst 1. | int (krävs) |
GenerationTokenUsageMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Hämtar eller anger funktionstilldelningsmåttet som ska beräknas. | "TotalTokenCount" "TotalTokenCountPerGroup" (krävs) |
| tröskel | Hämtar eller anger tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. |
MonitoringThreshold |
ModelPerformanceSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "ModelPerformance" (krävs) |
| dataSegment | Datasegmentet. | MonitoringDataSegment |
| metricThreshold | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | ModelPerformanceMetricThresholdBase (krävs) |
| productionData | [Krävs] De data som produceras av produktionstjänsten som prestanda beräknas för. | MonitoringInputDataBase[] (krävs) |
| referenceData | [Krävs] Referensdata som används som grund för att beräkna modellprestanda. | MonitoringInputDataBase (krävs) |
ModelPerformanceMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| modelType | Ange objekttyp |
Klassificering Regression (krävs) |
ClassificationModelPerformanceMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| modelType | [Krävs] Anger datatypen för måtttröskeln. | "Klassificering" (krävs) |
| metrisk | [Krävs] Prestanda för klassificeringsmodellen som ska beräknas. | "Noggrannhet" "Precision" "Recall" (krävs) |
RegressionModelPerformanceMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| modelType | [Krävs] Anger datatypen för måtttröskeln. | "Regression" (krävs) |
| metrisk | [Krävs] Prestandamåttet för regressionsmodellen som ska beräknas. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (krävs) |
PredictionDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "PredictionDrift" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | PredictionDriftMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
PredictionDriftMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalPredictionDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska förutsägelseavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (krävs) |
NumerisktPredictionDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numeriskt" (krävs) |
| metrisk | [Krävs] Det numeriska förutsägelseavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (krävs) |
ImportDataAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "ImportData" (krävs) |
| dataImportDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. | DataImportera (krävs) |
DataImportera
| Namn | Beskrivning | Värde |
|---|---|---|
| assetName | Namnet på tillgången för dataimportjobb som ska skapas | sträng |
| autoDeleteSetting | Anger livscykelinställningen för den hanterade datatillgången. | Automatisk borttagningInställningar |
| Datatyp | [Krävs] Anger typen av data. | "mltable" "uri_file" "uri_folder" (krävs) |
| dataUri | [Krävs] Uri för data. Exempel: https://go.microsoft.com/fwlink/?linkid=2202330 |
sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| beskrivning | Texten för tillgångsbeskrivningen. | sträng |
| intellectualProperty | Information om immateriella rättigheter. Används om data är en immateriell egendom. | IntellectualProperty |
| isAnonymous | Om namnversionen är systemgenererad (anonym registrering). För typer där scenen definieras används den för att fylla i IsAnonymous när scenen anges | Bool |
| isArchived | Arkiveras tillgången? För typer där fasen definieras används den för att fylla i IsArchived när scenen tillhandahålls | Bool |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| källa | Källdata för den tillgång som ska importeras från | DataImportSource |
| etapp | Steg i datalivscykeln som tilldelats den här datatillgången | sträng |
| Taggar | Taggordlista. Taggar kan läggas till, tas bort och uppdateras. | objekt |
IntellectualProperty
| Namn | Beskrivning | Värde |
|---|---|---|
| protectionLevel | Skyddsnivå för den immateriella egendomen. | "Alla" "Ingen" |
| förläggare | [Krävs] Utgivare av den immateriella egendomen. Måste vara samma som registerutgivarens namn. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
DataImportSource
| Namn | Beskrivning | Värde |
|---|---|---|
| samband | Anslutning till arbetsyta för lagring av dataimportkälla | sträng |
| sourceType | Ange objekttyp |
databas file_system (krävs) |
DatabaseSource
| Namn | Beskrivning | Värde |
|---|---|---|
| sourceType | [Krävs] Anger typen av data. | "databas" (krävs) |
| fråga | SQL Query-instruktion för dataimportdatabaskälla | sträng |
| storedProcedure | SQL StoredProcedure på dataimportdatabaskälla | sträng |
| storedProcedureParams | SQL StoredProcedure-parametrar | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Namnet på tabellen i dataimportdatabaskällan | sträng |
DatabaseSourceStoredProcedureParamsItem
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
FileSystemSource
| Namn | Beskrivning | Värde |
|---|---|---|
| sourceType | [Krävs] Anger typen av data. | "file_system" (krävs) |
| stig | Sökväg för dataimportens FileSystem-källa | sträng |
EndpointScheduleAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "InvokeBatchEndpoint" (krävs) |
| endpointInvocationDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. {se href="TBD" /} |
För Bicep kan du använda funktionen any(). (krävs) |
TriggerBase
| Namn | Beskrivning | Värde |
|---|---|---|
| endTime | Anger sluttid för schemat i ISO 8601, men utan UTC-förskjutning. Se https://en.wikipedia.org/wiki/ISO_8601.Omkommenterat format skulle vara "2022-06-01T00:00:01" Om det inte finns körs schemat på obestämd tid |
sträng |
| startTime | Anger starttid för schemat i ISO 8601-format, men utan UTC-förskjutning. | sträng |
| timeZone | Anger tidszon där schemat körs. Tidszon bör följa Windows tidszonsformat. Se: /windows-hardware/manufacture/desktop/default-time-zones/> |
sträng |
| triggerType | Ange objekttyp |
Cron återkommande (krävs) |
CronTrigger
| Namn | Beskrivning | Värde |
|---|---|---|
| triggerType | [Krävs] | "Cron" (krävs) |
| uttryck | [Krävs] Anger cron-uttryck för schema. Uttrycket bör följa formatet NCronTab. |
sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
RecurrenceTrigger
| Namn | Beskrivning | Värde |
|---|---|---|
| endTime | Anger sluttid för schemat i ISO 8601, men utan UTC-förskjutning. Se https://en.wikipedia.org/wiki/ISO_8601.Omkommenterat format skulle vara "2022-06-01T00:00:01" Om det inte finns körs schemat på obestämd tid |
sträng |
| frekvens | [Krävs] Frekvensen för att utlösa schemat. | "Dag" "Timme" "Minut" "Månad" "Vecka" (krävs) |
| intervall | [Krävs] Anger schemaintervall tillsammans med frekvens | int (krävs) |
| schema | Upprepningsschemat. | RecurrenceSchedule |
| startTime | Anger starttid för schemat i ISO 8601-format, men utan UTC-förskjutning. | sträng |
| timeZone | Anger tidszon där schemat körs. Tidszon bör följa Windows tidszonsformat. Se: /windows-hardware/manufacture/desktop/default-time-zones |
sträng |
| triggerType | [Krävs] | "Cron" "Upprepning" (krävs) |
RecurrenceSchedule
| Namn | Beskrivning | Värde |
|---|---|---|
| Timmar | [Krävs] Lista över timmar för schemat. | int[] (krävs) |
| protokoll | [Krävs] Lista över minuter för schemat. | int[] (krävs) |
| monthDays | Lista över månadsdagar för schemat | int[] |
| Vardagar | Lista över dagar för schemat. | Strängmatris som innehåller något av: "Fredag" "Måndag" "Lördag" "Söndag" "Torsdag" "Tisdag" "Onsdag" |
Resursdefinition för ARM-mall
Resurstypen arbetsytor/scheman kan distribueras med åtgärder som mål:
- Resursgrupper – Se resursgruppsdistributionskommandon
En lista över ändrade egenskaper i varje API-version finns i ändringsloggen.
Resursformat
Om du vill skapa en Microsoft.MachineLearningServices/workspaces/schedules-resurs lägger du till följande JSON i mallen.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-08-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objekt
Ange egenskapen actionType för att ange typ av objekt.
För CreateJobanvänder du:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
}
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
För CreateMonitoranvänder du:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSettings": {
"emailNotificationSettings": {
"emails": [ "string" ]
}
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"notificationTypes": [ "string" ],
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
För ImportDataanvänder du:
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {}
}
För InvokeBatchEndpointanvänder du:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
JobBaseProperties-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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
För Kommandoanvänder du:
"jobType": "Command",
"autologgerSettings": {
"mlflowAutologger": "string"
},
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
För etiketteringanvänder du:
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"labelingJobMediaProperties": {
"mediaType": "string"
// For remaining properties, see LabelingJobMediaProperties objects
},
"mlAssistConfiguration": {
"mlAssist": "string"
// For remaining properties, see MLAssistConfiguration objects
}
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": {},
"sourceJobId": "string"
För Sparkanvänder du:
"jobType": "Spark",
"archives": [ "string" ],
"args": "string",
"codeId": "string",
"conf": {
"{customized property}": "string"
},
"entry": {
"sparkJobEntryType": "string"
// For remaining properties, see SparkJobEntry objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"files": [ "string" ],
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jars": [ "string" ],
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
För Svepanvänder du:
"jobType": "Sweep",
"componentConfiguration": {
"pipelineSettings": {}
},
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
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"
Webhook-objekt
Ange egenskapen webhookType för att ange typ av objekt.
För AzureDevOpsanvänder du:
"webhookType": "AzureDevOps"
Nodobjekt
Ange egenskapen nodesValueType för att ange typ av objekt.
För Allaanvänder du:
"nodesValueType": "All"
JobOutput-objekt
Ange egenskapen jobOutputType för att ange typ av objekt.
För custom_modelanvänder du:
"jobOutputType": "custom_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
För mlflow_modelanvänder du:
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
För mltableanvänder du:
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
För triton_modelanvänder du:
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
För uri_fileanvänder du:
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
För uri_folderanvänder du:
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
AutoMLVertical-objekt
Ange egenskapen taskType för att ange typ av objekt.
För Klassificeringanvänder du:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
För Prognostiseringanvänder du:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"featuresUnknownAtForecastTime": [ "string" ],
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
För ImageClassificationanvänder du:
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
För ImageClassificationMultilabelanvänder du:
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
För ImageInstanceSegmentationanvänder du:
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
För ImageObjectDetectionanvänder du:
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
För Regressionanvänder du:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"fixedParameters": {
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "int",
"maxBin": "int",
"maxDepth": "int",
"maxLeaves": "int",
"minDataInLeaf": "int",
"minSplitGain": "int",
"modelName": "string",
"nEstimators": "int",
"numLeaves": "int",
"preprocessorName": "string",
"regAlpha": "int",
"regLambda": "int",
"subsample": "int",
"subsampleFreq": "int",
"treeMethod": "string",
"withMean": "bool",
"withStd": "bool"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
För TextClassificationanvänder du:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"primaryMetric": "string",
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
För TextClassificationMultilabelanvänder du:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
För TextNERanvänder du:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"fixedParameters": {
"gradientAccumulationSteps": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"warmupRatio": "int",
"weightDecay": "int"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxNodes": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"searchSpace": [
{
"gradientAccumulationSteps": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"numberOfEpochs": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"warmupRatio": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
NCrossValidations-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"
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"
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 Rayanvänder du:
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
För TensorFlowanvänder du:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
JobInput-objekt
Ange egenskapen jobInputType för att ange typ av objekt.
För custom_modelanvänder du:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
För literalanvänder du:
"jobInputType": "literal",
"value": "string"
För mlflow_modelanvänder du:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
För mltableanvänder du:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
För triton_modelanvänder du:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
För uri_fileanvänder du:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
För uri_folderanvänder du:
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
EtiketteringJobMediaProperties-objekt
Ange egenskapen mediaType för att ange typ av objekt.
För Imageanvänder du:
"mediaType": "Image",
"annotationType": "string"
För Textanvänder du:
"mediaType": "Text",
"annotationType": "string"
MLAssistConfiguration-objekt
Ange egenskapen mlAssist för att ange typ av objekt.
För inaktiveradanvänder du:
"mlAssist": "Disabled"
För aktiveradanvänder du:
"mlAssist": "Enabled",
"inferencingComputeBinding": "string",
"trainingComputeBinding": "string"
SparkJobEntry-objekt
Ange egenskapen sparkJobEntryType för att ange typ av objekt.
För SparkJobPythonEntryanvänder du:
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
För SparkJobScalaEntryanvänder du:
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "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",
"logbase": "string",
"rule": "string",
"seed": "int"
MonitorComputeConfigurationBase-objekt
Ange egenskapen computeType för att ange typ av objekt.
För ServerlessSparkanvänder du:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
ÖvervakaComputeIdentityBase-objekt
Ange egenskapen computeIdentityType för att ange typ av objekt.
För AmlTokenanvänder du:
"computeIdentityType": "AmlToken"
För ManagedIdentityanvänder du:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
MonitoringSignalBase-objekt
Ange egenskapen signalType för att ange typ av objekt.
För anpassadanvänder du:
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
För DataDriftanvänder du:
"signalType": "DataDrift",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För DataQualityanvänder du:
"signalType": "DataQuality",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För FeatureAttributionDriftanvänder du:
"signalType": "FeatureAttributionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För GenerationSafetyQualityanvänder du:
"signalType": "GenerationSafetyQuality",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int",
"workspaceConnectionId": "string"
För GenerationTokenStatisticsanvänder du:
"signalType": "GenerationTokenStatistics",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int"
För ModelPerformanceanvänder du:
"signalType": "ModelPerformance",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För PredictionDriftanvänder du:
"signalType": "PredictionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objekt
Ange egenskapen inputDataType för att ange typ av objekt.
För fastanvänder du:
"inputDataType": "Fixed"
För rullandeanvänder du:
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
För Staticanvänder du:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
ÖvervakningFeatureFilterBase-objekt
Ange egenskapen filterType för att ange typ av objekt.
För AllFeaturesanvänder du:
"filterType": "AllFeatures"
För FeatureSubsetanvänder du:
"filterType": "FeatureSubset",
"features": [ "string" ]
För TopNByAttributionanvänder du:
"filterType": "TopNByAttribution",
"top": "int"
DataDriftMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
"dataType": "Categorical",
"metric": "string"
För numeriskaanvänder du:
"dataType": "Numerical",
"metric": "string"
DataQualityMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
"dataType": "Categorical",
"metric": "string"
För numeriskaanvänder du:
"dataType": "Numerical",
"metric": "string"
ModelPerformanceMetricThresholdBase-objekt
Ange egenskapen modelType för att ange typ av objekt.
För Klassificeringanvänder du:
"modelType": "Classification",
"metric": "string"
För Regressionanvänder du:
"modelType": "Regression",
"metric": "string"
PredictionDriftMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
"dataType": "Categorical",
"metric": "string"
För numeriskaanvänder du:
"dataType": "Numerical",
"metric": "string"
DataImportSource-objekt
Ange egenskapen sourceType för att ange typ av objekt.
För databasanvänder du:
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
För file_systemanvänder du:
"sourceType": "file_system",
"path": "string"
TriggerBase-objekt
Ange egenskapen triggerType för att ange typ av objekt.
För Cronanvänder du:
"triggerType": "Cron",
"expression": "string"
Använd för återkommande:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Egenskapsvärden
arbetsytor/scheman
| Namn | Beskrivning | Värde |
|---|---|---|
| typ | Resurstypen | "Microsoft.MachineLearningServices/workspaces/schedules" |
| apiVersion | Resurs-API-versionen | "2023-08-01-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. | ScheduleProperties (krävs) |
ScheduleProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| handling | [Krävs] Anger åtgärden i schemat | ScheduleActionBase (krävs) |
| beskrivning | Texten för tillgångsbeskrivningen. | sträng |
| displayName | Visningsnamn för schemat. | sträng |
| isEnabled | Är schemat aktiverat? | Bool |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| Taggar | Taggordlista. Taggar kan läggas till, tas bort och uppdateras. | objekt |
| utlösa | [Krävs] Anger utlösarinformationen | TriggerBase (krävs) |
ScheduleActionBase
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | Ange objekttyp |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (krävs) |
JobScheduleAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "CreateJob" (krävs) |
| jobDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. | JobBaseProperties (krävs) |
JobBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| componentId | ARM-resurs-ID för komponentresursen. | sträng |
| 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 |
| notificationSetting | Meddelandeinställning för jobbet | NotificationSetting |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| secretsConfiguration | Konfiguration för hemligheter som ska göras tillgängliga under körning. | JobBaseSecretsConfiguration |
| 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 etikettering Pipeline Spark 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) |
NotificationSetting
| Namn | Beskrivning | Värde |
|---|---|---|
| emailOn | Skicka e-postavisering till användare med angiven meddelandetyp | Strängmatris som innehåller något av: "JobCancelled" "JobCompleted" "JobFailed" |
| e-postmeddelanden | Det här är listan över e-postmottagare som har en begränsning på 499 tecken i total sammanfogning med kommaavgränsare | string[] |
| webhooks | Skicka webhook-återanrop till en tjänst. Nyckeln är ett användarnamn för webhooken. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | Webhook |
Webhook
| Namn | Beskrivning | Värde |
|---|---|---|
| eventType | Skicka återanrop för en angiven meddelandehändelse | sträng |
| webhookType | Ange objekttyp | AzureDevOps (krävs) |
AzureDevOpsWebhook
| Namn | Beskrivning | Värde |
|---|---|---|
| webhookType | [Krävs] Anger vilken typ av tjänst som ska skickas motringning | "AzureDevOps" (krävs) |
ResourceBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
JobBaseSecretsConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | SecretConfiguration |
SecretConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| Uri | Hemlig URI. Exempel-URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
sträng |
| workspaceSecretName | Namnet på hemligheten i nyckelvalvet för arbetsytan. | sträng |
JobBaseServices
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobService |
JobService
| Namn | Beskrivning | Värde |
|---|---|---|
| Slutpunkt | Url för slutpunkt. | sträng |
| jobServiceType | Slutpunktstyp. | sträng |
| Noder | Noder som användaren vill starta tjänsten på. Om Noder inte har angetts eller angetts till null startas tjänsten endast på leader-noden. |
noder |
| hamn | Port för slutpunkt som angetts av användaren. | Int |
| Egenskaper | Ytterligare egenskaper som ska anges på slutpunkten. | JobServiceProperties |
Noder
| Namn | Beskrivning | Värde |
|---|---|---|
| nodesValueType | Ange objekttyp | Alla (krävs) |
Allanoder
| Namn | Beskrivning | Värde |
|---|---|---|
| nodesValueType | [Krävs] Typ av nodvärde | "Alla" (krävs) |
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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
| 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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder (krävs) |
CustomModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "custom_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
Automatisk borttagningInställningar
| Namn | Beskrivning | Värde |
|---|---|---|
| tillstånd | När du ska kontrollera om en tillgång har upphört att gälla | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| värde | Förfallovillkorsvärde. | sträng |
MLFlowModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "mlflow_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
MLTableJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "mltable" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
TritonModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "triton_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
UriFileJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "uri_file" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
UriFolderJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "uri_folder" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
Köinställningar
| Namn | Beskrivning | Värde |
|---|---|---|
| jobTier | Styr beräkningsjobbnivån | "Grundläggande" "Null" "Premium" "Spot" "Standard" |
| prioritering | Styr jobbets prioritet för en beräkning. | Int |
JobResourceConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| dockerArgs | Extra argument att skicka till Docker-körningskommandot. Detta skulle åsidosätta alla parametrar som redan har angetts av systemet, eller i det här avsnittet. Den här parametern stöds endast för Azure ML-beräkningstyper. | sträng |
| instanceCount | Valfritt antal instanser eller noder som används av beräkningsmålet. | Int |
| instanceType | Valfri typ av virtuell dator som stöds av beräkningsmålet. | sträng |
| Platser | Platser där jobbet kan köras. | string[] |
| maxInstanceCount | Valfritt maximalt antal instanser eller noder som ska användas av beräkningsmålet. För användning med elastisk träning stöds för närvarande endast av PyTorch-distributionstyp. |
Int |
| Egenskaper | Ytterligare egenskapsväska. | ResourceConfigurationProperties |
| shmSize | Storleken på docker-containerns delade minnesblock. Detta bör vara i formatet (number)(unit) där talet ska vara större än 0 och enheten kan vara en av b(byte), k(kilobyte), m(megabyte) eller g(gigabyte). | sträng Begränsningar: Mönster = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} |
AutoMLVertical
| Namn | Beskrivning | Värde |
|---|---|---|
| logVerbosity | Logga verbositet för jobbet. | "Kritisk" "Felsöka" "Fel" "Info" "NotSet" "Varning" |
| targetColumnName | Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter. |
sträng |
| trainingData | [Krävs] Träningsdataindata. | MLTableJobInput (krävs) |
| taskType | Ange objekttyp |
Klassificering Prognostisering ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextKlassificering TextClassificationMultilabel TextNER (krävs) |
MLTableJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| beskrivning | Beskrivning av indata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
Klassificering
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "Klassificering" (krävs) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| positiveLabel | Positiv etikett för beräkning av binära mått. | sträng |
| primaryMetric | Primärt mått för aktiviteten. | "AUCWeighted" "Noggrannhet" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | ClassificationTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
TableVerticalFeaturizationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| blockedTransformers | Dessa transformatorer får inte användas vid funktionalisering. | Strängmatris som innehåller något av: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Datamängdsspråk, användbart för textdata. | sträng |
| 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. |
TableFixedParameters
| Namn | Beskrivning | Värde |
|---|---|---|
| Booster | Ange ökningstypen, t.ex. gbdt för XGBoost. | sträng |
| boostType | Ange ökningstypen, t.ex. gbdt för LightGBM. | sträng |
| growPolicy | Ange tillväxtprincipen, som styr hur nya noder läggs till i trädet. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | Int |
| maxBin | Ange maximalt antal diskreta lagerplatser för bucketens kontinuerliga funktioner . | Int |
| maxDepth | Ange det maximala djupet för att uttryckligen begränsa träddjupet. | Int |
| maxLeaves | Ange de maximala bladen för att uttryckligen begränsa trädbladen. | Int |
| minDataInLeaf | Det minsta antalet data per löv. | Int |
| minSplitGain | Minsta förlustminskning krävs för att göra ytterligare en partition på en lövnod i trädet. | Int |
| modelName | Namnet på den modell som ska tränas. | sträng |
| nEstimatorer | Ange antalet träd (eller rundor) i en modell. | Int |
| numLeaves | Ange antalet löv. | Int |
| preprocessorName | Namnet på den förprocessor som ska användas. | sträng |
| regAlpha | L1-regulariseringsterm på vikter. | Int |
| regLambda | L2-regulariseringsterm på vikter. | Int |
| Delprov | Delsamplingsförhållande för träningsinstansen. | Int |
| subsampleFreq | Frekvens för delexempel. | Int |
| treeMethod | Ange trädmetoden. | sträng |
| withMean | Om sant, centrera innan du skalar data med StandardScalar. | Bool |
| withStd | Om det är sant skalar du data med enhetsavvikelse med StandardScalar. | Bool |
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 |
| maxNodes | Maximalt antal noder att använda för experimentet. | Int |
| maxTrials | Antal iterationer. | Int |
| sweepConcurrentTrials | Antal samtidiga svepande körningar som användaren vill utlösa. | Int |
| sweepTrials | Antal svepande körningar som användaren vill utlösa. | Int |
| Timeout | Tidsgräns för AutoML-jobb. | sträng |
| trialTimeout | Timeout för iteration. | sträng |
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) |
TableParameterSubspace
| Namn | Beskrivning | Värde |
|---|---|---|
| Booster | Ange ökningstypen, t.ex. gbdt för XGBoost. | sträng |
| boostType | Ange ökningstypen, t.ex. gbdt för LightGBM. | sträng |
| growPolicy | Ange tillväxtprincipen, som styr hur nya noder läggs till i trädet. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | sträng |
| maxBin | Ange maximalt antal diskreta lagerplatser för bucketens kontinuerliga funktioner . | sträng |
| maxDepth | Ange det maximala djupet för att uttryckligen begränsa träddjupet. | sträng |
| maxLeaves | Ange de maximala bladen för att uttryckligen begränsa trädbladen. | sträng |
| minDataInLeaf | Det minsta antalet data per löv. | sträng |
| minSplitGain | Minsta förlustminskning krävs för att göra ytterligare en partition på en lövnod i trädet. | sträng |
| modelName | Namnet på den modell som ska tränas. | sträng |
| nEstimatorer | Ange antalet träd (eller rundor) i en modell. | sträng |
| numLeaves | Ange antalet löv. | sträng |
| preprocessorName | Namnet på den förprocessor som ska användas. | sträng |
| regAlpha | L1-regulariseringsterm på vikter. | sträng |
| regLambda | L2-regulariseringsterm på vikter. | sträng |
| Delprov | Delsamplingsförhållande för träningsinstansen. | sträng |
| subsampleFreq | Frekvens för delexempel | sträng |
| treeMethod | Ange trädmetoden. | sträng |
| withMean | Om sant, centrera innan du skalar data med StandardScalar. | sträng |
| withStd | Om det är sant skalar du data med enhetsavvikelse med StandardScalar. | sträng |
TableSweepSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| earlyTermination | Typ av princip för tidig uppsägning för det svepande jobbet. | EarlyTerminationPolicy |
| samplingAlgorithm | [Krävs] Typ av samplingsalgoritm. | "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 |
ClassificationTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | Tillåtna modeller för klassificeringsaktivitet. | Strängmatris som innehåller något av: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Blockerade modeller för klassificeringsaktivitet. | Strängmatris som innehåller något av: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
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) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| forecastingSettings | Prognostisera aktivitetsspecifika indata. | ForecastingSettings |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| primaryMetric | Primärt mått för prognostiseringsaktivitet. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | ForecastingTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
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 varamed tre dagars mellanrum. |
Int |
| featureLags | Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null. | "Auto" "Ingen" |
| featuresUnknownAtForecastTime | De funktionskolumner som är tillgängliga för träning men som är okända vid tidpunkten för prognos/slutsatsdragning. Om features_unknown_at_forecast_time inte har angetts antas det att alla funktionskolumner i datauppsättningen är kända vid slutsatsdragningen. |
string[] |
| 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) |
ForecastingTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
ImageClassification
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageClassification" (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 |
| validationData | Indata för valideringsdata. | 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 |
| checkpointFrequency | Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. | Int |
| checkpointModel | Den förtränad kontrollpunktsmodellen för inkrementell träning. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| beskrivning | Beskrivning av indata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
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 |
| 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 |
| samplingAlgorithm | [Krävs] Typ av algoritmer för hyperparametersampling. | "Bayesian" Rutnät "Random" (krävs) |
ImageClassificationMultilabel
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageClassificationMultilabel" (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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
ImageInstanceSegmentation
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageInstanceSegmentation" (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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
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 |
| checkpointFrequency | Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. | Int |
| checkpointModel | Den förtränad kontrollpunktsmodellen för inkrementell träning. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | Aktivera träningsmått för databehandling och loggning. | "Inaktivera" "Aktivera" |
| logValidationLoss | Aktivera valideringsförlust för databehandling och loggning. | "Inaktivera" "Aktivera" |
| 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 |
| 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 |
| 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) |
| 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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
Regression
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "Regression" (krävs) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| primaryMetric | Primärt mått för regressionsaktivitet. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | RegressionTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
RegressionTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | Tillåtna modeller för regressionsaktivitet. | Strängmatris som innehåller något av: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Blockerade modeller för regressionsuppgift. | Strängmatris som innehåller något av: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
Textklassificering
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextKlassificering" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primärt mått för Text-Classification uppgift. | "AUCWeighted" "Noggrannhet" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| datasetLanguage | Datamängdsspråk, användbart för textdata. | sträng |
NlpFixedParameters
| Namn | Beskrivning | Värde |
|---|---|---|
| gradientAccumulationSteps | Antal steg för att ackumulera toningar över innan du kör en bakåtpassning. | Int |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | Int |
| learningRateScheduler | Typ av schema för inlärningsfrekvens som ska användas under träningsproceduren. | "Konstant" "ConstantWithWarmup" "Cosiné" "CosineWithRestarts" "Linjär" "Ingen" "Polynom" |
| modelName | Namnet på den modell som ska tränas. | sträng |
| numberOfEpochs | Antal träningsepoker. | Int |
| trainingBatchSize | Batchstorleken för träningsproceduren. | Int |
| validationBatchSize | Batchstorleken som ska användas under utvärderingen. | Int |
| warmupRatio | Uppvärmningsförhållandet, som används tillsammans med LrSchedulerType. | Int |
| weightDecay | Väga förfalla för utbildning tillvägagångssättet. | Int |
NlpVerticalLimitSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| maxConcurrentTrials | Maximalt antal samtidiga AutoML-iterationer. | Int |
| maxNodes | Maximalt antal noder att använda för experimentet. | Int |
| maxTrials | Antal AutoML-iterationer. | Int |
| Timeout | Tidsgräns för AutoML-jobb. | sträng |
| trialTimeout | Tidsgräns för enskilda HD-utvärderingar. | sträng |
NlpParameterSubspace
| Namn | Beskrivning | Värde |
|---|---|---|
| gradientAccumulationSteps | Antal steg för att ackumulera toningar över innan du kör en bakåtpassning. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | sträng |
| learningRateScheduler | Typ av schema för inlärningsfrekvens som ska användas under träningsproceduren. | sträng |
| modelName | Namnet på den modell som ska tränas. | sträng |
| numberOfEpochs | Antal träningsepoker. | sträng |
| trainingBatchSize | Batchstorleken för träningsproceduren. | sträng |
| validationBatchSize | Batchstorleken som ska användas under utvärderingen. | sträng |
| warmupRatio | Uppvärmningsförhållandet, som används tillsammans med LrSchedulerType. | sträng |
| weightDecay | Väga förfalla för utbildning tillvägagångssättet. | sträng |
NlpSweepSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| earlyTermination | Typ av princip för tidig uppsägning för det svepande jobbet. | EarlyTerminationPolicy |
| samplingAlgorithm | [Krävs] Typ av samplingsalgoritm. | "Bayesian" Rutnät "Random" (krävs) |
TextClassificationMultilabel
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextClassificationMultilabel" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
Textner
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextNER" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
Kommandojobb
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Kommando" (krävs) |
| autologgerSettings | Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. | AutologgerInställningar |
| 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, Ray eller null. | DistributionKonfiguration |
| environmentId | [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. | sträng (krävs) Begränsningar: Min längd = 1 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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
AutologgerSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| mlflowAutologger | [Krävs] Anger om mlflow autologger är aktiverat. | "Inaktiverad" "Aktiverad" (krävs) |
DistributionKonfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| distributionType | Ange objekttyp |
Mpi PyTorch Ray 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 |
Stråle
| Namn | Beskrivning | Värde |
|---|---|---|
| distributionType | [Krävs] Anger typ av distributionsramverk. | "Ray" (krävs) |
| adress | Adressen till Ray-huvudnoden. | sträng |
| dashboardPort | Porten som instrumentpanelsservern ska bindas till. | Int |
| headNodeAdditionalArgs | Ytterligare argument skickades till ray start i huvudnoden. | sträng |
| includeDashboard | Ange det här argumentet för att starta Ray-instrumentpanelens GUI. | Bool |
| hamn | Porten för huvudstråleprocessen. | Int |
| workerNodeAdditionalArgs | Ytterligare argument skickades till ray start i arbetsnoden. | sträng |
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 |
custom_model literal mlflow_model mltable triton_model uri_file uri_folder (krävs) |
CustomModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 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: Min längd = 1 Mönster = [a-zA-Z0-9_] |
TritonModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "triton_model" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
UriFileJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "uri_file" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
UriFolderJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 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 |
LabelingJobProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| componentId | ARM-resurs-ID för komponentresursen. | sträng |
| computeId | ARM-resurs-ID för beräkningsresursen. | sträng |
| dataConfiguration | Konfiguration av data som används i jobbet. | LabelingDataConfiguration |
| 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 |
| jobInstructions | Etiketteringsinstruktioner för jobbet. | LabelingJobInstructions |
| jobType | [Krävs] Anger typen av jobb. | "AutoML" "Kommando" "Etikettering" "Pipeline" "Spark" "Svep" (krävs) |
| labelCategories | Etikettkategorier för jobbet. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Medietypsspecifika egenskaper i jobbet. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguration av MLAssist-funktionen i jobbet. | MLAssistConfiguration |
| notificationSetting | Meddelandeinställning för jobbet | NotificationSetting |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| secretsConfiguration | Konfiguration för hemligheter som ska göras tillgängliga under körning. | JobBaseSecretsConfiguration |
| 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 |
LabelingDataConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| dataId | Resurs-ID för datatillgången för att utföra etikettering. | sträng |
| incrementalDataRefresh | Anger om inkrementell datauppdatering ska aktiveras. | "Inaktiverad" "Aktiverad" |
LabelingJobInstructions
| Namn | Beskrivning | Värde |
|---|---|---|
| Uri | Länken till en sida med detaljerade etiketteringsinstruktioner för etiketter. | sträng |
LabelingJobLabelCategories
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelCategory |
LabelCategory
| Namn | Beskrivning | Värde |
|---|---|---|
| klasserna | Ordlista med etikettklasser i den här kategorin. | LabelCategoryClasses |
| displayName | Visningsnamn för etikettkategorin. | sträng |
| multiSelect | Anger om det är tillåtet att välja flera klasser i den här kategorin. | "Inaktiverad" "Aktiverad" |
LabelCategory-klasser
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelClass |
Etikettklass
| Namn | Beskrivning | Värde |
|---|---|---|
| displayName | Etikettklassens visningsnamn. | sträng |
| Underklasser | Ordlista över underklasser för etikettklassen. | LabelClassSubclasses |
LabelClassSub-klasser
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelClass |
EtiketteringJobbMediaEgenskaper
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | Ange objekttyp |
Bild Text (krävs) |
LabelingJobImageProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | [Krävs] Medietyp för jobbet. | "Bild" (krävs) |
| annotationType | Anteckningstyp för bildetiketteringsjobb. | "BoundingBox" "Klassificering" "InstanceSegmentation" |
LabelingJobTextProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | [Krävs] Medietyp för jobbet. | "Text" (krävs) |
| annotationType | Anteckningstyp för textetikettjobb. | "Klassificering" "NamedEntityRecognition" |
MLAssistConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | Ange objekttyp |
inaktiverad Aktiverad (krävs) |
MLAssistConfigurationDisabled
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | [Krävs] Anger om MLAssist-funktionen är aktiverad. | "Inaktiverad" (krävs) |
MLAssistConfigurationEnabled
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | [Krävs] Anger om MLAssist-funktionen är aktiverad. | "Aktiverad" (krävs) |
| inferencingComputeBinding | [Krävs] AML-beräkningsbindning som används i slutsatsdragning. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| trainingComputeBinding | [Krävs] AML-beräkningsbindning som används i träning. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
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. | |
| sourceJobId | ARM-resurs-ID för källjobbet. | sträng |
PipelineJobInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
PipelineJobJobs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} |
PipelineJobOutputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobOutput |
SparkJob
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Spark" (krävs) |
| arkiv | Arkivera filer som används i jobbet. | string[] |
| args | Argument för jobbet. | sträng |
| codeId | [Krävs] ARM-resurs-ID för kodtillgången. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| Conf | Spark-konfigurerade egenskaper. | SparkJobConf |
| inträde | [Krävs] Posten som ska köras vid start av jobbet. | SparkJobEntry (krävs) |
| environmentId | ARM-resurs-ID för miljöspecifikationen för jobbet. | sträng |
| environmentVariables | Miljövariabler som ingår i jobbet. | SparkJobEnvironmentVariables |
| filer | Filer som används i jobbet. | string[] |
| Ingångar | Mappning av indatabindningar som används i jobbet. | SparkJobInputs |
| burkar | Jar-filer som används i jobbet. | string[] |
| Utgångar | Mappning av utdatabindningar som används i jobbet. | SparkJobOutputs |
| pyFiles | Python-filer som används i jobbet. | string[] |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | SparkResourceConfiguration |
SparkJobConf
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
SparkJobEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | Ange objekttyp |
SparkJobPythonEntry SparkJobScalaEntry (krävs) |
SparkJobPythonEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | [Krävs] Typ av jobbets startpunkt. | "SparkJobPythonEntry" (krävs) |
| fil | [Krävs] Relativ python-filsökväg för jobbets startpunkt. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | [Krävs] Typ av jobbets startpunkt. | "SparkJobScalaEntry" (krävs) |
| className | [Krävs] Scala-klassnamn som används som startpunkt. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
SparkJobInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
SparkJobOutputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobOutput |
SparkResourceConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| instanceType | Valfri typ av virtuell dator som stöds av beräkningsmålet. | sträng |
| runtimeVersion | Version av spark-körning som används för jobbet. | sträng |
SweepJob
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Svep" (krävs) |
| componentConfiguration | Komponentkonfiguration för att svepa över komponent | ComponentConfiguration |
| 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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
| 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) |
ComponentConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| pipelineSettings | Pipelineinställningar, till exempel ContinueRunOnStepFailure osv. |
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: Min längd = 1 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) |
| logbase | Ett valfritt positivt tal eller e i strängformat som ska användas som bas för loggbaserad slumpmässig sampling | sträng |
| 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: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| environmentVariables | Miljövariabler som ingår i jobbet. | TrialComponentEnvironmentVariables |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
CreateMonitorAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "CreateMonitor" (krävs) |
| monitorDefinition | [Krävs] Definierar övervakaren. | MonitorDefinition (krävs) |
MonitorDefinition
| Namn | Beskrivning | Värde |
|---|---|---|
| alertNotificationSettings | Övervakarens meddelandeinställningar. | MonitorNotificationSettings |
| computeConfiguration | [Krävs] ARM-resurs-ID för beräkningsresursen som övervakningsjobbet ska köras på. | MonitorComputeConfigurationBase (krävs) |
| monitoringTarget | ARM-resurs-ID för antingen den modell eller distribution som den här övervakaren riktar in sig på. | MonitoringTarget |
| Signaler | [Krävs] Signalerna som ska övervakas. | MonitorDefinitionSignals (krävs) |
MonitorNotificationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| emailNotificationSettings | E-postinställningarna för AML-meddelanden. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| e-postmeddelanden | Det här är listan med e-postmottagare som har en begränsning på totalt 499 tecken. | string[] |
MonitorComputeConfigurationBase
| Namn | Beskrivning | Värde |
|---|---|---|
| computeType | Ange objekttyp | ServerlessSpark- (krävs) |
MonitorServerlessSparkCompute
| Namn | Beskrivning | Värde |
|---|---|---|
| computeType | [Krävs] Anger vilken typ av signal som ska övervakas. | "ServerlessSpark" (krävs) |
| computeIdentity | [Krävs] Identitetsschemat som används av spark-jobben som körs på serverlösa Spark. | MonitorComputeIdentityBase (krävs) |
| instanceType | [Krävs] Instanstypen som kör Spark-jobbet. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| runtimeVersion | [Krävs] Spark-körningsversionen. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | Ange objekttyp |
AmlToken ManagedIdentity (krävs) |
AmlTokenComputeIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | [Krävs] Övervaka uppräkning av beräkningsidentitetstyp. | "AmlToken" (krävs) |
ManagedComputeIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | [Krävs] Övervaka uppräkning av beräkningsidentitetstyp. | "ManagedIdentity" (krävs) |
| identitet | Hanterad tjänstidentitet (systemtilldelade och/eller användartilldelade identiteter) | ManagedServiceIdentity |
ManagedServiceIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| typ | Typ av hanterad tjänstidentitet (där både SystemAssigned- och UserAssigned-typer tillåts). | "Ingen" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (krävs) |
| userAssignedIdentities | Uppsättningen användartilldelade identiteter som är associerade med resursen. Ordlistenycklarna userAssignedIdentities är ARM-resurs-ID:er i formuläret: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Ordlistevärdena kan vara tomma objekt ({}) i begäranden. | UserAssignedIdentiteter |
UserAssignedIdentiteter
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | UserAssignedIdentity |
UserAssignedIdentity
Det här objektet innehåller inga egenskaper som ska anges under distributionen. Alla egenskaper är ReadOnly.
MonitoringTarget
| Namn | Beskrivning | Värde |
|---|---|---|
| deploymentId | ARM-resurs-ID:t för den distribution som övervakaren riktar in sig på. | sträng |
| modelId | ARM-resurs-ID:t för någon av de modeller som övervakas. | sträng |
| taskType | [Krävs] Maskininlärningsuppgiftstypen för modellen. | "Klassificering" "QuestionAnswering" "Regression" (krävs) |
MonitorDefinitionSignals
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | MonitoringSignalBase |
MonitoringSignalBase
| Namn | Beskrivning | Värde |
|---|---|---|
| notificationTypes | Det aktuella meddelandeläget för den här signalen. | Strängmatris som innehåller något av: "AmlNotification" "AzureMonitor" |
| Egenskaper | Egenskapsordlista. Egenskaper kan läggas till, men inte tas bort eller ändras. | MonitoringSignalBaseProperties |
| signalType | Ange objekttyp |
Anpassad DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (krävs) |
MonitoringSignalBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
CustomMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Anpassad" (krävs) |
| componentId | [Krävs] ARM-resurs-ID för komponentresursen som används för att beräkna anpassade mått. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| inputAssets | Övervaka tillgångar att ta som indata. Nyckeln är komponentens portnamn för indata, värdet är datatillgången. | CustomMonitoringSignalInputAssets |
| Ingångar | Extra komponentparametrar att ta som indata. Nyckeln är det komponentliterala indataportnamnet, värdet är parametervärdet. | CustomMonitoringSignalInputs |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | CustomMetricThreshold[] (krävs) |
| workspaceConnection | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | MonitoringWorkspaceConnection (krävs) |
CustomMonitoringSignalInputAssets
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | MonitoringInputDataBase |
MonitoringInputDataBase
| Namn | Beskrivning | Värde |
|---|---|---|
| Kolumner | Mappning av kolumnnamn till särskilda användningsområden. | MonitoringInputDataBaseColumns |
| dataContext | Datakällans kontextmetadata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| inputDataType | Ange objekttyp |
fast rullande Statisk (krävs) |
MonitoringInputDataBaseColumns
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
FixedInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Fast" (krävs) |
RollingInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Rullande" (krävs) |
| preprocessingComponentId | ARM-resurs-ID för komponentresursen som används för att förbearbeta data. | sträng |
| windowOffset | [Krävs] Tidsförskjutningen mellan slutet av datafönstret och övervakarens aktuella körningstid. | sträng (krävs) |
| windowSize | [Krävs] Storleken på det avslutande datafönstret. | sträng (krävs) |
StaticInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Statisk" (krävs) |
| preprocessingComponentId | ARM-resurs-ID för komponentresursen som används för att förbearbeta data. | sträng |
| windowEnd | [Krävs] Slutdatumet för datafönstret. | sträng (krävs) |
| windowStart | [Krävs] Startdatumet för datafönstret. | sträng (krävs) |
CustomMonitoringSignalInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
CustomMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Det användardefinierade mått som ska beräknas. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
MonitoringThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| värde | Tröskelvärdet. Om värdet är null är standardinställningen beroende av måtttypen. | Int |
MonitoringWorkspaceConnection
| Namn | Beskrivning | Värde |
|---|---|---|
| environmentVariables | Egenskaperna för en arbetsytetjänstanslutning som ska lagras som miljövariabler i de skickade jobben. Nyckeln är egenskapssökvägen för arbetsytans anslutning, namnet är miljövariabelnyckeln. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Hemligheter | Egenskaperna för en arbetsytetjänstanslutning som ska lagras som hemligheter i de skickade jobben. Nyckeln är egenskapssökvägen för arbetsytans anslutning, namnet är en hemlig nyckel. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
MonitoringWorkspaceConnectionSecrets
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
DataDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "DataDrift" (krävs) |
| dataSegment | Datasegmentet som används för omfång på en delmängd av datapopulationen. | MonitoringDataSegment |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| Funktioner | Funktionsfiltret som identifierar vilken funktion som ska beräkna överdrift. | MonitoringFeatureFilterBase |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | DataDriftMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
MonitoringDataSegment
| Namn | Beskrivning | Värde |
|---|---|---|
| drag | Den funktion som data ska segmenteras på. | sträng |
| värden | Filtrerar endast de angivna värdena för den angivna segmenterade funktionen. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
FeatureImportanceSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| läge | Funktionssättet för beräkning av funktionsvikt. | "Inaktiverad" "Aktiverad" |
| targetColumn | Namnet på målkolumnen i indatatillgången. | sträng |
MonitoringFeatureFilterBase
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | Ange objekttyp |
AllFeatures FeatureSubset TopNByAttribution (krävs) |
Allafeatures
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "AllFeatures" (krävs) |
FeatureSubset
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "FeatureSubset" (krävs) |
| Funktioner | [Krävs] Listan över funktioner som ska inkluderas. | string[] (krävs) |
TopNFeaturesByAttribution
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "TopNByAttribution" (krävs) |
| topp | Antalet viktigaste funktioner som ska inkluderas. | Int |
DataDriftMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalDataDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska dataavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (krävs) |
NumeriskaDataDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numeriskt" (krävs) |
| metrisk | [Krävs] Det numeriska dataavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (krävs) |
DataQualityMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "DataQuality" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| Funktioner | Funktionerna för att beräkna drift över. | MonitoringFeatureFilterBase |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | DataQualityMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som produceras av produktionstjänsten som driften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
DataQualityMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalDataQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska datakvalitetsmåttet som ska beräknas. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (krävs) |
NumeriskadataQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numeriskt" (krävs) |
| metrisk | [Krävs] Det numeriska datakvalitetsmåttet som ska beräknas. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (krävs) |
FeatureAttributionDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "FeatureAttributionDrift" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| metricThreshold | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | FeatureAttributionMetricThreshold (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase[] (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
FeatureAttributionMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Måttet för funktionstillskrivning som ska beräknas. | "NormalizedDiscountedCumulativeGain" (krävs) |
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "GenerationSafetyQuality" (krävs) |
| metricThresholds | [Krävs] Hämtar eller anger de mått som ska beräknas och motsvarande tröskelvärden. | GenerationSafetyQualityMetricThreshold[] (krävs) |
| productionData | Hämtar eller anger produktionsdata för databehandlingsmått. | MonitoringInputDataBase[] |
| samplingRate | [Krävs] Exempelfrekvensen för produktionsdata bör vara större än 0 och högst 1. | int (krävs) |
| workspaceConnectionId | Hämtar eller anger det anslutnings-ID för arbetsytan som används för att ansluta till innehållsgenereringens slutpunkt. | sträng |
GenerationSafetyQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Hämtar eller anger funktionstilldelningsmåttet som ska beräknas. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (krävs) |
| tröskel | Hämtar eller anger tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "GenerationTokenStatistics" (krävs) |
| metricThresholds | [Krävs] Hämtar eller anger de mått som ska beräknas och motsvarande tröskelvärden. | GenerationTokenUsageMetricThreshold[] (krävs) |
| productionData | Hämtar eller anger produktionsdata för databehandlingsmått. | MonitoringInputDataBase[] |
| samplingRate | [Krävs] Exempelfrekvensen för produktionsdata bör vara större än 0 och högst 1. | int (krävs) |
GenerationTokenUsageMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Hämtar eller anger funktionstilldelningsmåttet som ska beräknas. | "TotalTokenCount" "TotalTokenCountPerGroup" (krävs) |
| tröskel | Hämtar eller anger tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. |
MonitoringThreshold |
ModelPerformanceSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "ModelPerformance" (krävs) |
| dataSegment | Datasegmentet. | MonitoringDataSegment |
| metricThreshold | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | ModelPerformanceMetricThresholdBase (krävs) |
| productionData | [Krävs] De data som produceras av produktionstjänsten som prestanda beräknas för. | MonitoringInputDataBase[] (krävs) |
| referenceData | [Krävs] Referensdata som används som grund för att beräkna modellprestanda. | MonitoringInputDataBase (krävs) |
ModelPerformanceMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| modelType | Ange objekttyp |
Klassificering Regression (krävs) |
ClassificationModelPerformanceMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| modelType | [Krävs] Anger datatypen för måtttröskeln. | "Klassificering" (krävs) |
| metrisk | [Krävs] Prestanda för klassificeringsmodellen som ska beräknas. | "Noggrannhet" "Precision" "Recall" (krävs) |
RegressionModelPerformanceMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| modelType | [Krävs] Anger datatypen för måtttröskeln. | "Regression" (krävs) |
| metrisk | [Krävs] Prestandamåttet för regressionsmodellen som ska beräknas. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (krävs) |
PredictionDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "PredictionDrift" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | PredictionDriftMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
PredictionDriftMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalPredictionDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska förutsägelseavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (krävs) |
NumerisktPredictionDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numeriskt" (krävs) |
| metrisk | [Krävs] Det numeriska förutsägelseavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (krävs) |
ImportDataAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "ImportData" (krävs) |
| dataImportDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. | DataImportera (krävs) |
DataImportera
| Namn | Beskrivning | Värde |
|---|---|---|
| assetName | Namnet på tillgången för dataimportjobb som ska skapas | sträng |
| autoDeleteSetting | Anger livscykelinställningen för den hanterade datatillgången. | Automatisk borttagningInställningar |
| Datatyp | [Krävs] Anger typen av data. | "mltable" "uri_file" "uri_folder" (krävs) |
| dataUri | [Krävs] Uri för data. Exempel: https://go.microsoft.com/fwlink/?linkid=2202330 |
sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| beskrivning | Texten för tillgångsbeskrivningen. | sträng |
| intellectualProperty | Information om immateriella rättigheter. Används om data är en immateriell egendom. | IntellectualProperty |
| isAnonymous | Om namnversionen är systemgenererad (anonym registrering). För typer där scenen definieras används den för att fylla i IsAnonymous när scenen anges | Bool |
| isArchived | Arkiveras tillgången? För typer där fasen definieras används den för att fylla i IsArchived när scenen tillhandahålls | Bool |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| källa | Källdata för den tillgång som ska importeras från | DataImportSource |
| etapp | Steg i datalivscykeln som tilldelats den här datatillgången | sträng |
| Taggar | Taggordlista. Taggar kan läggas till, tas bort och uppdateras. | objekt |
IntellectualProperty
| Namn | Beskrivning | Värde |
|---|---|---|
| protectionLevel | Skyddsnivå för den immateriella egendomen. | "Alla" "Ingen" |
| förläggare | [Krävs] Utgivare av den immateriella egendomen. Måste vara samma som registerutgivarens namn. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
DataImportSource
| Namn | Beskrivning | Värde |
|---|---|---|
| samband | Anslutning till arbetsyta för lagring av dataimportkälla | sträng |
| sourceType | Ange objekttyp |
databas file_system (krävs) |
DatabaseSource
| Namn | Beskrivning | Värde |
|---|---|---|
| sourceType | [Krävs] Anger typen av data. | "databas" (krävs) |
| fråga | SQL Query-instruktion för dataimportdatabaskälla | sträng |
| storedProcedure | SQL StoredProcedure på dataimportdatabaskälla | sträng |
| storedProcedureParams | SQL StoredProcedure-parametrar | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Namnet på tabellen i dataimportdatabaskällan | sträng |
DatabaseSourceStoredProcedureParamsItem
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
FileSystemSource
| Namn | Beskrivning | Värde |
|---|---|---|
| sourceType | [Krävs] Anger typen av data. | "file_system" (krävs) |
| stig | Sökväg för dataimportens FileSystem-källa | sträng |
EndpointScheduleAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "InvokeBatchEndpoint" (krävs) |
| endpointInvocationDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. {se href="TBD" /} |
TriggerBase
| Namn | Beskrivning | Värde |
|---|---|---|
| endTime | Anger sluttid för schemat i ISO 8601, men utan UTC-förskjutning. Se https://en.wikipedia.org/wiki/ISO_8601.Omkommenterat format skulle vara "2022-06-01T00:00:01" Om det inte finns körs schemat på obestämd tid |
sträng |
| startTime | Anger starttid för schemat i ISO 8601-format, men utan UTC-förskjutning. | sträng |
| timeZone | Anger tidszon där schemat körs. Tidszon bör följa Windows tidszonsformat. Se: /windows-hardware/manufacture/desktop/default-time-zones/> |
sträng |
| triggerType | Ange objekttyp |
Cron återkommande (krävs) |
CronTrigger
| Namn | Beskrivning | Värde |
|---|---|---|
| triggerType | [Krävs] | "Cron" (krävs) |
| uttryck | [Krävs] Anger cron-uttryck för schema. Uttrycket bör följa formatet NCronTab. |
sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
RecurrenceTrigger
| Namn | Beskrivning | Värde |
|---|---|---|
| endTime | Anger sluttid för schemat i ISO 8601, men utan UTC-förskjutning. Se https://en.wikipedia.org/wiki/ISO_8601.Omkommenterat format skulle vara "2022-06-01T00:00:01" Om det inte finns körs schemat på obestämd tid |
sträng |
| frekvens | [Krävs] Frekvensen för att utlösa schemat. | "Dag" "Timme" "Minut" "Månad" "Vecka" (krävs) |
| intervall | [Krävs] Anger schemaintervall tillsammans med frekvens | int (krävs) |
| schema | Upprepningsschemat. | RecurrenceSchedule |
| startTime | Anger starttid för schemat i ISO 8601-format, men utan UTC-förskjutning. | sträng |
| timeZone | Anger tidszon där schemat körs. Tidszon bör följa Windows tidszonsformat. Se: /windows-hardware/manufacture/desktop/default-time-zones |
sträng |
| triggerType | [Krävs] | "Cron" "Upprepning" (krävs) |
RecurrenceSchedule
| Namn | Beskrivning | Värde |
|---|---|---|
| Timmar | [Krävs] Lista över timmar för schemat. | int[] (krävs) |
| protokoll | [Krävs] Lista över minuter för schemat. | int[] (krävs) |
| monthDays | Lista över månadsdagar för schemat | int[] |
| Vardagar | Lista över dagar för schemat. | Strängmatris som innehåller något av: "Fredag" "Måndag" "Lördag" "Söndag" "Torsdag" "Tisdag" "Onsdag" |
Resursdefinition för Terraform (AzAPI-provider)
Resurstypen arbetsytor/scheman 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/workspaces/schedules-resurs lägger du till följande Terraform i mallen.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
}
tags = {}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
ScheduleActionBase-objekt
Ange egenskapen actionType för att ange typ av objekt.
För CreateJobanvänder du:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
För CreateMonitoranvänder du:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSettings = {
emailNotificationSettings = {
emails = [
"string"
]
}
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
notificationTypes = [
"string"
]
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
För ImportDataanvänder du:
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {}
}
För InvokeBatchEndpointanvänder du:
actionType = "InvokeBatchEndpoint"
JobBaseProperties-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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
För Kommandoanvänder du:
jobType = "Command"
autologgerSettings = {
mlflowAutologger = "string"
}
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
För etiketteringanvänder du:
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
labelingJobMediaProperties = {
mediaType = "string"
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration = {
mlAssist = "string"
// For remaining properties, see MLAssistConfiguration objects
}
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
}
}
sourceJobId = "string"
För Sparkanvänder du:
jobType = "Spark"
archives = [
"string"
]
args = "string"
codeId = "string"
conf = {
{customized property} = "string"
}
entry = {
sparkJobEntryType = "string"
// For remaining properties, see SparkJobEntry objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
files = [
"string"
]
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jars = [
"string"
]
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
För Svepanvänder du:
jobType = "Sweep"
componentConfiguration = {}
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
}
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"
Webhook-objekt
Ange egenskapen webhookType för att ange typ av objekt.
För AzureDevOpsanvänder du:
webhookType = "AzureDevOps"
Nodobjekt
Ange egenskapen nodesValueType för att ange typ av objekt.
För Allaanvänder du:
nodesValueType = "All"
JobOutput-objekt
Ange egenskapen jobOutputType för att ange typ av objekt.
För custom_modelanvänder du:
jobOutputType = "custom_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
För mlflow_modelanvänder du:
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
För mltableanvänder du:
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
För triton_modelanvänder du:
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
För uri_fileanvänder du:
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
För uri_folderanvänder du:
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
AutoMLVertical-objekt
Ange egenskapen taskType för att ange typ av objekt.
För Klassificeringanvänder du:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
För Prognostiseringanvänder du:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
featuresUnknownAtForecastTime = [
"string"
]
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
För ImageClassificationanvänder du:
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
För ImageClassificationMultilabelanvänder du:
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
För ImageInstanceSegmentationanvänder du:
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
För ImageObjectDetectionanvänder du:
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
För Regressionanvänder du:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
fixedParameters = {
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = int
maxBin = int
maxDepth = int
maxLeaves = int
minDataInLeaf = int
minSplitGain = int
modelName = "string"
nEstimators = int
numLeaves = int
preprocessorName = "string"
regAlpha = int
regLambda = int
subsample = int
subsampleFreq = int
treeMethod = "string"
withMean = bool
withStd = bool
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
För TextClassificationanvänder du:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
primaryMetric = "string"
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
För TextClassificationMultilabelanvänder du:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
För TextNERanvänder du:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
fixedParameters = {
gradientAccumulationSteps = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = int
trainingBatchSize = int
validationBatchSize = int
warmupRatio = int
weightDecay = int
}
limitSettings = {
maxConcurrentTrials = int
maxNodes = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
searchSpace = [
{
gradientAccumulationSteps = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
numberOfEpochs = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
warmupRatio = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
NCrossValidations-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
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
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 Rayanvänder du:
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
För TensorFlowanvänder du:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
JobInput-objekt
Ange egenskapen jobInputType för att ange typ av objekt.
För custom_modelanvänder du:
jobInputType = "custom_model"
mode = "string"
uri = "string"
För literalanvänder du:
jobInputType = "literal"
value = "string"
För mlflow_modelanvänder du:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
För mltableanvänder du:
jobInputType = "mltable"
mode = "string"
uri = "string"
För triton_modelanvänder du:
jobInputType = "triton_model"
mode = "string"
uri = "string"
För uri_fileanvänder du:
jobInputType = "uri_file"
mode = "string"
uri = "string"
För uri_folderanvänder du:
jobInputType = "uri_folder"
mode = "string"
uri = "string"
EtiketteringJobMediaProperties-objekt
Ange egenskapen mediaType för att ange typ av objekt.
För Imageanvänder du:
mediaType = "Image"
annotationType = "string"
För Textanvänder du:
mediaType = "Text"
annotationType = "string"
MLAssistConfiguration-objekt
Ange egenskapen mlAssist för att ange typ av objekt.
För inaktiveradanvänder du:
mlAssist = "Disabled"
För aktiveradanvänder du:
mlAssist = "Enabled"
inferencingComputeBinding = "string"
trainingComputeBinding = "string"
SparkJobEntry-objekt
Ange egenskapen sparkJobEntryType för att ange typ av objekt.
För SparkJobPythonEntryanvänder du:
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
För SparkJobScalaEntryanvänder du:
sparkJobEntryType = "SparkJobScalaEntry"
className = "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"
logbase = "string"
rule = "string"
seed = int
MonitorComputeConfigurationBase-objekt
Ange egenskapen computeType för att ange typ av objekt.
För ServerlessSparkanvänder du:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
ÖvervakaComputeIdentityBase-objekt
Ange egenskapen computeIdentityType för att ange typ av objekt.
För AmlTokenanvänder du:
computeIdentityType = "AmlToken"
För ManagedIdentityanvänder du:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
MonitoringSignalBase-objekt
Ange egenskapen signalType för att ange typ av objekt.
För anpassadanvänder du:
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
För DataDriftanvänder du:
signalType = "DataDrift"
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För DataQualityanvänder du:
signalType = "DataQuality"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För FeatureAttributionDriftanvänder du:
signalType = "FeatureAttributionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För GenerationSafetyQualityanvänder du:
signalType = "GenerationSafetyQuality"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
workspaceConnectionId = "string"
För GenerationTokenStatisticsanvänder du:
signalType = "GenerationTokenStatistics"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
För ModelPerformanceanvänder du:
signalType = "ModelPerformance"
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
För PredictionDriftanvänder du:
signalType = "PredictionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objekt
Ange egenskapen inputDataType för att ange typ av objekt.
För fastanvänder du:
inputDataType = "Fixed"
För rullandeanvänder du:
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
För Staticanvänder du:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
ÖvervakningFeatureFilterBase-objekt
Ange egenskapen filterType för att ange typ av objekt.
För AllFeaturesanvänder du:
filterType = "AllFeatures"
För FeatureSubsetanvänder du:
filterType = "FeatureSubset"
features = [
"string"
]
För TopNByAttributionanvänder du:
filterType = "TopNByAttribution"
top = int
DataDriftMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
dataType = "Categorical"
metric = "string"
För numeriskaanvänder du:
dataType = "Numerical"
metric = "string"
DataQualityMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
dataType = "Categorical"
metric = "string"
För numeriskaanvänder du:
dataType = "Numerical"
metric = "string"
ModelPerformanceMetricThresholdBase-objekt
Ange egenskapen modelType för att ange typ av objekt.
För Klassificeringanvänder du:
modelType = "Classification"
metric = "string"
För Regressionanvänder du:
modelType = "Regression"
metric = "string"
PredictionDriftMetricThresholdBase-objekt
Ange egenskapen dataType för att ange typ av objekt.
För kategoriskaanvänder du:
dataType = "Categorical"
metric = "string"
För numeriskaanvänder du:
dataType = "Numerical"
metric = "string"
DataImportSource-objekt
Ange egenskapen sourceType för att ange typ av objekt.
För databasanvänder du:
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
För file_systemanvänder du:
sourceType = "file_system"
path = "string"
TriggerBase-objekt
Ange egenskapen triggerType för att ange typ av objekt.
För Cronanvänder du:
triggerType = "Cron"
expression = "string"
Använd för återkommande:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Egenskapsvärden
arbetsytor/scheman
| Namn | Beskrivning | Värde |
|---|---|---|
| typ | Resurstypen | "Microsoft.MachineLearningServices/workspaces/schedules@2023-08-01-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. | ScheduleProperties (krävs) |
ScheduleProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| handling | [Krävs] Anger åtgärden i schemat | ScheduleActionBase (krävs) |
| beskrivning | Texten för tillgångsbeskrivningen. | sträng |
| displayName | Visningsnamn för schemat. | sträng |
| isEnabled | Är schemat aktiverat? | Bool |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| Taggar | Taggordlista. Taggar kan läggas till, tas bort och uppdateras. | objekt |
| utlösa | [Krävs] Anger utlösarinformationen | TriggerBase (krävs) |
ScheduleActionBase
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | Ange objekttyp |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (krävs) |
JobScheduleAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "CreateJob" (krävs) |
| jobDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. | JobBaseProperties (krävs) |
JobBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| componentId | ARM-resurs-ID för komponentresursen. | sträng |
| 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 |
| notificationSetting | Meddelandeinställning för jobbet | NotificationSetting |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| secretsConfiguration | Konfiguration för hemligheter som ska göras tillgängliga under körning. | JobBaseSecretsConfiguration |
| 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 etikettering Pipeline Spark 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) |
NotificationSetting
| Namn | Beskrivning | Värde |
|---|---|---|
| emailOn | Skicka e-postavisering till användare med angiven meddelandetyp | Strängmatris som innehåller något av: "JobCancelled" "JobCompleted" "JobFailed" |
| e-postmeddelanden | Det här är listan över e-postmottagare som har en begränsning på 499 tecken i total sammanfogning med kommaavgränsare | string[] |
| webhooks | Skicka webhook-återanrop till en tjänst. Nyckeln är ett användarnamn för webhooken. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | Webhook |
Webhook
| Namn | Beskrivning | Värde |
|---|---|---|
| eventType | Skicka återanrop för en angiven meddelandehändelse | sträng |
| webhookType | Ange objekttyp | AzureDevOps (krävs) |
AzureDevOpsWebhook
| Namn | Beskrivning | Värde |
|---|---|---|
| webhookType | [Krävs] Anger vilken typ av tjänst som ska skickas motringning | "AzureDevOps" (krävs) |
ResourceBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
JobBaseSecretsConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | SecretConfiguration |
SecretConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| Uri | Hemlig URI. Exempel-URI: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
sträng |
| workspaceSecretName | Namnet på hemligheten i nyckelvalvet för arbetsytan. | sträng |
JobBaseServices
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobService |
JobService
| Namn | Beskrivning | Värde |
|---|---|---|
| Slutpunkt | Url för slutpunkt. | sträng |
| jobServiceType | Slutpunktstyp. | sträng |
| Noder | Noder som användaren vill starta tjänsten på. Om Noder inte har angetts eller angetts till null startas tjänsten endast på leader-noden. |
noder |
| hamn | Port för slutpunkt som angetts av användaren. | Int |
| Egenskaper | Ytterligare egenskaper som ska anges på slutpunkten. | JobServiceProperties |
Noder
| Namn | Beskrivning | Värde |
|---|---|---|
| nodesValueType | Ange objekttyp | Alla (krävs) |
Allanoder
| Namn | Beskrivning | Värde |
|---|---|---|
| nodesValueType | [Krävs] Typ av nodvärde | "Alla" (krävs) |
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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
| 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 |
custom_model mlflow_model mltable triton_model uri_file uri_folder (krävs) |
CustomModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "custom_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
Automatisk borttagningInställningar
| Namn | Beskrivning | Värde |
|---|---|---|
| tillstånd | När du ska kontrollera om en tillgång har upphört att gälla | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| värde | Förfallovillkorsvärde. | sträng |
MLFlowModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "mlflow_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
MLTableJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "mltable" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
TritonModelJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "triton_model" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
UriFileJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "uri_file" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
UriFolderJobOutput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobOutputType | [Krävs] Anger typen av jobb. | "uri_folder" (krävs) |
| assetName | Namn på utdatatillgång. | sträng |
| assetVersion | Utdatatillgångsversion. | sträng |
| autoDeleteSetting | Inställning för automatisk borttagning av utdatatillgång. | Automatisk borttagningInställningar |
| läge | Leveransläge för utdatatillgång. | "Direkt" "ReadWriteMount" "Ladda upp" |
| Uri | Utdatatillgångs-URI. | sträng |
Köinställningar
| Namn | Beskrivning | Värde |
|---|---|---|
| jobTier | Styr beräkningsjobbnivån | "Grundläggande" "Null" "Premium" "Spot" "Standard" |
| prioritering | Styr jobbets prioritet för en beräkning. | Int |
JobResourceConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| dockerArgs | Extra argument att skicka till Docker-körningskommandot. Detta skulle åsidosätta alla parametrar som redan har angetts av systemet, eller i det här avsnittet. Den här parametern stöds endast för Azure ML-beräkningstyper. | sträng |
| instanceCount | Valfritt antal instanser eller noder som används av beräkningsmålet. | Int |
| instanceType | Valfri typ av virtuell dator som stöds av beräkningsmålet. | sträng |
| Platser | Platser där jobbet kan köras. | string[] |
| maxInstanceCount | Valfritt maximalt antal instanser eller noder som ska användas av beräkningsmålet. För användning med elastisk träning stöds för närvarande endast av PyTorch-distributionstyp. |
Int |
| Egenskaper | Ytterligare egenskapsväska. | ResourceConfigurationProperties |
| shmSize | Storleken på docker-containerns delade minnesblock. Detta bör vara i formatet (number)(unit) där talet ska vara större än 0 och enheten kan vara en av b(byte), k(kilobyte), m(megabyte) eller g(gigabyte). | sträng Begränsningar: Mönster = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} |
AutoMLVertical
| Namn | Beskrivning | Värde |
|---|---|---|
| logVerbosity | Logga verbositet för jobbet. | "Kritisk" "Felsöka" "Fel" "Info" "NotSet" "Varning" |
| targetColumnName | Målkolumnnamn: Det här är kolumnen förutsägelsevärden. Kallas även etikettkolumnnamn i kontexten för klassificeringsuppgifter. |
sträng |
| trainingData | [Krävs] Träningsdataindata. | MLTableJobInput (krävs) |
| taskType | Ange objekttyp |
Klassificering Prognostisering ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextKlassificering TextClassificationMultilabel TextNER (krävs) |
MLTableJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| beskrivning | Beskrivning av indata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
Klassificering
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "Klassificering" (krävs) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| positiveLabel | Positiv etikett för beräkning av binära mått. | sträng |
| primaryMetric | Primärt mått för aktiviteten. | "AUCWeighted" "Noggrannhet" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | ClassificationTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
TableVerticalFeaturizationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| blockedTransformers | Dessa transformatorer får inte användas vid funktionalisering. | Strängmatris som innehåller något av: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
| columnNameAndTypes | Ordlista med kolumnnamn och dess typ (int, float, string, datetime osv.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
| datasetLanguage | Datamängdsspråk, användbart för textdata. | sträng |
| 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. |
TableFixedParameters
| Namn | Beskrivning | Värde |
|---|---|---|
| Booster | Ange ökningstypen, t.ex. gbdt för XGBoost. | sträng |
| boostType | Ange ökningstypen, t.ex. gbdt för LightGBM. | sträng |
| growPolicy | Ange tillväxtprincipen, som styr hur nya noder läggs till i trädet. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | Int |
| maxBin | Ange maximalt antal diskreta lagerplatser för bucketens kontinuerliga funktioner . | Int |
| maxDepth | Ange det maximala djupet för att uttryckligen begränsa träddjupet. | Int |
| maxLeaves | Ange de maximala bladen för att uttryckligen begränsa trädbladen. | Int |
| minDataInLeaf | Det minsta antalet data per löv. | Int |
| minSplitGain | Minsta förlustminskning krävs för att göra ytterligare en partition på en lövnod i trädet. | Int |
| modelName | Namnet på den modell som ska tränas. | sträng |
| nEstimatorer | Ange antalet träd (eller rundor) i en modell. | Int |
| numLeaves | Ange antalet löv. | Int |
| preprocessorName | Namnet på den förprocessor som ska användas. | sträng |
| regAlpha | L1-regulariseringsterm på vikter. | Int |
| regLambda | L2-regulariseringsterm på vikter. | Int |
| Delprov | Delsamplingsförhållande för träningsinstansen. | Int |
| subsampleFreq | Frekvens för delexempel. | Int |
| treeMethod | Ange trädmetoden. | sträng |
| withMean | Om sant, centrera innan du skalar data med StandardScalar. | Bool |
| withStd | Om det är sant skalar du data med enhetsavvikelse med StandardScalar. | Bool |
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 |
| maxNodes | Maximalt antal noder att använda för experimentet. | Int |
| maxTrials | Antal iterationer. | Int |
| sweepConcurrentTrials | Antal samtidiga svepande körningar som användaren vill utlösa. | Int |
| sweepTrials | Antal svepande körningar som användaren vill utlösa. | Int |
| Timeout | Tidsgräns för AutoML-jobb. | sträng |
| trialTimeout | Timeout för iteration. | sträng |
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) |
TableParameterSubspace
| Namn | Beskrivning | Värde |
|---|---|---|
| Booster | Ange ökningstypen, t.ex. gbdt för XGBoost. | sträng |
| boostType | Ange ökningstypen, t.ex. gbdt för LightGBM. | sträng |
| growPolicy | Ange tillväxtprincipen, som styr hur nya noder läggs till i trädet. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | sträng |
| maxBin | Ange maximalt antal diskreta lagerplatser för bucketens kontinuerliga funktioner . | sträng |
| maxDepth | Ange det maximala djupet för att uttryckligen begränsa träddjupet. | sträng |
| maxLeaves | Ange de maximala bladen för att uttryckligen begränsa trädbladen. | sträng |
| minDataInLeaf | Det minsta antalet data per löv. | sträng |
| minSplitGain | Minsta förlustminskning krävs för att göra ytterligare en partition på en lövnod i trädet. | sträng |
| modelName | Namnet på den modell som ska tränas. | sträng |
| nEstimatorer | Ange antalet träd (eller rundor) i en modell. | sträng |
| numLeaves | Ange antalet löv. | sträng |
| preprocessorName | Namnet på den förprocessor som ska användas. | sträng |
| regAlpha | L1-regulariseringsterm på vikter. | sträng |
| regLambda | L2-regulariseringsterm på vikter. | sträng |
| Delprov | Delsamplingsförhållande för träningsinstansen. | sträng |
| subsampleFreq | Frekvens för delexempel | sträng |
| treeMethod | Ange trädmetoden. | sträng |
| withMean | Om sant, centrera innan du skalar data med StandardScalar. | sträng |
| withStd | Om det är sant skalar du data med enhetsavvikelse med StandardScalar. | sträng |
TableSweepSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| earlyTermination | Typ av princip för tidig uppsägning för det svepande jobbet. | EarlyTerminationPolicy |
| samplingAlgorithm | [Krävs] Typ av samplingsalgoritm. | "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 |
ClassificationTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | Tillåtna modeller för klassificeringsaktivitet. | Strängmatris som innehåller något av: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinjärSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | Blockerade modeller för klassificeringsaktivitet. | Strängmatris som innehåller något av: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinjärSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
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) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| forecastingSettings | Prognostisera aktivitetsspecifika indata. | ForecastingSettings |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| primaryMetric | Primärt mått för prognostiseringsaktivitet. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | ForecastingTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
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 varamed tre dagars mellanrum. |
Int |
| featureLags | Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null. | "Auto" "Ingen" |
| featuresUnknownAtForecastTime | De funktionskolumner som är tillgängliga för träning men som är okända vid tidpunkten för prognos/slutsatsdragning. Om features_unknown_at_forecast_time inte har angetts antas det att alla funktionskolumner i datauppsättningen är kända vid slutsatsdragningen. |
string[] |
| 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) |
ForecastingTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | 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" |
| blockedTrainingAlgorithms | 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" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
ImageClassification
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageClassification" (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 |
| validationData | Indata för valideringsdata. | 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 |
| checkpointFrequency | Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. | Int |
| checkpointModel | Den förtränad kontrollpunktsmodellen för inkrementell träning. | MLFlowModelJobInput |
| 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 |
| 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 |
MLFlowModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| beskrivning | Beskrivning av indata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
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 |
| 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 |
| samplingAlgorithm | [Krävs] Typ av algoritmer för hyperparametersampling. | "Bayesiansk" "Rutnät" "Random" (krävs) |
ImageClassificationMultilabel
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageClassificationMultilabel" (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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
ImageInstanceSegmentation
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "ImageInstanceSegmentation" (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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
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 |
| checkpointFrequency | Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal. | Int |
| checkpointModel | Den förtränad kontrollpunktsmodellen för inkrementell träning. | MLFlowModelJobInput |
| 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" |
| logTrainingMetrics | Aktivera träningsmått för databehandling och loggning. | "Inaktivera" "Aktivera" |
| logValidationLoss | Aktivera valideringsförlust för databehandling och loggning. | "Inaktivera" "Aktivera" |
| 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 |
| 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 |
| 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) |
| 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 |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
Regression
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "Regression" (krävs) |
| cvSplitColumnNames | Kolumner som ska användas för CVSplit-data. | string[] |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | TableVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | TableFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | TableVerticalLimitSettings |
| nCrossValidations | Antal korsvalideringsdelegeringar som ska tillämpas på träningsdatauppsättningen när valideringsdatauppsättningen inte har angetts. |
NCrossValidations |
| primaryMetric | Primärt mått för regressionsaktivitet. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | TableParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | TableSweepSettings |
| testData | Testa indata. | MLTableJobInput |
| testDataSize | Den del av testdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| trainingSettings | Indata för träningsfasen för ett AutoML-jobb. | RegressionTrainingSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
| validationDataSize | Den del av träningsdatauppsättningen som måste reserveras för valideringsändamål. Värden mellan (0,0 , 1,0) Används när valideringsdatauppsättningen inte tillhandahålls. |
Int |
| weightColumnName | Namnet på exempelviktkolumnen. Automatiserad ML stöder en viktad kolumn som indata, vilket gör att rader i data viktas upp eller ned. | sträng |
RegressionTrainingSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| allowedTrainingAlgorithms | Tillåtna modeller för regressionsaktivitet. | Strängmatris som innehåller något av: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | Blockerade modeller för regressionsuppgift. | Strängmatris som innehåller något av: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| 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 |
| trainingMode | TrainingMode-läge – Inställningen till "auto" är samma som att ställa in den på "icke-distribuerad" för tillfället, men i framtiden kan det resultera i blandat läge eller heuristikbaserat lägesval. Standardvärdet är "auto". Om "Distribuerad" används endast distribuerad funktionalisering och distribuerade algoritmer väljs. Om "Ej distribuerad" väljs endast icke-distribuerade algoritmer. |
"Auto" "Distribuerad" "Ej distribuerad" |
Textklassificering
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextKlassificering" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| primaryMetric | Primärt mått för Text-Classification uppgift. | "AUCWeighted" "Noggrannhet" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| datasetLanguage | Datamängdsspråk, användbart för textdata. | sträng |
NlpFixedParameters
| Namn | Beskrivning | Värde |
|---|---|---|
| gradientAccumulationSteps | Antal steg för att ackumulera toningar över innan du kör en bakåtpassning. | Int |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | Int |
| learningRateScheduler | Typ av schema för inlärningsfrekvens som ska användas under träningsproceduren. | "Konstant" "ConstantWithWarmup" "Cosiné" "CosineWithRestarts" "Linjär" "Ingen" "Polynom" |
| modelName | Namnet på den modell som ska tränas. | sträng |
| numberOfEpochs | Antal träningsepoker. | Int |
| trainingBatchSize | Batchstorleken för träningsproceduren. | Int |
| validationBatchSize | Batchstorleken som ska användas under utvärderingen. | Int |
| warmupRatio | Uppvärmningsförhållandet, som används tillsammans med LrSchedulerType. | Int |
| weightDecay | Väga förfalla för utbildning tillvägagångssättet. | Int |
NlpVerticalLimitSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| maxConcurrentTrials | Maximalt antal samtidiga AutoML-iterationer. | Int |
| maxNodes | Maximalt antal noder att använda för experimentet. | Int |
| maxTrials | Antal AutoML-iterationer. | Int |
| Timeout | Tidsgräns för AutoML-jobb. | sträng |
| trialTimeout | Tidsgräns för enskilda HD-utvärderingar. | sträng |
NlpParameterSubspace
| Namn | Beskrivning | Värde |
|---|---|---|
| gradientAccumulationSteps | Antal steg för att ackumulera toningar över innan du kör en bakåtpassning. | sträng |
| learningRate | Inlärningsfrekvensen för träningsproceduren. | sträng |
| learningRateScheduler | Typ av schema för inlärningsfrekvens som ska användas under träningsproceduren. | sträng |
| modelName | Namnet på den modell som ska tränas. | sträng |
| numberOfEpochs | Antal träningsepoker. | sträng |
| trainingBatchSize | Batchstorleken för träningsproceduren. | sträng |
| validationBatchSize | Batchstorleken som ska användas under utvärderingen. | sträng |
| warmupRatio | Uppvärmningsförhållandet, som används tillsammans med LrSchedulerType. | sträng |
| weightDecay | Väga förfalla för utbildning tillvägagångssättet. | sträng |
NlpSweepSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| earlyTermination | Typ av princip för tidig uppsägning för det svepande jobbet. | EarlyTerminationPolicy |
| samplingAlgorithm | [Krävs] Typ av samplingsalgoritm. | "Bayesiansk" "Rutnät" "Random" (krävs) |
TextClassificationMultilabel
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextClassificationMultilabel" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
Textner
| Namn | Beskrivning | Värde |
|---|---|---|
| taskType | [Krävs] Aktivitetstyp för AutoMLJob. | "TextNER" (krävs) |
| featurizationSettings | Funktionaliseringsindata som behövs för AutoML-jobb. | NlpVerticalFeaturizationSettings |
| fixedParameters | Modell-/träningsparametrar som förblir konstanta under hela träningen. | NlpFixedParameters |
| limitSettings | Körningsbegränsningar för AutoMLJob. | NlpVerticalLimitSettings |
| searchSpace | Sök efter sampling av olika kombinationer av modeller och deras hyperparametrar. | NlpParameterSubspace[] |
| sweepSettings | Inställningar för modellsanering och justering av hyperparametrar. | NlpSweepSettings |
| validationData | Indata för valideringsdata. | MLTableJobInput |
Kommandojobb
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Kommando" (krävs) |
| autologgerSettings | Distributionskonfiguration för jobbet. Om detta anges ska det vara en av Mpi, Tensorflow, PyTorch eller null. | AutologgerInställningar |
| 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, Ray eller null. | DistributionKonfiguration |
| environmentId | [Krävs] ARM-resurs-ID för miljöspecifikationen för jobbet. | sträng (krävs) Begränsningar: Min längd = 1 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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
AutologgerSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| mlflowAutologger | [Krävs] Anger om mlflow autologger är aktiverat. | "Inaktiverad" "Aktiverad" (krävs) |
DistributionKonfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| distributionType | Ange objekttyp |
Mpi PyTorch Ray 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 |
Stråle
| Namn | Beskrivning | Värde |
|---|---|---|
| distributionType | [Krävs] Anger typ av distributionsramverk. | "Ray" (krävs) |
| adress | Adressen till Ray-huvudnoden. | sträng |
| dashboardPort | Porten som instrumentpanelsservern ska bindas till. | Int |
| headNodeAdditionalArgs | Ytterligare argument skickades till ray start i huvudnoden. | sträng |
| includeDashboard | Ange det här argumentet för att starta Ray-instrumentpanelens GUI. | Bool |
| hamn | Porten för huvudstråleprocessen. | Int |
| workerNodeAdditionalArgs | Ytterligare argument skickades till ray start i arbetsnoden. | sträng |
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 |
custom_model literal mlflow_model mltable triton_model uri_file uri_folder (krävs) |
CustomModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 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: Min längd = 1 Mönster = [a-zA-Z0-9_] |
TritonModelJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "triton_model" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
UriFileJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "uri_file" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
UriFolderJobInput
| Namn | Beskrivning | Värde |
|---|---|---|
| jobInputType | [Krävs] Anger typen av jobb. | "uri_folder" (krävs) |
| läge | Inmatningsläge för tillgångsleverans. | "Direkt" "Ladda ned" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 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 |
LabelingJobProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| componentId | ARM-resurs-ID för komponentresursen. | sträng |
| computeId | ARM-resurs-ID för beräkningsresursen. | sträng |
| dataConfiguration | Konfiguration av data som används i jobbet. | LabelingDataConfiguration |
| 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 |
| jobInstructions | Etiketteringsinstruktioner för jobbet. | LabelingJobInstructions |
| jobType | [Krävs] Anger typen av jobb. | "AutoML" "Kommando" "Etikettering" "Pipeline" "Spark" "Svep" (krävs) |
| labelCategories | Etikettkategorier för jobbet. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Medietypsspecifika egenskaper i jobbet. | LabelingJobMediaProperties |
| mlAssistConfiguration | Konfiguration av MLAssist-funktionen i jobbet. | MLAssistConfiguration |
| notificationSetting | Meddelandeinställning för jobbet | NotificationSetting |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| secretsConfiguration | Konfiguration för hemligheter som ska göras tillgängliga under körning. | JobBaseSecretsConfiguration |
| 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 |
LabelingDataConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| dataId | Resurs-ID för datatillgången för att utföra etikettering. | sträng |
| incrementalDataRefresh | Anger om inkrementell datauppdatering ska aktiveras. | "Inaktiverad" "Aktiverad" |
LabelingJobInstructions
| Namn | Beskrivning | Värde |
|---|---|---|
| Uri | Länken till en sida med detaljerade etiketteringsinstruktioner för etiketter. | sträng |
LabelingJobLabelCategories
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelCategory |
LabelCategory
| Namn | Beskrivning | Värde |
|---|---|---|
| klasserna | Ordlista med etikettklasser i den här kategorin. | LabelCategoryClasses |
| displayName | Visningsnamn för etikettkategorin. | sträng |
| multiSelect | Anger om det är tillåtet att välja flera klasser i den här kategorin. | "Inaktiverad" "Aktiverad" |
LabelCategory-klasser
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelClass |
Etikettklass
| Namn | Beskrivning | Värde |
|---|---|---|
| displayName | Etikettklassens visningsnamn. | sträng |
| Underklasser | Ordlista över underklasser för etikettklassen. | LabelClassSubclasses |
LabelClassSub-klasser
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | LabelClass |
EtiketteringJobbMediaEgenskaper
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | Ange objekttyp |
Bild Text (krävs) |
LabelingJobImageProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | [Krävs] Medietyp för jobbet. | "Bild" (krävs) |
| annotationType | Anteckningstyp för bildetiketteringsjobb. | "BoundingBox" "Klassificering" "InstanceSegmentation" |
LabelingJobTextProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| mediaType | [Krävs] Medietyp för jobbet. | "Text" (krävs) |
| annotationType | Anteckningstyp för textetikettjobb. | "Klassificering" "NamedEntityRecognition" |
MLAssistConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | Ange objekttyp |
inaktiverad Aktiverad (krävs) |
MLAssistConfigurationDisabled
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | [Krävs] Anger om MLAssist-funktionen är aktiverad. | "Inaktiverad" (krävs) |
MLAssistConfigurationEnabled
| Namn | Beskrivning | Värde |
|---|---|---|
| mlAssist | [Krävs] Anger om MLAssist-funktionen är aktiverad. | "Aktiverad" (krävs) |
| inferencingComputeBinding | [Krävs] AML-beräkningsbindning som används i slutsatsdragning. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| trainingComputeBinding | [Krävs] AML-beräkningsbindning som används i träning. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
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. | |
| sourceJobId | ARM-resurs-ID för källjobbet. | sträng |
PipelineJobInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
PipelineJobJobs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} |
PipelineJobOutputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobOutput |
SparkJob
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Spark" (krävs) |
| arkiv | Arkivera filer som används i jobbet. | string[] |
| args | Argument för jobbet. | sträng |
| codeId | [Krävs] ARM-resurs-ID för kodtillgången. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| Conf | Spark-konfigurerade egenskaper. | SparkJobConf |
| inträde | [Krävs] Posten som ska köras vid start av jobbet. | SparkJobEntry (krävs) |
| environmentId | ARM-resurs-ID för miljöspecifikationen för jobbet. | sträng |
| environmentVariables | Miljövariabler som ingår i jobbet. | SparkJobEnvironmentVariables |
| filer | Filer som används i jobbet. | string[] |
| Ingångar | Mappning av indatabindningar som används i jobbet. | SparkJobInputs |
| burkar | Jar-filer som används i jobbet. | string[] |
| Utgångar | Mappning av utdatabindningar som används i jobbet. | SparkJobOutputs |
| pyFiles | Python-filer som används i jobbet. | string[] |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | SparkResourceConfiguration |
SparkJobConf
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
SparkJobEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | Ange objekttyp |
SparkJobPythonEntry SparkJobScalaEntry (krävs) |
SparkJobPythonEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | [Krävs] Typ av jobbets startpunkt. | "SparkJobPythonEntry" (krävs) |
| fil | [Krävs] Relativ python-filsökväg för jobbets startpunkt. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Namn | Beskrivning | Värde |
|---|---|---|
| sparkJobEntryType | [Krävs] Typ av jobbets startpunkt. | "SparkJobScalaEntry" (krävs) |
| className | [Krävs] Scala-klassnamn som används som startpunkt. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
SparkJobEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
SparkJobInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
SparkJobOutputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobOutput |
SparkResourceConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| instanceType | Valfri typ av virtuell dator som stöds av beräkningsmålet. | sträng |
| runtimeVersion | Version av spark-körning som används för jobbet. | sträng |
SweepJob
| Namn | Beskrivning | Värde |
|---|---|---|
| jobType | [Krävs] Anger typen av jobb. | "Svep" (krävs) |
| componentConfiguration | Komponentkonfiguration för att svepa över komponent | ComponentConfiguration |
| 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 |
| queueSettings | Köinställningar för jobbet | QueueSettings |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
| 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) |
ComponentConfiguration
| Namn | Beskrivning | Värde |
|---|---|---|
| pipelineSettings | Pipelineinställningar, till exempel ContinueRunOnStepFailure osv. |
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: Min längd = 1 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) |
| logbase | Ett valfritt positivt tal eller e i strängformat som ska användas som bas för loggbaserad slumpmässig sampling | sträng |
| 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: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| environmentVariables | Miljövariabler som ingår i jobbet. | TrialComponentEnvironmentVariables |
| Resurser | Beräkningsresurskonfiguration för jobbet. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
CreateMonitorAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "CreateMonitor" (krävs) |
| monitorDefinition | [Krävs] Definierar övervakaren. | MonitorDefinition (krävs) |
MonitorDefinition
| Namn | Beskrivning | Värde |
|---|---|---|
| alertNotificationSettings | Övervakarens meddelandeinställningar. | MonitorNotificationSettings |
| computeConfiguration | [Krävs] ARM-resurs-ID för beräkningsresursen som övervakningsjobbet ska köras på. | MonitorComputeConfigurationBase (krävs) |
| monitoringTarget | ARM-resurs-ID för antingen den modell eller distribution som den här övervakaren riktar in sig på. | MonitoringTarget |
| Signaler | [Krävs] Signalerna som ska övervakas. | MonitorDefinitionSignals (krävs) |
MonitorNotificationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| emailNotificationSettings | E-postinställningarna för AML-meddelanden. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| e-postmeddelanden | Det här är listan med e-postmottagare som har en begränsning på totalt 499 tecken. | string[] |
MonitorComputeConfigurationBase
| Namn | Beskrivning | Värde |
|---|---|---|
| computeType | Ange objekttyp | ServerlessSpark- (krävs) |
MonitorServerlessSparkCompute
| Namn | Beskrivning | Värde |
|---|---|---|
| computeType | [Krävs] Anger vilken typ av signal som ska övervakas. | "ServerlessSpark" (krävs) |
| computeIdentity | [Krävs] Identitetsschemat som används av spark-jobben som körs på serverlösa Spark. | MonitorComputeIdentityBase (krävs) |
| instanceType | [Krävs] Instanstypen som kör Spark-jobbet. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| runtimeVersion | [Krävs] Spark-körningsversionen. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | Ange objekttyp |
AmlToken ManagedIdentity (krävs) |
AmlTokenComputeIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | [Krävs] Övervaka uppräkning av beräkningsidentitetstyp. | "AmlToken" (krävs) |
ManagedComputeIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| computeIdentityType | [Krävs] Övervaka uppräkning av beräkningsidentitetstyp. | "ManagedIdentity" (krävs) |
| identitet | Hanterad tjänstidentitet (systemtilldelade och/eller användartilldelade identiteter) | ManagedServiceIdentity |
ManagedServiceIdentity
| Namn | Beskrivning | Värde |
|---|---|---|
| typ | Typ av hanterad tjänstidentitet (där både SystemAssigned- och UserAssigned-typer tillåts). | "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (krävs) |
| identity_ids | Uppsättningen användartilldelade identiteter som är associerade med resursen. Ordlistenycklarna userAssignedIdentities är ARM-resurs-ID:er i formuläret: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Ordlistevärdena kan vara tomma objekt ({}) i begäranden. | Matris med användaridentitets-ID:t. |
UserAssignedIdentiteter
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | UserAssignedIdentity |
UserAssignedIdentity
Det här objektet innehåller inga egenskaper som ska anges under distributionen. Alla egenskaper är ReadOnly.
MonitoringTarget
| Namn | Beskrivning | Värde |
|---|---|---|
| deploymentId | ARM-resurs-ID:t för den distribution som övervakaren riktar in sig på. | sträng |
| modelId | ARM-resurs-ID:t för någon av de modeller som övervakas. | sträng |
| taskType | [Krävs] Maskininlärningsuppgiftstypen för modellen. | "Klassificering" "QuestionAnswering" "Regression" (krävs) |
MonitorDefinitionSignals
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | MonitoringSignalBase |
MonitoringSignalBase
| Namn | Beskrivning | Värde |
|---|---|---|
| notificationTypes | Det aktuella meddelandeläget för den här signalen. | Strängmatris som innehåller något av: "AmlNotification" "AzureMonitor" |
| Egenskaper | Egenskapsordlista. Egenskaper kan läggas till, men inte tas bort eller ändras. | MonitoringSignalBaseProperties |
| signalType | Ange objekttyp |
Anpassad DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (krävs) |
MonitoringSignalBaseProperties
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
CustomMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Anpassad" (krävs) |
| componentId | [Krävs] ARM-resurs-ID för komponentresursen som används för att beräkna anpassade mått. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| inputAssets | Övervaka tillgångar att ta som indata. Nyckeln är komponentens portnamn för indata, värdet är datatillgången. | CustomMonitoringSignalInputAssets |
| Ingångar | Extra komponentparametrar att ta som indata. Nyckeln är det komponentliterala indataportnamnet, värdet är parametervärdet. | CustomMonitoringSignalInputs |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | CustomMetricThreshold[] (krävs) |
| workspaceConnection | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | MonitoringWorkspaceConnection (krävs) |
CustomMonitoringSignalInputAssets
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | MonitoringInputDataBase |
MonitoringInputDataBase
| Namn | Beskrivning | Värde |
|---|---|---|
| Kolumner | Mappning av kolumnnamn till särskilda användningsområden. | MonitoringInputDataBaseColumns |
| dataContext | Datakällans kontextmetadata. | sträng |
| jobInputType | [Krävs] Anger typen av jobb. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs) |
| Uri | [Krävs] Indatatillgångs-URI. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| inputDataType | Ange objekttyp |
fast rullande Statisk (krävs) |
MonitoringInputDataBaseColumns
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
FixedInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Fast" (krävs) |
RollingInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Rullande" (krävs) |
| preprocessingComponentId | ARM-resurs-ID för komponentresursen som används för att förbearbeta data. | sträng |
| windowOffset | [Krävs] Tidsförskjutningen mellan slutet av datafönstret och övervakarens aktuella körningstid. | sträng (krävs) |
| windowSize | [Krävs] Storleken på det avslutande datafönstret. | sträng (krävs) |
StaticInputData
| Namn | Beskrivning | Värde |
|---|---|---|
| inputDataType | [Krävs] Anger vilken typ av signal som ska övervakas. | "Statisk" (krävs) |
| preprocessingComponentId | ARM-resurs-ID för komponentresursen som används för att förbearbeta data. | sträng |
| windowEnd | [Krävs] Slutdatumet för datafönstret. | sträng (krävs) |
| windowStart | [Krävs] Startdatumet för datafönstret. | sträng (krävs) |
CustomMonitoringSignalInputs
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | JobInput |
CustomMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Det användardefinierade mått som ska beräknas. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
MonitoringThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| värde | Tröskelvärdet. Om värdet är null är standardinställningen beroende av måtttypen. | Int |
MonitoringWorkspaceConnection
| Namn | Beskrivning | Värde |
|---|---|---|
| environmentVariables | Egenskaperna för en arbetsytetjänstanslutning som ska lagras som miljövariabler i de skickade jobben. Nyckeln är egenskapssökvägen för arbetsytans anslutning, namnet är miljövariabelnyckeln. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Hemligheter | Egenskaperna för en arbetsytetjänstanslutning som ska lagras som hemligheter i de skickade jobben. Nyckeln är egenskapssökvägen för arbetsytans anslutning, namnet är en hemlig nyckel. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
MonitoringWorkspaceConnectionSecrets
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
DataDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "DataDrift" (krävs) |
| dataSegment | Datasegmentet som används för omfång på en delmängd av datapopulationen. | MonitoringDataSegment |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| Funktioner | Funktionsfiltret som identifierar vilken funktion som ska beräkna överdrift. | MonitoringFeatureFilterBase |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | DataDriftMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
MonitoringDataSegment
| Namn | Beskrivning | Värde |
|---|---|---|
| drag | Den funktion som data ska segmenteras på. | sträng |
| värden | Filtrerar endast de angivna värdena för den angivna segmenterade funktionen. | string[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
FeatureImportanceSettings
| Namn | Beskrivning | Värde |
|---|---|---|
| läge | Funktionssättet för beräkning av funktionsvikt. | "Inaktiverad" "Aktiverad" |
| targetColumn | Namnet på målkolumnen i indatatillgången. | sträng |
MonitoringFeatureFilterBase
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | Ange objekttyp |
AllFeatures FeatureSubset TopNByAttribution (krävs) |
Allafeatures
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "AllFeatures" (krävs) |
FeatureSubset
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "FeatureSubset" (krävs) |
| Funktioner | [Krävs] Listan över funktioner som ska inkluderas. | string[] (krävs) |
TopNFeaturesByAttribution
| Namn | Beskrivning | Värde |
|---|---|---|
| filterType | [Krävs] Anger det funktionsfilter som ska användas när du väljer funktioner för att beräkna mått över. | "TopNByAttribution" (krävs) |
| topp | Antalet viktigaste funktioner som ska inkluderas. | Int |
DataDriftMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalDataDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska dataavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (krävs) |
NumeriskaDataDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numerisk" (krävs) |
| metrisk | [Krävs] Det numeriska dataavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (krävs) |
DataQualityMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "DataQuality" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| Funktioner | Funktionerna för att beräkna drift över. | MonitoringFeatureFilterBase |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | DataQualityMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som produceras av produktionstjänsten som driften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
DataQualityMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalDataQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska datakvalitetsmåttet som ska beräknas. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (krävs) |
NumeriskadataQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numerisk" (krävs) |
| metrisk | [Krävs] Det numeriska datakvalitetsmåttet som ska beräknas. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (krävs) |
FeatureAttributionDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "FeatureAttributionDrift" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
| featureImportanceSettings | Inställningarna för funktionsvikt för databehandling. | FeatureImportanceSettings |
| metricThreshold | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | FeatureAttributionMetricThreshold (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase[] (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
FeatureAttributionMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Måttet för funktionstillskrivning som ska beräknas. | "NormalizedDiscountedCumulativeGain" (krävs) |
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "GenerationSafetyQuality" (krävs) |
| metricThresholds | [Krävs] Hämtar eller anger de mått som ska beräknas och motsvarande tröskelvärden. | GenerationSafetyQualityMetricThreshold[] (krävs) |
| productionData | Hämtar eller anger produktionsdata för databehandlingsmått. | MonitoringInputDataBase[] |
| samplingRate | [Krävs] Exempelfrekvensen för produktionsdata bör vara större än 0 och högst 1. | int (krävs) |
| workspaceConnectionId | Hämtar eller anger det anslutnings-ID för arbetsytan som används för att ansluta till innehållsgenereringens slutpunkt. | sträng |
GenerationSafetyQualityMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Hämtar eller anger funktionstilldelningsmåttet som ska beräknas. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (krävs) |
| tröskel | Hämtar eller anger tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. |
MonitoringThreshold |
GenerationTokenUsageSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "GenerationTokenStatistics" (krävs) |
| metricThresholds | [Krävs] Hämtar eller anger de mått som ska beräknas och motsvarande tröskelvärden. | GenerationTokenUsageMetricThreshold[] (krävs) |
| productionData | Hämtar eller anger produktionsdata för databehandlingsmått. | MonitoringInputDataBase[] |
| samplingRate | [Krävs] Exempelfrekvensen för produktionsdata bör vara större än 0 och högst 1. | int (krävs) |
GenerationTokenUsageMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| metrisk | [Krävs] Hämtar eller anger funktionstilldelningsmåttet som ska beräknas. | "TotalTokenCount" "TotalTokenCountPerGroup" (krävs) |
| tröskel | Hämtar eller anger tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. |
MonitoringThreshold |
ModelPerformanceSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "ModelPerformance" (krävs) |
| dataSegment | Datasegmentet. | MonitoringDataSegment |
| metricThreshold | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | ModelPerformanceMetricThresholdBase (krävs) |
| productionData | [Krävs] De data som produceras av produktionstjänsten som prestanda beräknas för. | MonitoringInputDataBase[] (krävs) |
| referenceData | [Krävs] Referensdata som används som grund för att beräkna modellprestanda. | MonitoringInputDataBase (krävs) |
ModelPerformanceMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| modelType | Ange objekttyp |
Klassificering Regression (krävs) |
ClassificationModelPerformanceMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| modelType | [Krävs] Anger datatypen för måtttröskeln. | "Klassificering" (krävs) |
| metrisk | [Krävs] Prestanda för klassificeringsmodellen som ska beräknas. | "Noggrannhet" "Precision" "Recall" (krävs) |
RegressionModelPerformanceMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| modelType | [Krävs] Anger datatypen för måtttröskeln. | "Regression" (krävs) |
| metrisk | [Krävs] Prestandamåttet för regressionsmodellen som ska beräknas. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (krävs) |
PredictionDriftMonitoringSignal
| Namn | Beskrivning | Värde |
|---|---|---|
| signalType | [Krävs] Anger vilken typ av signal som ska övervakas. | "PredictionDrift" (krävs) |
| featureDataTypeOverride | En ordlista som mappar funktionsnamn till respektive datatyper. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
| metricThresholds | [Krävs] En lista över mått som ska beräknas och deras associerade tröskelvärden. | PredictionDriftMetricThresholdBase[] (krävs) |
| productionData | [Krävs] De data som avdriften beräknas för. | MonitoringInputDataBase (krävs) |
| referenceData | [Krävs] Data som ska beräknas avdrift mot. | MonitoringInputDataBase (krävs) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | "Kategorisk" "Numeriskt" |
PredictionDriftMetricThresholdBase
| Namn | Beskrivning | Värde |
|---|---|---|
| tröskel | Tröskelvärdet. Om värdet är null anges ett standardvärde beroende på det valda måttet. | MonitoringThreshold |
| Datatyp | Ange objekttyp |
kategorisk numeriska (krävs) |
CategoricalPredictionDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Kategorisk" (krävs) |
| metrisk | [Krävs] Det kategoriska förutsägelseavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (krävs) |
NumerisktPredictionDriftMetricThreshold
| Namn | Beskrivning | Värde |
|---|---|---|
| Datatyp | [Krävs] Anger datatypen för måtttröskeln. | "Numerisk" (krävs) |
| metrisk | [Krävs] Det numeriska förutsägelseavvikelsemåttet som ska beräknas. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (krävs) |
ImportDataAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "ImportData" (krävs) |
| dataImportDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. | DataImportera (krävs) |
DataImportera
| Namn | Beskrivning | Värde |
|---|---|---|
| assetName | Namnet på tillgången för dataimportjobb som ska skapas | sträng |
| autoDeleteSetting | Anger livscykelinställningen för den hanterade datatillgången. | Automatisk borttagningInställningar |
| Datatyp | [Krävs] Anger typen av data. | "mltable" "uri_file" "uri_folder" (krävs) |
| dataUri | [Krävs] Uri för data. Exempel: https://go.microsoft.com/fwlink/?linkid=2202330 |
sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
| beskrivning | Texten för tillgångsbeskrivningen. | sträng |
| intellectualProperty | Information om immateriella rättigheter. Används om data är en immateriell egendom. | IntellectualProperty |
| isAnonymous | Om namnversionen är systemgenererad (anonym registrering). För typer där scenen definieras används den för att fylla i IsAnonymous när scenen anges | Bool |
| isArchived | Arkiveras tillgången? För typer där fasen definieras används den för att fylla i IsArchived när scenen tillhandahålls | Bool |
| Egenskaper | Ordlistan för tillgångsegenskap. | ResourceBaseProperties |
| källa | Källdata för den tillgång som ska importeras från | DataImportSource |
| etapp | Steg i datalivscykeln som tilldelats den här datatillgången | sträng |
| Taggar | Taggordlista. Taggar kan läggas till, tas bort och uppdateras. | objekt |
IntellectualProperty
| Namn | Beskrivning | Värde |
|---|---|---|
| protectionLevel | Skyddsnivå för den immateriella egendomen. | "Alla" "Ingen" |
| förläggare | [Krävs] Utgivare av den immateriella egendomen. Måste vara samma som registerutgivarens namn. | sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
DataImportSource
| Namn | Beskrivning | Värde |
|---|---|---|
| samband | Anslutning till arbetsyta för lagring av dataimportkälla | sträng |
| sourceType | Ange objekttyp |
databas file_system (krävs) |
DatabaseSource
| Namn | Beskrivning | Värde |
|---|---|---|
| sourceType | [Krävs] Anger typen av data. | "databas" (krävs) |
| fråga | SQL Query-instruktion för dataimportdatabaskälla | sträng |
| storedProcedure | SQL StoredProcedure på dataimportdatabaskälla | sträng |
| storedProcedureParams | SQL StoredProcedure-parametrar | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Namnet på tabellen i dataimportdatabaskällan | sträng |
DatabaseSourceStoredProcedureParamsItem
| Namn | Beskrivning | Värde |
|---|---|---|
| {anpassad egenskap} | sträng |
FileSystemSource
| Namn | Beskrivning | Värde |
|---|---|---|
| sourceType | [Krävs] Anger typen av data. | "file_system" (krävs) |
| stig | Sökväg för dataimportens FileSystem-källa | sträng |
EndpointScheduleAction
| Namn | Beskrivning | Värde |
|---|---|---|
| actionType | [Krävs] Anger åtgärdstypen för schemat | "InvokeBatchEndpoint" (krävs) |
| endpointInvocationDefinition | [Krävs] Definierar information om schemalägg åtgärdsdefinition. {se href="TBD" /} |
TriggerBase
| Namn | Beskrivning | Värde |
|---|---|---|
| endTime | Anger sluttid för schemat i ISO 8601, men utan UTC-förskjutning. Se https://en.wikipedia.org/wiki/ISO_8601.Omkommenterat format skulle vara "2022-06-01T00:00:01" Om det inte finns körs schemat på obestämd tid |
sträng |
| startTime | Anger starttid för schemat i ISO 8601-format, men utan UTC-förskjutning. | sträng |
| timeZone | Anger tidszon där schemat körs. Tidszon bör följa Windows tidszonsformat. Se: /windows-hardware/manufacture/desktop/default-time-zones/> |
sträng |
| triggerType | Ange objekttyp |
Cron återkommande (krävs) |
CronTrigger
| Namn | Beskrivning | Värde |
|---|---|---|
| triggerType | [Krävs] | "Cron" (krävs) |
| uttryck | [Krävs] Anger cron-uttryck för schema. Uttrycket bör följa formatet NCronTab. |
sträng (krävs) Begränsningar: Min längd = 1 Mönster = [a-zA-Z0-9_] |
RecurrenceTrigger
| Namn | Beskrivning | Värde |
|---|---|---|
| endTime | Anger sluttid för schemat i ISO 8601, men utan UTC-förskjutning. Se https://en.wikipedia.org/wiki/ISO_8601.Omkommenterat format skulle vara "2022-06-01T00:00:01" Om det inte finns körs schemat på obestämd tid |
sträng |
| frekvens | [Krävs] Frekvensen för att utlösa schemat. | "Dag" "Timme" "Minut" "Månad" "Vecka" (krävs) |
| intervall | [Krävs] Anger schemaintervall tillsammans med frekvens | int (krävs) |
| schema | Upprepningsschemat. | RecurrenceSchedule |
| startTime | Anger starttid för schemat i ISO 8601-format, men utan UTC-förskjutning. | sträng |
| timeZone | Anger tidszon där schemat körs. Tidszon bör följa Windows tidszonsformat. Se: /windows-hardware/manufacture/desktop/default-time-zones |
sträng |
| triggerType | [Krävs] | "Cron" "Upprepning" (krävs) |
RecurrenceSchedule
| Namn | Beskrivning | Värde |
|---|---|---|
| Timmar | [Krävs] Lista över timmar för schemat. | int[] (krävs) |
| protokoll | [Krävs] Lista över minuter för schemat. | int[] (krävs) |
| monthDays | Lista över månadsdagar för schemat | int[] |
| Vardagar | Lista över dagar för schemat. | Strängmatris som innehåller något av: "Fredag" "Måndag" "Lördag" "Söndag" "Torsdag" "Tisdag" "Onsdag" |