Microsoft.MachineLearningServices-arbetsytor/jobb 2023-10-01

Artikel
11/21/2024

Bicep-resursdefinition

Resurstypen arbetsytor/jobb 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/arbetsytor/jobbresurs lägger du till följande Bicep i mallen.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2023-10-01' = {
  name: 'string'
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Nodobjekt

Ange egenskapen nodesValueType för att ange typ av objekt.

För Allaanvänder du:

{
  nodesValueType: 'All'
}

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'
}

TargetRollingWindowSize-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

{
  mode: 'Auto'
}

För anpassadanvänder du:

{
  mode: 'Custom'
  value: int
}

ForecastHorizon-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

{
  mode: 'Auto'
}

För anpassadanvänder du:

{
  mode: 'Custom'
  value: int
}

SamplingAlgorithm-objekt

Ange egenskapen samplingAlgorithmType för att ange typ av objekt.

För Bayesianskaanvänder du:

{
  samplingAlgorithmType: 'Bayesian'
}

För Gridanvänder du:

{
  samplingAlgorithmType: 'Grid'
}

För Randomanvänder du:

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

Säsongsvariationer

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 TensorFlowanvänder du:

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: 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
}

TargetLags-objekt

Ange egenskapen läge för att ange typ av objekt.

För Autoanvänder du:

{
  mode: 'Auto'
}

För anpassadanvänder du:

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

IdentityConfiguration-objekt

Ange egenskapen identityType för att ange typ av objekt.

För AMLTokenanvänder du:

{
  identityType: 'AMLToken'
}

För Managedanvänder du:

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

För UserIdentityanvänder du:

{
  identityType: 'UserIdentity'
}

JobOutput-objekt

Ange egenskapen jobOutputType för att ange typ av objekt.

För custom_modelanvänder du:

{
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

För mlflow_modelanvänder du:

{
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

För mltableanvänder du:

{
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

För triton_modelanvänder du:

{
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

För uri_fileanvänder du:

{
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

För uri_folderanvänder du:

{
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

JobBaseProperties-objekt

Ange egenskapen jobType för att ange typ av objekt.

För AutoML-använder du:

{
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  jobType: 'AutoML'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any(Azure.Bicep.Types.Concrete.AnyType)
    }
    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:

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

För Pipelineanvänder du:

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

För Svepanvänder du:

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

AutoMLVertical-objekt

Ange egenskapen taskType för att ange typ av objekt.

För Klassificeringanvänder du:

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

För Prognostiseringanvänder du:

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

För ImageClassificationanvänder du:

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

För ImageClassificationMultilabelanvänder du:

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

För ImageInstanceSegmentationanvänder du:

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

För ImageObjectDetectionanvänder du:

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

För Regressionanvänder du:

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

För TextClassificationanvänder du:

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

För TextClassificationMultilabelanvänder du:

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

För TextNERanvänder du:

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  taskType: 'TextNER'
  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
}

Egenskapsvärden

Allanoder

Namn	Beskrivning	Värde
nodesValueType	[Krävs] Typ av nodvärde	"Alla" (krävs)

AmlToken

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

AutoForecastHorizon

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

AutoMLJob

Namn	Beskrivning	Värde
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
jobType	[Krävs] Anger typen av jobb.	"AutoML" (krävs)
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

AutoMLJobOutputs

Namn	Beskrivning	Värde

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
taskType	Ange till Klassificering för typ Klassificering. Ange till "Prognostisering" för typen Forecasting. Ange till ImageClassification för typen ImageClassification. Ange till "ImageClassificationMultilabel" för typen ImageClassificationMultilabel. Ange till ImageInstanceSegmentation för typ ImageInstanceSegmentation. Ange till ImageObjectDetection för typen ImageObjectDetection. Ange till Regression för typen Regression. Ange till "TextClassification" för typen TextClassification. Ange till TextClassificationMultilabel för typ TextClassificationMultilabel. Ange till TextNER för typ TextNer.	"Klassificering" "Prognostisering" "ImageClassification" "ImageClassificationMultilabel" "ImageInstanceSegmentation" "ImageObjectDetection" "Regression" "Textklassificering" "TextClassificationMultilabel" "TextNER" (krävs)
trainingData	[Krävs] Träningsdataindata.	MLTableJobInput (krävs)

AutoNCrossValidations

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

AutoSeasonality

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

AutoTargetLags

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

AutoTargetRollingWindowSize

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

BayesianSamplingAlgorithm

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

Klassificering

Namn	Beskrivning	Värde
cvSplitColumnNames	Kolumner som ska användas för CVSplit-data.	string[]
featurizationSettings	Funktionaliseringsindata som behövs för AutoML-jobb.	TableVerticalFeaturizationSettings
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.	"Noggrannhet" "AUCWeighted" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
taskType	[Krävs] Aktivitetstyp för AutoMLJob.	"Klassificering" (krävs)
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

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

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.	någon

Kommandojobb

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 Begränsningar: Min längd = 1 Mönster = `[a-zA-Z0-9_]` (krävs)
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 Begränsningar: Min längd = 1 Mönster = `[a-zA-Z0-9_]` (krävs)
environmentVariables	Miljövariabler som ingår i jobbet.	CommandJobEnvironmentVariables
Ingångar	Mappning av indatabindningar som används i jobbet.	CommandJobInputs
jobType	[Krävs] Anger typen av jobb.	"Kommando" (krävs)
Gränser	Gräns för kommandojobb.	CommandJobLimits
Utgångar	Mappning av utdatabindningar som används i jobbet.	CommandJobOutputs
queueSettings	Köinställningar för jobbet	QueueSettings
Resurser	Beräkningsresurskonfiguration för jobbet.	JobResourceConfiguration

CommandJobEnvironmentVariables

Namn	Beskrivning	Värde

CommandJobInputs

Namn	Beskrivning	Värde

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

CustomForecastHorizon

Namn	Beskrivning	Värde
läge	[Krävs] Ange markeringsläge för prognoshorisontvärde.	"Anpassad" (krävs)
värde	[Krävs] Prognoshorisontvärde.	int (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 Begränsningar: Min längd = 1 Mönster = `[a-zA-Z0-9_]` (krävs)

CustomModelJobOutput

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

CustomNCrossValidations

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

CustomSeasonality

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

CustomTargetLags

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

CustomTargetRollingWindowSize

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

DistributionKonfiguration

Namn	Beskrivning	Värde
distributionType	Ange till "Mpi" för typ Mpi. Ange till "PyTorch" för typ PyTorch. Ange till TensorFlow för typen TensorFlow.	"Mpi" "PyTorch" "TensorFlow" (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 till "Bandit" för typen BanditPolicy. Ange till MedianStopping för typen MedianStoppingPolicy. Ange till TruncationSelection för typen TruncationSelectionPolicy.	"Bandit" "MedianStopping" "TruncationSelection" (krävs)

ForecastHorizon

Namn	Beskrivning	Värde
läge	Ange till Auto för typen AutoForecastHorizon. Ange till "Anpassad" för typen CustomForecastHorizon.	"Auto" "Anpassad" (krävs)

Prognostisering

Namn	Beskrivning	Värde
cvSplitColumnNames	Kolumner som ska användas för CVSplit-data.	string[]
featurizationSettings	Funktionaliseringsindata som behövs för AutoML-jobb.	TableVerticalFeaturizationSettings
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"
taskType	[Krävs] Aktivitetstyp för AutoMLJob.	"Prognostisering" (krävs)
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 vara med tre dagars mellanrum.	Int
featureLags	Flagga för att generera fördröjningar för de numeriska funktionerna med "auto" eller null.	"Auto" "Ingen"
forecastHorizon	Den önskade maximala prognoshorisonten i tidsseriefrekvensenheter.	ForecastHorizon
frekvens	Vid prognostisering representerar den här parametern den period med vilken prognosen önskas, till exempel dagligen, varje vecka, varje år osv. Prognosfrekvensen är datamängdsfrekvens som standard.	sträng
Säsongsvariationer	Ange säsongsvariationer för tidsserier som en heltalsmultipel för seriefrekvensen. Om säsongsvariationen är inställd på "auto" kommer den att härledas.	Säsongsvariationer
shortSeriesHandlingConfig	Parametern som definierar hur AutoML ska hantera korta tidsserier.	"Auto" "Släpp" "Ingen" "Pad"
targetAggregateFunction	Den funktion som ska användas för att aggregera målkolumnen för tidsserier så att den överensstämmer med en angiven användarfrekvens. Om TargetAggregateFunction har angetts, t.ex. inte "None", men freq-parametern inte har angetts, utlöses felet. Möjliga målsammansättningsfunktioner är: "sum", "max", "min" och "mean".	"Max" "Medelvärde" "Min" "Ingen" "Summa"
targetLags	Antalet tidigare perioder som ska fördröjas från målkolumnen.	TargetLags
targetRollingWindowSize	Antalet tidigare perioder som används för att skapa ett rullande fönstergenomsnitt för målkolumnen.	TargetRollingWindowSize
timeColumnName	Namnet på tidskolumnen. Den här parametern krävs vid prognostisering för att ange kolumnen datetime i indata som används för att skapa tidsserierna och härleda dess frekvens.	sträng
timeSeriesIdColumnNames	Namnen på kolumner som används för att gruppera en tidsserie. Den kan användas för att skapa flera serier. Om kornigheten inte har definierats antas datauppsättningen vara en tidsserie. Den här parametern används med prognostisering av aktivitetstyp.	string[]
useStl	Konfigurera STL-nedbrytning av målkolumnen för tidsserier.	"Ingen" "Säsong" "SeasonTrend"

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" "SeasonalAverage" "SeasonalNaive" "SGD" "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" "SeasonalAverage" "SeasonalNaive" "SGD" "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

GridSamplingAlgorithm

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

IdentityConfiguration

Namn	Beskrivning	Värde
identityType	Ange till "AMLToken" för typen AmlToken. Ange till Hanterad för typen ManagedIdentity. Ange till "UserIdentity" för typen UserIdentity.	"AMLToken" "Hanterad" "UserIdentity" (krävs)

ImageClassification

Namn	Beskrivning	Värde
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.	"Noggrannhet" "AUCWeighted" "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
taskType	[Krävs] Aktivitetstyp för AutoMLJob.	"ImageClassification" (krävs)
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

ImageClassificationMultilabel

Namn	Beskrivning	Värde
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.	"Noggrannhet" "AUCWeighted" "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
taskType	[Krävs] Aktivitetstyp för AutoMLJob.	"ImageClassificationMultilabel" (krävs)
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
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
taskType	[Krävs] Aktivitetstyp för AutoMLJob.	"ImageInstanceSegmentation" (krävs)
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

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

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

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

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"
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

ImageObjectDetection

Namn	Beskrivning	Värde
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
taskType	[Krävs] Aktivitetstyp för AutoMLJob.	"ImageObjectDetection" (krävs)
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

ImageSweepSettings

Namn	Beskrivning	Värde
earlyTermination	Typ av princip för tidig uppsägning.	EarlyTerminationPolicy
samplingAlgorithm	[Krävs] Typ av algoritmer för hyperparametersampling.	"Bayesian" Rutnät "Random" (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
jobType	Ange till AutoML för typ AutoMLJob. Ange till Kommando för typen CommandJob. Ange till Pipeline för typen PipelineJob. Ange till "Svep" för typen SweepJob.	"AutoML" "Kommando" "Pipeline" "Svep" (krävs)
Egenskaper	Ordlistan för tillgångsegenskap.	ResourceBaseProperties
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.	ResourceBaseTags

JobBaseServices

Namn	Beskrivning	Värde

JobInput

Namn	Beskrivning	Värde
beskrivning	Beskrivning av indata.	sträng
jobInputType	Ange till "custom_model" för typen CustomModelJobInput. Ange till "literal" för typen LiteralJobInput. Ange till "mlflow_model" för typen MLFlowModelJobInput. Ange till "mltable" för typen MLTableJobInput. Ange till "triton_model" för typen TritonModelJobInput. Ange till "uri_file" för typ UriFileJobInput. Ange till "uri_folder" för typ UriFolderJobInput.	"custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs)

JobOutput

Namn	Beskrivning	Värde
beskrivning	Beskrivning av utdata.	sträng
jobOutputType	Ange till "custom_model" för typen CustomModelJobOutput. Ange till "mlflow_model" för typen MLFlowModelJobOutput. Ange "mltable" för typen MLTableJobOutput. Ange till "triton_model" för typen TritonModelJobOutput. Ange till "uri_file" för typ UriFileJobOutput. Ange till "uri_folder" för typ UriFolderJobOutput.	"custom_model" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (krävs)

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
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]`

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.	Int
Egenskaper	Ytterligare egenskaper som ska anges på slutpunkten.	JobServiceProperties

JobServiceEgenskaper

Namn	Beskrivning	Värde

LiteralJobInput

Namn	Beskrivning	Värde
jobInputType	[Krävs] Anger typen av jobb.	"literal" (krävs)
värde	[Krävs] Literalvärde för indata.	sträng Begränsningar: Min längd = 1 Mönster = `[a-zA-Z0-9_]` (krävs)

Hanterad identitet

Namn	Beskrivning	Värde
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}$`
identityType	[Krävs] Anger typen av identitetsramverk.	"Hanterad" (krävs)
objectId	Anger en användartilldelad identitet efter objekt-ID. Ange inte det här fältet för systemtilldelade.	sträng Begränsningar: Min längd = 36 Maximal längd = 36 Mönster = `^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$`
resourceId	Anger en användartilldelad identitet efter ARM-resurs-ID. Ange inte det här fältet för systemtilldelade.	sträng

MedianStoppingPolicy

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