Microsoft.MachineLearningServices-arbetsytor/jobb 2024-01-01-preview

• senaste
• 2024-07-01-preview
• 2024-04-01
• 2024-04-01-preview
• 2024-01-01-preview
• 2023-10-01
• 2023-08-01-preview
• 2023-06-01-preview
• 2023-04-01
• 2023-04-01-preview
• 2023-02-01-preview
• 2022-12-01-preview
• 2022-10-01
• 2022-10-01-preview
• 2022-06-01-preview
• 2022-05-01
• 2022-02-01-preview
• 2021-03-01-preview

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@2024-01-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    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
  }
}

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'
      pathOnCompute: '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 FineTuninganvänder du:

  jobType: 'FineTuning'
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    validationData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    modelProvider: 'string'
    // For remaining properties, see FineTuningVertical objects
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }

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'
  pathOnCompute: 'string'
  uri: 'string'

För mlflow_modelanvänder du:

  jobOutputType: 'mlflow_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

För mltableanvänder du:

  jobOutputType: 'mltable'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

För triton_modelanvänder du:

  jobOutputType: 'triton_model'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

För uri_fileanvänder du:

  jobOutputType: 'uri_file'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: 'string'
  uri: 'string'

För uri_folderanvänder du:

  jobOutputType: 'uri_folder'
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  mode: 'string'
  pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
      pathOnCompute: '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'
    pathOnCompute: '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'
      pathOnCompute: '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'
    pathOnCompute: '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'
      pathOnCompute: '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'
    pathOnCompute: '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'
      pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
    pathOnCompute: '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'
  pathOnCompute: 'string'
  uri: 'string'

För literalanvänder du:

  jobInputType: 'literal'
  value: 'string'

För mlflow_modelanvänder du:

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

För mltableanvänder du:

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

För triton_modelanvänder du:

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

För uri_fileanvänder du:

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

För uri_folderanvänder du:

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

FineTuningVertical-objekt

Ange egenskapen modelProvider för att ange typ av objekt.

För AzureOpenAIanvänder du:

  modelProvider: 'AzureOpenAI'
  hyperParameters: {
    batchSize: int
    learningRateMultiplier: int
    nEpochs: int
  }

För anpassadanvänder du:

  modelProvider: 'Custom'
  hyperParameters: {
    {customized property}: '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

Egenskapsvärden

arbetsytor/jobb

Namn	Beskrivning	Värde
Namn	Resursnamnet Se hur du anger namn och typer för underordnade resurser i Bicep.	sträng (krävs)
förälder	I Bicep kan du ange den överordnade resursen för en underordnad resurs. Du behöver bara lägga till den här egenskapen när den underordnade resursen deklareras utanför den överordnade resursen. Mer information finns i Underordnad resurs utanför den överordnade resursen.	Symboliskt namn för resurs av typen: arbetsytor
Egenskaper	[Krävs] Ytterligare attribut för entiteten.	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 FineTuning- 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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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 vara med 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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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

FineTuningJob

Namn	Beskrivning	Värde
jobType	[Krävs] Anger typen av jobb.	"FineTuning" (krävs)
fineTuningDetails	[Krävs]	FineTuningVertical (krävs)
Utgångar	[Krävs]	FineTuningJobOutputs (krävs)

FineTuningVertical

Namn	Beskrivning	Värde
modell	[Krävs] Indatamodell för finjustering.	MLFlowModelJobInput (krävs)
taskType	[Krävs] Finjustering av aktivitetstyp.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "Textklassificering" "TextCompletion" "Textsummarisering" "Texttranslation" "TokenClassification" "VideoMultiObjectTracking" (krävs)
trainingData	[Krävs] Träningsdata för finjustering.	JobInput (krävs)
validationData	Valideringsdata för finjustering.	JobInput
modelProvider	Ange objekttyp	AzureOpenAI anpassad (krävs)

AzureOpenAiFineTuning

Namn	Beskrivning	Värde
modelProvider	[Krävs] Uppräkning för att fastställa typen av finjustering.	"AzureOpenAI" (krävs)
hyperParametrar	HyperParametrar för finjustering av Azure Open AI-modell.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Namn	Beskrivning	Värde
batchSize	Antal exempel i varje batch. En större batchstorlek innebär att modellparametrar uppdateras mindre ofta, men med lägre varians.	Int
learningRateMultiplier	Skalningsfaktor för inlärningsfrekvensen. En mindre inlärningsfrekvens kan vara användbar för att undvika överanpassning.	Int
nEpochs	Antalet epoker som modellen ska tränas för. En epok refererar till en fullständig cykel genom träningsdatauppsättningen.	Int

CustomModelFineTuning

Namn	Beskrivning	Värde
modelProvider	[Krävs] Uppräkning för att fastställa typen av finjustering.	"Anpassad" (krävs)
hyperParametrar	HyperParametrar för finjustering av anpassad modell.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Namn	Beskrivning	Värde
{anpassad egenskap}		sträng

FineTuningJobOutputs

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" "FineTuning" "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

Snabbstartsmallar

Följande snabbstartsmallar distribuerar den här resurstypen.

Mall	Beskrivning
Skapa ett Azure Machine Learning AutoML-klassificeringsjobb	Den här mallen skapar ett Azure Machine Learning AutoML-klassificeringsjobb för att ta reda på den bästa modellen för att förutsäga om en klient prenumererar på en fast deposition med ett finansinstitut.
Skapa ett Azure Machine Learning-kommandojobb	Den här mallen skapar ett Azure Machine Learning-kommandojobb med ett grundläggande hello_world skript
Skapa ett Azure Machine Learning-svepjobb	Den här mallen skapar ett Azure Machine Learning Sweep-jobb för justering av hyperparametrar.

Resursdefinition för ARM-mall

Resurstypen arbetsytor/jobb kan distribueras med åtgärder som mål:

• 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 JSON i mallen.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2024-01-01-preview",
  "name": "string",
  "properties": {
    "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
  }
}

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",
      "pathOnCompute": "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 FineTuninganvänder du:

  "jobType": "FineTuning",
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "validationData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "modelProvider": "string"
    // For remaining properties, see FineTuningVertical objects
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  }

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",
  "pathOnCompute": "string",
  "uri": "string"

För mlflow_modelanvänder du:

  "jobOutputType": "mlflow_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

För mltableanvänder du:

  "jobOutputType": "mltable",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

För triton_modelanvänder du:

  "jobOutputType": "triton_model",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

För uri_fileanvänder du:

  "jobOutputType": "uri_file",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "string",
  "uri": "string"

För uri_folderanvänder du:

  "jobOutputType": "uri_folder",
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "mode": "string",
  "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
      "pathOnCompute": "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",
    "pathOnCompute": "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",
      "pathOnCompute": "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",
    "pathOnCompute": "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",
      "pathOnCompute": "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",
    "pathOnCompute": "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",
      "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
    "pathOnCompute": "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",
  "pathOnCompute": "string",
  "uri": "string"

För literalanvänder du:

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

För mlflow_modelanvänder du:

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

För mltableanvänder du:

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

För triton_modelanvänder du:

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

För uri_fileanvänder du:

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

För uri_folderanvänder du:

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

FineTuningVertical-objekt

Ange egenskapen modelProvider för att ange typ av objekt.

För AzureOpenAIanvänder du:

  "modelProvider": "AzureOpenAI",
  "hyperParameters": {
    "batchSize": "int",
    "learningRateMultiplier": "int",
    "nEpochs": "int"
  }

För anpassadanvänder du:

  "modelProvider": "Custom",
  "hyperParameters": {
    "{customized property}": "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"

Egenskapsvärden

arbetsytor/jobb

Namn	Beskrivning	Värde
typ	Resurstypen	"Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion	Resurs-API-versionen	"2024-01-01-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.	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 FineTuning- 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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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 vara med 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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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

FineTuningJob

Namn	Beskrivning	Värde
jobType	[Krävs] Anger typen av jobb.	"FineTuning" (krävs)
fineTuningDetails	[Krävs]	FineTuningVertical (krävs)
Utgångar	[Krävs]	FineTuningJobOutputs (krävs)

FineTuningVertical

Namn	Beskrivning	Värde
modell	[Krävs] Indatamodell för finjustering.	MLFlowModelJobInput (krävs)
taskType	[Krävs] Finjustering av aktivitetstyp.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "Textklassificering" "TextCompletion" "Textsummarisering" "Texttranslation" "TokenClassification" "VideoMultiObjectTracking" (krävs)
trainingData	[Krävs] Träningsdata för finjustering.	JobInput (krävs)
validationData	Valideringsdata för finjustering.	JobInput
modelProvider	Ange objekttyp	AzureOpenAI anpassad (krävs)

AzureOpenAiFineTuning

Namn	Beskrivning	Värde
modelProvider	[Krävs] Uppräkning för att fastställa typen av finjustering.	"AzureOpenAI" (krävs)
hyperParametrar	HyperParametrar för finjustering av Azure Open AI-modell.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Namn	Beskrivning	Värde
batchSize	Antal exempel i varje batch. En större batchstorlek innebär att modellparametrar uppdateras mindre ofta, men med lägre varians.	Int
learningRateMultiplier	Skalningsfaktor för inlärningsfrekvensen. En mindre inlärningsfrekvens kan vara användbar för att undvika överanpassning.	Int
nEpochs	Antalet epoker som modellen ska tränas för. En epok refererar till en fullständig cykel genom träningsdatauppsättningen.	Int

CustomModelFineTuning

Namn	Beskrivning	Värde
modelProvider	[Krävs] Uppräkning för att fastställa typen av finjustering.	"Anpassad" (krävs)
hyperParametrar	HyperParametrar för finjustering av anpassad modell.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Namn	Beskrivning	Värde
{anpassad egenskap}		sträng

FineTuningJobOutputs

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" "FineTuning" "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

Snabbstartsmallar

Följande snabbstartsmallar distribuerar den här resurstypen.

Mall	Beskrivning
Skapa ett Azure Machine Learning AutoML-klassificeringsjobb	Den här mallen skapar ett Azure Machine Learning AutoML-klassificeringsjobb för att ta reda på den bästa modellen för att förutsäga om en klient prenumererar på en fast deposition med ett finansinstitut.
Skapa ett Azure Machine Learning-kommandojobb	Den här mallen skapar ett Azure Machine Learning-kommandojobb med ett grundläggande hello_world skript
Skapa ett Azure Machine Learning-svepjobb	Den här mallen skapar ett Azure Machine Learning Sweep-jobb för justering av hyperparametrar.

Resursdefinition för Terraform (AzAPI-provider)

Resurstypen arbetsytor/jobb kan distribueras med åtgärder som mål:

• Resursgrupper

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

Resursformat

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2024-01-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      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
    }
  })
}

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"
      pathOnCompute = "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 FineTuninganvänder du:

  jobType = "FineTuning"
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    validationData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    modelProvider = "string"
    // For remaining properties, see FineTuningVertical objects
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }

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"
  pathOnCompute = "string"
  uri = "string"

För mlflow_modelanvänder du:

  jobOutputType = "mlflow_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

För mltableanvänder du:

  jobOutputType = "mltable"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

För triton_modelanvänder du:

  jobOutputType = "triton_model"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

För uri_fileanvänder du:

  jobOutputType = "uri_file"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "string"
  uri = "string"

För uri_folderanvänder du:

  jobOutputType = "uri_folder"
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  mode = "string"
  pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
      pathOnCompute = "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"
    pathOnCompute = "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"
      pathOnCompute = "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"
    pathOnCompute = "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"
      pathOnCompute = "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"
    pathOnCompute = "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"
      pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
    pathOnCompute = "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"
  pathOnCompute = "string"
  uri = "string"

För literalanvänder du:

  jobInputType = "literal"
  value = "string"

För mlflow_modelanvänder du:

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

För mltableanvänder du:

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

För triton_modelanvänder du:

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

För uri_fileanvänder du:

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

För uri_folderanvänder du:

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

FineTuningVertical-objekt

Ange egenskapen modelProvider för att ange typ av objekt.

För AzureOpenAIanvänder du:

  modelProvider = "AzureOpenAI"
  hyperParameters = {
    batchSize = int
    learningRateMultiplier = int
    nEpochs = int
  }

För anpassadanvänder du:

  modelProvider = "Custom"
  hyperParameters = {
    {customized property} = "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

Egenskapsvärden

arbetsytor/jobb

Namn	Beskrivning	Värde
typ	Resurstypen	"Microsoft.MachineLearningServices/workspaces/jobs@2024-01-01-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.	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 FineTuning- 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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för utdatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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 vara med 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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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"
pathOnCompute	Leveranssökväg för indatatillgång.	sträng
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

FineTuningJob

Namn	Beskrivning	Värde
jobType	[Krävs] Anger typen av jobb.	"FineTuning" (krävs)
fineTuningDetails	[Krävs]	FineTuningVertical (krävs)
Utgångar	[Krävs]	FineTuningJobOutputs (krävs)

FineTuningVertical

Namn	Beskrivning	Värde
modell	[Krävs] Indatamodell för finjustering.	MLFlowModelJobInput (krävs)
taskType	[Krävs] Finjustering av aktivitetstyp.	"ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "Textklassificering" "TextCompletion" "Textsummarisering" "Texttranslation" "TokenClassification" "VideoMultiObjectTracking" (krävs)
trainingData	[Krävs] Träningsdata för finjustering.	JobInput (krävs)
validationData	Valideringsdata för finjustering.	JobInput
modelProvider	Ange objekttyp	AzureOpenAI anpassad (krävs)

AzureOpenAiFineTuning

Namn	Beskrivning	Värde
modelProvider	[Krävs] Uppräkning för att fastställa typen av finjustering.	"AzureOpenAI" (krävs)
hyperParametrar	HyperParametrar för finjustering av Azure Open AI-modell.	AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Namn	Beskrivning	Värde
batchSize	Antal exempel i varje batch. En större batchstorlek innebär att modellparametrar uppdateras mindre ofta, men med lägre varians.	Int
learningRateMultiplier	Skalningsfaktor för inlärningsfrekvensen. En mindre inlärningsfrekvens kan vara användbar för att undvika överanpassning.	Int
nEpochs	Antalet epoker som modellen ska tränas för. En epok refererar till en fullständig cykel genom träningsdatauppsättningen.	Int

CustomModelFineTuning

Namn	Beskrivning	Värde
modelProvider	[Krävs] Uppräkning för att fastställa typen av finjustering.	"Anpassad" (krävs)
hyperParametrar	HyperParametrar för finjustering av anpassad modell.	CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Namn	Beskrivning	Värde
{anpassad egenskap}		sträng

FineTuningJobOutputs

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" "FineTuning" "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