Pracovní prostory/úlohy Microsoft.MachineLearningServices 2022-02-01-preview

  • Článek

Definice prostředku Bicep

Typ prostředku pracovních prostorů nebo úloh je možné nasadit s operacemi, které cílí na:

Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.

Formát prostředku

Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/jobs, přidejte do šablony následující bicep.

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

Objekty JobBaseDetails

Nastavte vlastnost jobType a zadejte typ objektu.

V případě automatizovaného strojového učení použijte:

  jobType: 'AutoML'
  environmentId: 'string'
  environmentVariables: {}
  outputs: {}
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {}
  }
  taskDetails: {
    logVerbosity: 'string'
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

Jako příkaz použijte:

  jobType: 'Command'
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {}
  inputs: {}
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {}
  resources: {
    instanceCount: int
    instanceType: 'string'
    properties: {}
  }

V části Kanál použijte:

  jobType: 'Pipeline'
  inputs: {}
  jobs: {}
  outputs: {}
  settings: any()

Pro uklidit použijte:

  jobType: 'Sweep'
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {}
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {}
  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: {}
    resources: {
      instanceCount: int
      instanceType: 'string'
      properties: {}
    }
  }

Objekty IdentityConfiguration

Nastavte vlastnost identityType a určete typ objektu.

Pro AMLToken použijte:

  identityType: 'AMLToken'

V případě spravovaného použijte:

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

Jako UserIdentity použijte:

  identityType: 'UserIdentity'

Objekty ScheduleBase

Nastavte vlastnost scheduleType a zadejte typ objektu.

Pro Cron použijte:

  scheduleType: 'Cron'
  expression: 'string'

Pro opakování použijte:

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

Objekty AutoMLVertical

Nastavte vlastnost taskType a určete typ objektu.

Pro klasifikaci použijte:

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

Pro prognózování použijte:

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

Pro ImageClassification použijte:

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

Pro ImageClassificationMultilabel použijte:

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

Pro ImageInstanceSegmentation použijte:

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

Pro ImageObjectDetection použijte:

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

Pro regresi použijte:

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

Pro TextClassification použijte:

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

Pro TextClassificationMultilabel použijte:

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

Pro TextNER použijte:

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

Objekty NCrossValidations

Nastavte vlastnost mode a určete typ objektu.

V případě automatického nastavení použijte:

  mode: 'Auto'

Jako Vlastní použijte:

  mode: 'Custom'
  value: int

Objekty ForecastHorizon

Nastavte vlastnost mode a určete typ objektu.

V případě automatického nastavení použijte:

  mode: 'Auto'

Jako Vlastní použijte:

  mode: 'Custom'
  value: int

Objekty sezónnosti

Nastavte vlastnost mode a určete typ objektu.

V případě automatického nastavení použijte:

  mode: 'Auto'

Jako Vlastní použijte:

  mode: 'Custom'
  value: int

Objekty TargetLags

Nastavte vlastnost mode a určete typ objektu.

V případě automatického nastavení použijte:

  mode: 'Auto'

Jako Vlastní použijte:

  mode: 'Custom'
  values: [
    int
  ]

Objekty TargetRollingWindowSize

Nastavte vlastnost mode a určete typ objektu.

V případě automatického nastavení použijte:

  mode: 'Auto'

Jako Vlastní použijte:

  mode: 'Custom'
  value: int

Objekty EarlyTerminationPolicy

Nastavte vlastnost policyType a určete typ objektu.

Pro bandit použijte:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Pro medianStopping použijte:

  policyType: 'MedianStopping'

V části TruncationSelection použijte:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Objekty DistributionConfiguration

Nastavte vlastnost distributionType a určete typ objektu.

Pro Mpi použijte:

  distributionType: 'Mpi'
  processCountPerInstance: int

Pro PyTorch použijte:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Pro TensorFlow použijte:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

SamplingAlgorithm – objekty

Nastavte vlastnost samplingAlgorithmType a určete typ objektu.

Pro Bayesian použijte:

  samplingAlgorithmType: 'Bayesian'

V případě mřížky použijte:

  samplingAlgorithmType: 'Grid'

Pro random použijte:

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

Hodnoty vlastností

pracovní prostory/úlohy

Název Description Hodnota
name Název prostředku

Podívejte se, jak nastavit názvy a typy pro podřízené prostředky v nástroji Bicep.		 string (povinné)
Nadřazené V nástroji Bicep můžete zadat nadřazený prostředek podřízeného prostředku. Tuto vlastnost stačí přidat pouze v případě, že je podřízený prostředek deklarován mimo nadřazený prostředek.

Další informace najdete v tématu Podřízený prostředek mimo nadřazený prostředek.		 Symbolický název prostředku typu: pracovní prostory
properties [Povinné] Další atributy entity JobBaseDetails (povinné)

JobBaseDetails

Název Description Hodnota
computeId ID prostředku ARM výpočetního prostředku řetězec
description Text popisu prostředku. řetězec
displayName Zobrazovaný název úlohy. řetězec
experimentName Název experimentu, do který úloha patří. Pokud není tato úloha nastavená, umístí se do experimentu Výchozí. řetězec
identity Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z hodnot AmlToken, ManagedIdentity, UserIdentity nebo null.
Výchozí hodnota je AmlToken, pokud je null.		 Konfigurace identity
isArchived Je prostředek archivovaný? bool
properties Slovník vlastností majetku. object
schedule Definice úlohy plánu.
Pokud není k dispozici žádný plán, úloha se spustí jednou a okamžitě po odeslání.		 ScheduleBase
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 object
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object
jobType Nastavení typu objektu AutoML
Příkaz
Kanál
Uklidit (povinné)

Konfigurace identity

Název Description Hodnota
identityType Nastavení typu objektu AMLToken
Spravované
UserIdentity (povinné)

AmlToken

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. AMLToken (povinné)

Spravovaná identita

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. Spravované (povinné)
clientId Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené toto pole nenastavujte. řetězec

Omezení:
Minimální délka = 36
Maximální délka = 36
Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené toto pole nenastavujte. řetězec

Omezení:
Minimální délka = 36
Maximální délka = 36
Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené toto pole nenastavujte. řetězec

Identita uživatele

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. UserIdentity (povinné)

ScheduleBase

Název Description Hodnota
endTime Určuje koncový čas plánu ve formátu ISO 8601.
Pokud není k dispozici, plán se spustí po neomezenou dobu.		 řetězec
scheduleStatus Určuje stav plánu. Zakázáno
Povoleno
startTime Určuje počáteční čas plánu ve formátu ISO 8601. řetězec
timeZone Určuje časové pásmo, ve kterém se plán spustí.
TimeZone by mělo odpovídat formátu časového pásma Windows.
 řetězec
typ plánu Nastavení typu objektu Cron
Opakování (povinné)

CronSchedule

Název Description Hodnota
typ plánu [Povinné] Určuje typ plánu. 'Cron' (povinné)
expression [Povinné] Určuje výraz cron plánu.
Výraz by měl mít formát NCronTab.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

RecurrenceSchedule

Název Description Hodnota
typ plánu [Povinné] Určuje typ plánu. Opakování (povinné)
frequency [Povinné] Určuje frekvenci, s jakou se má aktivovat plán. 'Den'
Hodina
'Minuta'
'Month'
"Týden" (povinné)
interval [Povinné] Určuje časový interval ve spojení s frekvencí. int (povinné)
Vzor Určuje způsob plánu opakování. RecurrencePattern

RecurrencePattern

Název Description Hodnota
hodiny [Povinné] Seznam hodin pro vzor plánu opakování int[] (povinné)
minutes [Povinné] Seznam minut pro vzor plánu opakování int[] (povinné)
Ve všední dny Seznam pracovních dnů pro vzor plánu opakování Pole řetězců obsahující některou z těchto možností:
"Pátek"
Pondělí
'Sobota'
Neděle
Čtvrtek
"Úterý"
Středa

AutoMLJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. AutoML (povinné)
id prostředí ID prostředku ARM specifikace prostředí pro úlohu.
Toto je volitelná hodnota, která se má zadat. Pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi produkčního prostředí automatizovaného strojového učení.		 řetězec
environmentVariables Proměnné prostředí zahrnuté v úloze object
Výstupy Mapování výstupních datových vazeb použitých v úloze object
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace prostředků
taskDetails [Povinné] Tento scénář představuje jednu z tabulek, NLP nebo image. AutoMLVertical (povinné)

Konfigurace prostředků

Název Description Hodnota
instanceCount Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem int
instanceType Volitelný typ virtuálního počítače, který je podporován cílovým výpočetním prostředím. řetězec
properties Další vlastnosti taška. object

AutoMLVertical

Název Description Hodnota
logVerbosity Protokolování podrobností pro úlohu "Kritické"
'Debug' (Ladění)
Chyba
'Informace'
NotSet
'Upozornění'
taskType Nastavení typu objektu Klasifikace
Prognózování
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regrese
TextClassification
TextClassificationMultilabel
TextNER (povinné)

Klasifikace

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Klasifikace (povinné)
allowedModels Povolené modely pro úlohu klasifikace Pole řetězců obsahující některou z těchto možností:
BernoulliNaiveBayes
'DecisionTree'
'ExtremeRandomTrees'
GradientBoosting
"KNN"
'LightGBM'
'LinearSVM'
Logistická regrese
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
SVM
'XGBoostClassifier'
blockedModels Blokované modely pro úlohu klasifikace Pole řetězců obsahující některou z těchto možností:
BernoulliNaiveBayes
'DecisionTree'
'ExtremeRandomTrees'
GradientBoosting
"KNN"
'LightGBM'
'LinearSVM'
Logistická regrese
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
SVM
'XGBoostClassifier'
nastavení dat Vstupy dat pro úlohu AutoML. TableVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro úkol. 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
NormMacroRecall
'PrecisionScoreWeighted'
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

TableVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
Testdata Testování vstupu dat TestDataSettings
trainingData [Povinné] Trénování zadávání dat. TrainingDataSettings (povinné)
validationData Vstupy ověřovacích dat. TableVerticalValidationDataSettings
weightColumnName Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje jako vstup vážený sloupec, což způsobuje, že se řádky v datech váží nahoru nebo dolů. řetězec

TestDataSettings

Název Description Hodnota
data Testovat data MLTable. MLTableJobInput
testDataSize Zlomek testovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

MLTableJobInput

Název Description Hodnota
description Popis vstupu. řetězec
jobInputType [Povinné] Určuje typ úlohy. CustomModel
'Literál'
'MLFlowModel'
'MLTable'
'TritonModel'
'UriFile'
'UriFolder' (povinné)
režim Režim doručení vstupního majetku. "Přímé"
'Stáhnout'
EvalDownload
'EvalMount'
ReadOnlyMount
'ReadWriteMount'
Uri [Povinné] Identifikátor URI vstupního prostředku. string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

TrainingDataSettings

Název Description Hodnota
data [Povinné] Trénovací data MLTable. MLTableJobInput (povinné)

TableVerticalValidationDataSettings

Název Description Hodnota
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
data MlTable ověřovacích dat. MLTableJobInput
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

NCrossValidations

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoNCrossValidations

Název Description Hodnota
režim [Povinné] Režim pro určení N-Křížového ověřování "Automaticky" (povinné)

CustomNCrossValidations

Název Description Hodnota
režim [Povinné] Režim pro určení N-Křížového ověřování 'Vlastní' (povinné)
hodnota [Povinné] Hodnota N-Cross validations int (povinné)

TableVerticalFeaturizationSettings

Název Description Hodnota
blockedTransformers Tyto transformátory nesmí být použity při featurizaci. string[]
columnNameAndTypes Slovník názvu sloupce a jeho typu (int, float, řetězec, datetime atd.). object
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec
dropColumns Sloupce, které mají být vyřazeny z dat během featurizace. string[]
enableDnnFeaturization Určuje, zda se mají pro featurizaci dat použít featurizátory založené na Dnn. bool
režim Režim featurizace – Uživatel si může ponechat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi featurizace.
Pokud je vybrána možnost Vypnuto, není hotová žádná funkce.
Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy a přizpůsobit tak, jak se provádí funkce.		 'Automaticky'
Vlastní
Vypnuto
transformátorParams Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které se má použít, a parametry konstruktoru transformátoru. object

TableVerticalLimitSettings

Název Description Hodnota
enableEarlyTermination Povolení předčasného ukončení určuje, jestli se úloha Automatického strojového učení předčasně ukončí, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. bool
exitScore Skóre ukončení úlohy AutoML int
maxConcurrentTrials Maximální počet souběžných iterací. int
maxCoresPerTrial Maximální počet jader na iteraci int
maxTrials Počet iterací. int
timeout Vypršení časového limitu úlohy AutoML řetězec
trialTimeout Vypršení časového limitu iterace. řetězec

Nastavení školení

Název Description Hodnota
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznakem zapnete u nejlepšího modelu vysvětlitelnost. bool
enableOnnxCompatibleModels Příznak pro povolení modelů kompatibilních s onnx. bool
enableStackEnsemble Povolte spuštění souboru zásobníku. bool
enableVoteEnsemble Povolte spuštění hlasovacího souboru. bool
ensembleModelDownloadTimeout Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
stackEnsembleSettings Nastavení souboru zásobníku pro spuštění souboru zásobníku. StackEnsembleSettings

StackEnsembleSettings

Název Description Hodnota
stackMetaLearnerKWargs Volitelné parametry, které se mají předat inicializátoru meta-learneru. Pro Bicep můžete použít funkci any().
stackMetaLearnerTrainPercentage Určuje podíl trénovací sady (při výběru typu trénování a ověřování trénování), který má být vyhrazen pro trénování metaučchače. Výchozí hodnota je 0,2. int
stackMetaLearnerType Meta-learner je model natrénovaný na výstupu jednotlivých heterogenních modelů. ElasticNet
ElasticNetCV
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
Logistická regrese
'LogisticRegressionCV'
'Žádný'

Prognózování

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Prognózování (povinné)
allowedModels Povolené modely pro úlohu prognózování Pole řetězců obsahující některou z těchto možností:
"Arimax"
'AutoArima'
"Průměr"
'DecisionTree'
ElasticNet
'ExponentialSmoothing'
'ExtremeRandomTrees'
GradientBoosting
"KNN"
LassoLars
'LightGBM'
'Naive'
'Prorok'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedModels Blokované modely pro úlohu prognózování Pole řetězců obsahující některou z těchto možností:
"Arimax"
'AutoArima'
"Průměr"
'DecisionTree'
ElasticNet
'ExponentialSmoothing'
'ExtremeRandomTrees'
GradientBoosting
"KNN"
LassoLars
'LightGBM'
'Naive'
'Prorok'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
nastavení dat Vstupy dat pro úlohu AutoML. TableVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prognózování vstupů specifických pro úkol. ForecastingSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro úkol prognózování. NormaldMeanAbsoluteError
NormalizedRootMeanSquaredError
'R2Score'
'SpearmanCorrelation'
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

ForecastingSettings

Název Description Hodnota
countryOrRegionForHolidays Země nebo oblast pro svátky pro úkoly prognózování
Mělo by to být dvoumísmenné kódy země/oblasti ISO 3166, například "US" nebo "GB".		 řetězec
cvStepSize Počet období mezi časem vzniku jednoho přeložení životopisu a dalším přeložením. Pro
CVStepSize Pokud je například = 3 pro denní data, čas počátku každého záhybů bude
tři dny od sebe.		 int
featureLags Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. 'Automaticky'
'Žádný'
forecastHorizon Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. ForecastHorizon
frequency Při prognózování tento parametr představuje období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. řetězec
Sezónnost Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady.
Pokud je sezónnost nastavená na "auto", bude odvozena.		 Sezónnost
shortSeriesHandlingConfig Parametr definující, jak má AutoML zpracovávat krátké časové řady. 'Automaticky'
'Drop'
'Žádný'
'Pad'
targetAggregateFunction Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem.
Pokud je targetAggregateFunction nastaven, tj. nikoli None, ale není nastaven parametr freq, dojde k chybě. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".		 'Max'
'Střední'
"Min"
'Žádný'
'Součet'
targetLags Počet minulých období, která mají být zpožděna od cílového sloupce. Cílovélagy
targetRollingWindowSize Počet minulých období použitých k vytvoření průměru klouzavého okna cílového sloupce. TargetRollingWindowSize
timeColumnName Název sloupce času. Tento parametr se vyžaduje při prognózování, aby bylo možné zadat sloupec datetime ve vstupních datech použitých pro sestavení časové řady a odvození její frekvence. řetězec
timeSeriesIdColumnNames Názvy sloupců sloužících k seskupení časových období. Dá se použít k vytvoření více řad.
Pokud není definováno zrnění, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá s prognózováním typu úlohy.		 string[]
useStl Nakonfigurujte rozklad STL cílového sloupce časové řady. 'Žádný'
'Sezóna'
'SeasonTrend'

ForecastHorizon

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoForecastHorizon

Název Description Hodnota
režim [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. "Automaticky" (povinné)

CustomForecastHorizon

Název Description Hodnota
režim [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. 'Vlastní' (povinné)
hodnota [Povinné] Hodnota horizontu prognózy. int (povinné)

Sezónnost

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoSeasonality

Název Description Hodnota
režim [Povinné] Režim sezónnosti. "Automaticky" (povinné)

CustomSeasonality

Název Description Hodnota
režim [Povinné] Režim sezónnosti. 'Vlastní' (povinné)
hodnota [Povinné] Hodnota sezónnosti. int (povinné)

Cílovélagy

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoTargetLags

Název Description Hodnota
režim [Povinné] Nastavení režimu cílové prodlevy – automatické nebo vlastní "Automaticky" (povinné)

CustomTargetLags

Název Description Hodnota
režim [Povinné] Nastavení režimu cílové prodlevy – automatické nebo vlastní 'Vlastní' (povinné)
values [Povinné] Nastavte hodnoty prodlevy cíle. int[] (povinné)

TargetRollingWindowSize

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoTargetRollingWindowSize

Název Description Hodnota
režim [Povinné] Režim detekce TargetRollingWindowSiz. "Automaticky" (povinné)

CustomTargetRollingWindowSize

Název Description Hodnota
režim [Povinné] Režim detekce TargetRollingWindowSiz. 'Vlastní' (povinné)
hodnota [Povinné] Hodnota TargetRollingWindowSize. int (povinné)

ImageClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageClassification (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsClassification
primaryMetric Primární metrika pro optimalizaci pro tento úkol 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
NormMacroRecall
'PrecisionScoreWeighted'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

ImageVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
Testdata Testování vstupu dat TestDataSettings
trainingData [Povinné] Trénování zadávání dat. TrainingDataSettings (povinné)
validationData Nastavení ověřovací datové sady. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Název Description Hodnota
data MlTable ověřovacích dat. MLTableJobInput
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

ImageLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací automatického strojového učení int
maxTrials Maximální počet iterací automatického strojového učení int
timeout Vypršení časového limitu úlohy AutoML řetězec

ImageModelSettingsClassification

Název Description Hodnota
advancedSettings Nastavení pro pokročilé scénáře. řetězec
amsGradient Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". bool
rozšíření Nastavení pro použití rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. int
beta2 Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. int
checkpointDatasetId ID sady FileDataset pro předem natrénované kontrolní body pro přírůstkové trénování.
Nezapomeňte předat CheckpointFilename spolu s CheckpointDatasetId.		 řetězec
checkpointFilename Předem natrénovaný název souboru kontrolního bodu v souboruDataset pro přírůstkové trénování.
Nezapomeňte předat CheckpointDatasetId spolu s CheckpointFilename.		 řetězec
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointRunId ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. řetězec
Distribuované Jestli se má použít distribuované trénování. bool
earlyStopping Povolte logiku předčasného zastavení během trénování. bool
earlyStoppingDelay Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky
je sledován pro brzké zastavení. Musí být kladné celé číslo.		 int
earlyStoppingPatience Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před
spuštění je zastaveno. Musí být kladné celé číslo.		 int
enableOnnxNormalization Povolte normalizaci při exportu modelu ONNX. bool
evaluationFrequency Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. int
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při kumulaci gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 int
layersToFreeze Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro "seresnext" znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. int
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". 'Žádný'
'Krok'
"WarmupCosine"
modelName Název modelu, který se má použít pro trénování
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. int
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". bool
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. int
numberOfWorkers Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. int
Optimalizátor Typ optimalizátoru Adam
Adamw
'Žádný'
'Sgd'
randomSeed Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. int
splitRatio Pokud nejsou definována ověřovací data, určuje poměr rozdělení pro rozdělení.
trénování dat na náhodné trénování a ověřovací podmnožinu. Musí být float v rozsahu [0, 1].		 int
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. int
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. int
trainingBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. int
trainingCropSize Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. int
validationBatchSize Velikost dávky ověření. Musí být kladné celé číslo. int
validationCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. int
validationResizeSize Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. int
warmupCosineLRCycles Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. int
warmupCosineLRWarmupEpochs Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. int
váhaDecay Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. int
weightedLoss Vážená ztráta. Akceptované hodnoty jsou 0 pro žádné vážené ztráty.
1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2.
 int

ImageModelDistributionSettingsClassification

Název Description Hodnota
amsGradient Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". řetězec
rozšíření Nastavení pro použití rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. řetězec
beta2 Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. řetězec
Distribuované Jestli se má použít trénování distribuce. řetězec
earlyStopping Povolte logiku předčasného zastavení během trénování. řetězec
earlyStoppingDelay Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky
je sledován pro brzké zastavení. Musí být kladné celé číslo.		 řetězec
earlyStoppingPatience Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před
spuštění je zastaveno. Musí být kladné celé číslo.		 řetězec
enableOnnxNormalization Povolte normalizaci při exportu modelu ONNX. řetězec
evaluationFrequency Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. řetězec
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při kumulaci gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 řetězec
layersToFreeze Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro "seresnext" znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
learningRate Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". řetězec
modelName Název modelu, který se má použít pro trénování
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. řetězec
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". řetězec
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. řetězec
numberOfWorkers Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. řetězec
Optimalizátor Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". řetězec
randomSeed Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. řetězec
splitRatio Pokud nejsou definována ověřovací data, určuje poměr rozdělení pro rozdělení.
trénování dat na náhodné trénování a ověřovací podmnožinu. Musí být float v rozsahu [0, 1].		 řetězec
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. řetězec
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. řetězec
trainingBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. řetězec
trainingCropSize Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. řetězec
validationBatchSize Velikost dávky ověření. Musí být kladné celé číslo. řetězec
validationCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. řetězec
validationResizeSize Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. řetězec
warmupCosineLRCycles Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. řetězec
warmupCosineLRWarmupEpochs Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. řetězec
váhaDecay Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. řetězec
weightedLoss Vážená ztráta. Přípustné hodnoty jsou 0 bez vážené ztráty.
1 pro váženou ztrátu sqrt. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0, 1 nebo 2.
 řetězec

ImageSweepSettings

Název Description Hodnota
earlyTermination Typ zásad předčasného ukončení EarlyTerminationPolicy
Limity [Povinné] Nastavení omezení pro zametání modelů a zametání hyperparametrů ImageSweepLimitSettings (povinné)
samplingAlgorithm [Povinné] Typ algoritmů vzorkování hyperparametrů "Bayesovská"
'Mřížka'
'Random' (povinné)

EarlyTerminationPolicy

Název Description Hodnota
delayEvaluation Počet intervalů, o které se má zpozdit první vyhodnocení int
evaluationInterval Interval (počet spuštění) mezi vyhodnoceními zásad int
policyType Nastavení typu objektu Bandita
MediánStopping
TruncationSelection (povinné)

Zásady bandit

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad 'Bandit' (povinné)
slackAmount Je povolená absolutní vzdálenost od běhu s nejlepším výkonem. int
SlackFactor Poměr povolené vzdálenosti od nejvýkonnějšího běhu int

Zásady medianStoppingPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad 'MedianStopping' (povinné)

TruncationSelectionPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad TruncationSelection (povinné)
truncationPercentage Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. int

ImageSweepLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací pro podkladovou úlohu Uklidit. int
maxTrials Maximální počet iterací pro podkladovou úlohu Uklidit. int

ImageClassificationMultilabel

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageClassificationMultilabel (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu. ImageModelSettingsClassification
primaryMetric Primární metrika pro optimalizaci pro tuto úlohu 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
"IOU"
'NormMacroRecall'
'PrecisionScoreWeighted'
prostor vyhledávání Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Související nastavení úklidu modelů a hyperparametrů ImageSweepSettings

ImageInstanceSegmentation

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageInstanceSegmentation (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu. ImageModelSettingsObjectDetection
primaryMetric Primární metrika pro optimalizaci pro tuto úlohu 'MeanAveragePrecision'
prostor vyhledávání Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Související nastavení úklidu modelů a hyperparametrů ImageSweepSettings

ImageModelSettingsObjectDetection

Název Description Hodnota
advancedSettings Nastavení pro pokročilé scénáře řetězec
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. bool
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
boxDetectionsPerImage Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
boxScoreThreshold Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než
BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1].		 int
checkpointDatasetId ID fileDataset pro předem vytrénované kontrolní body pro přírůstkové trénování.
Nezapomeňte předat CheckpointFilename spolu s CheckpointDatasetId.		 řetězec
kontrolní bodNázev souboru Předem vytrénovaný název souboru kontrolního bodu v FileDataset pro přírůstkové trénování.
Nezapomeňte předat CheckpointDatasetId společně s checkpointFilename.		 řetězec
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointRunId ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. řetězec
Distribuované Jestli se má použít distribuované trénování. bool
earlyStopping Povolte logiku předčasného zastavení během trénování. bool
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 int
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 int
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX bool
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. int
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 int
Imagesize Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 int
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. int
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. 'Žádný'
'Krok'
"WarmupCosine"
maxSize Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
Minsize Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
velikost modelu Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge".
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 "ExtraLarge"
'Velký'
"Střední"
'Žádný'
"Malý"
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. int
multiscale Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %.
Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 bool
Nesterov Povolte nesterov, pokud je optimalizátor sgd. bool
nmsIouThreshold Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí se jednat o float v rozsahu [0, 1]. int
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. int
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. int
Optimalizátor Typ optimalizátoru "Adam"
Adamw
'Žádný'
'Sgd'
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. int
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 int
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. int
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. int
tileGridSize Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být
Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
dlaždiceOverlapRatio Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1).
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
tilePredictionsNmsThreshold Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků.
Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1].
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
trénováníBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. int
validationBatchSize Velikost ověřovací dávky. Musí být kladné celé číslo. int
validationIouThreshold Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být plovoucí v rozsahu [0, 1]. int
validationMetricType Metoda výpočtu metrik, která se má použít pro metriky ověřování. "Coco"
'CocoVoc'
'Žádný'
'Voc'
warmupCosineLRCycles Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. int
warmupCosineLRWarmupEpochs Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. int
váhaDecay Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. int

ImageModelDistributionSettingsObjectDetection

Název Description Hodnota
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. řetězec
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
boxDetectionsPerImage Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
boxScoreThreshold Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než
BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1].		 řetězec
Distribuované Jestli se má použít trénování distribuce. řetězec
earlyStopping Povolte logiku předčasného zastavení během trénování. řetězec
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 řetězec
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 řetězec
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX řetězec
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. řetězec
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 řetězec
Imagesize Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. řetězec
maxSize Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
Minsize Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
velikost modelu Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge".
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. řetězec
multiscale Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %.
Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
Nesterov Povolte nesterov, pokud je optimalizátor sgd. řetězec
nmsIouThreshold Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí být plovoucí v rozsahu [0, 1]. řetězec
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. řetězec
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. řetězec
Optimalizátor Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". řetězec
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. řetězec
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 řetězec
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. řetězec
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. řetězec
tileGridSize Velikost mřížky, která se má použít pro dlaždici jednotlivých obrázků. Poznámka: TileGridSize nesmí být
Žádný, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
tileOverlapRatio Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1).
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
tilePredictionsNmsThreshold Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků.
Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1].
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
NMS: Ne maximální potlačení		 řetězec
trainingBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. řetězec
validationBatchSize Velikost dávky ověření. Musí být kladné celé číslo. řetězec
validationIouThreshold Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. řetězec
validationMetricType Metoda výpočtu metrik, která se má použít pro ověřovací metriky. Musí být "none", "coco", "voc" nebo "coco_voc". řetězec
warmupCosineLRCycles Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. řetězec
warmupCosineLRWarmupEpochs Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. řetězec
váhaDecay Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. řetězec

ImageObjectDetection

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageObjectDetection (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsObjectDetection
primaryMetric Primární metrika pro optimalizaci pro tento úkol 'MeanAveragePrecision'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

Regrese

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Regrese (povinné)
allowedModels Povolené modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
"KNN"
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedModels Blokované modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
nastavení dat Datové vstupy pro úlohu AutoML. Nastavení TableVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro regresní úlohu NormalizedMeanAbsoluteError
NormaldRootMeanSquaredError
R2Score
'SpearmanCorrelation'
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

Klasifikace textu

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. 'TextClassification' (povinné)
nastavení dat Datové vstupy pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings
primaryMetric Primární metrika pro Text-Classification úkol 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
'NormMacroRecall'
'PrecisionScoreWeighted'

NlpVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Testdata Otestujte vstup dat. Nastavení testovacích dat
trénovacídata [Povinné] Trénování vstupu dat. TrainingDataSettings (povinné)
validationData Vstupy ověřovacích dat. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Název Description Hodnota
data MlTable ověřovacích dat. MLTableJobInput
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

NlpVerticalFeaturizationSettings

Název Description Hodnota
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec

NlpVerticalLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací Automatizovaného strojového učení int
maxTrials Počet iterací automatizovaného strojového učení int
timeout Vypršel časový limit úlohy Automatizovaného strojového učení. řetězec

TextClassificationMultilabel

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. 'TextClassificationMultilabel' (povinné)
nastavení dat Datové vstupy pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings

Textovýner

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. 'TextNER' (povinné)
nastavení dat Datové vstupy pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings

Úloha příkazového řádku

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. Příkaz (povinné)
id kódu ID prostředku ARM prostředku kódu. řetězec
command [Povinné] Příkaz, který se spustí při spuštění úlohy. např. "python train.py" string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]
Distribuce Konfigurace distribuce úlohy. Pokud je nastavená hodnota, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. Konfigurace distribuce
id prostředí [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
environmentVariables Proměnné prostředí zahrnuté v úloze object
Vstupy Mapování vstupních datových vazeb použitých v úloze object
Limity Limit úlohy příkazu CommandJobLimits
Výstupy Mapování výstupních datových vazeb použitých v úloze object
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace prostředků

Konfigurace distribuce

Název Description Hodnota
distributionType Nastavení typu objektu Mpi
PyTorch
TensorFlow (povinné)

Mpi

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. Mpi (povinné)
processCountPerInstance Počet procesů na uzel MPI int

PyTorch

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. PyTorch (povinné)
processCountPerInstance Počet procesů na uzel int

TensorFlow

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. TensorFlow (povinné)
parametrServerCount Počet úloh serveru parametrů int
počet pracovních procesů Počet pracovních procesů Pokud není zadaný, použije se výchozí počet instancí. int

CommandJobLimits

Název Description Hodnota
jobLimitsType [Povinné] Typ JobLimit 'Příkaz'
"Uklidit" (povinné)
timeout Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. řetězec

Úloha kanálu

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. Kanál (povinné)
Vstupy Vstupy pro úlohu kanálu. object
Úlohy Úlohy vytvoří úlohu kanálu. object
Výstupy Výstupy pro úlohu kanálu object
nastavení Nastavení kanálu, například ContinueRunOnStepFailure atd. Pro Bicep můžete použít funkci any().

SweepJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. "Uklidit" (povinné)
earlyTermination Zásady předčasného ukončení umožňují zrušit spuštění s nízkým výkonem před jejich dokončením. EarlyTerminationPolicy
Vstupy Mapování vstupních datových vazeb použitých v úloze object
Limity Limit úlohy úklidu. SweepJobLimits
Cílem [Povinné] Cíl optimalizace. Cíl (povinné)
Výstupy Mapování výstupních datových vazeb použitých v úloze object
samplingAlgorithm [Povinné] Algoritmus vzorkování hyperparametrů SamplingAlgorithm (povinné)
prostor vyhledávání [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru. Pro Bicep můžete použít funkci any(). (povinné)
trial [Povinné] Definice zkušební komponenty TrialComponent (povinné)

SweepJobLimits

Název Description Hodnota
jobLimitsType [Povinné] Typ JobLimit 'Příkaz'
"Uklidit" (povinné)
maxConcurrentTrials Maximální počet souběžných zkušebních verzí úlohy úklidu. int
maxTotalTrials Úklidová úloha – maximální celkový počet pokusů. int
timeout Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. řetězec
trialTimeout Hodnota časového limitu zkušební úlohy úklidu řetězec

Cíl

Název Description Hodnota
goal [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. Maximalizovat
Minimalizovat (povinné)
primaryMetric [Povinné] Název metriky, která se má optimalizovat. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

SamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType Nastavení typu objektu Bayesovské
Mřížky
Náhodné (povinné)

BayesianSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace "Bayesovské" (povinné)

GridSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace 'Mřížka' (povinné)

RandomSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace 'Random' (povinné)
Pravidlo Konkrétní typ náhodného algoritmu 'Random'
'Sobol'
Osiva Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel int

TrialComponent

Název Description Hodnota
id kódu ID prostředku ARM prostředku kódu. řetězec
command [Povinné] Příkaz, který se spustí při spuštění úlohy. např. "python train.py" string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]
Distribuce Konfigurace distribuce úlohy. Pokud je nastavená hodnota, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. Konfigurace distribuce
id prostředí [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
environmentVariables Proměnné prostředí zahrnuté v úloze object
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace prostředků

Šablony pro rychlý start

Následující šablony pro rychlý start nasadí tento typ prostředku.

Template (Šablona) Description
Vytvoření úlohy klasifikace automatizovaného strojového učení ve službě Azure Machine Learning

Nasazení do Azure		 Tato šablona vytvoří úlohu klasifikace Automatizovaného strojového učení služby Azure Machine Learning, která zjistí nejlepší model pro předpovídání toho, jestli klient předplatí termínovaný vklad u finanční instituce.
Vytvoření úlohy příkazu služby Azure Machine Learning

Nasazení do Azure		 Tato šablona vytvoří úlohu příkazu služby Azure Machine Learning se základním hello_world skriptem.
Vytvoření úlohy úklidu služby Azure Machine Learning

Nasazení do Azure		 Tato šablona vytvoří úlohu Azure Machine Learning Sweep pro ladění hyperparametrů.

Definice prostředku šablony ARM

Typ prostředku pracovních prostorů/úloh je možné nasadit s operacemi, které cílí na:

Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.

Formát prostředku

Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/jobs, přidejte do šablony následující kód JSON.

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

Objekty JobBaseDetails

Nastavte vlastnost jobType a určete typ objektu.

Pro AutoML použijte:

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

Jako příkaz použijte:

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

V části Kanál použijte:

  "jobType": "Pipeline",
  "inputs": {},
  "jobs": {},
  "outputs": {},
  "settings": {}

V části Uklidit použijte:

  "jobType": "Sweep",
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {},
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {},
  "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": {},
    "resources": {
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {}
    }
  }

Objekty IdentityConfiguration

Nastavte vlastnost identityType a určete typ objektu.

Pro AMLToken použijte:

  "identityType": "AMLToken"

V případě spravovaného použijte:

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

Jako UserIdentity použijte:

  "identityType": "UserIdentity"

Objekty ScheduleBase

Nastavte vlastnost scheduleType a určete typ objektu.

Pro Cron použijte:

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

Jako Opakování použijte:

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

Objekty AutoMLVertical

Nastavte vlastnost taskType tak, aby určila typ objektu.

Pro klasifikaci použijte:

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

Pro prognózování použijte:

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

Pro ImageClassification použijte:

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

Pro ImageClassificationMultilabel použijte:

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

Pro ImageInstanceSegmentation použijte:

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

Pro ImageObjectDetection použijte:

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

Pro regresi použijte:

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

Pro TextClassification použijte:

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

Pro TextClassificationMultilabel použijte:

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

Pro TextNER použijte:

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

Objekty NCrossValidations

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  "mode": "Auto"

Jako Vlastní použijte:

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

ForecastHorizon – objekty

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  "mode": "Auto"

Jako Vlastní použijte:

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

Objekty sezónnosti

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  "mode": "Auto"

Jako Vlastní použijte:

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

Objekty TargetLags

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  "mode": "Auto"

Jako Vlastní použijte:

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

TargetRollingWindowSize – objekty

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  "mode": "Auto"

Jako Vlastní použijte:

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

Objekty EarlyTerminationPolicy

Nastavte vlastnost policyType pro určení typu objektu.

Pro Bandit použijte:

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

Pro MedianStopping použijte:

  "policyType": "MedianStopping"

V části TruncationSelection použijte:

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

Objekty DistributionConfiguration

Nastavte vlastnost distributionType pro určení typu objektu.

Pro Mpi použijte:

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

Pro PyTorch použijte:

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

Pro TensorFlow použijte:

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

SamplingAlgorithm – objekty

Nastavte samplingAlgorithmType vlastnost určit typ objektu.

Pro Bayesian použijte:

  "samplingAlgorithmType": "Bayesian"

Jako Mřížka použijte:

  "samplingAlgorithmType": "Grid"

V případě náhodného použití použijte:

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

Hodnoty vlastností

pracovní prostory/úlohy

Název Description Hodnota
typ Typ prostředku Microsoft.MachineLearningServices/workspaces/jobs
apiVersion Verze rozhraní API prostředků '2022-02-01-preview'
name Název prostředku

Podívejte se, jak nastavit názvy a typy pro podřízené prostředky v šablonách JSON ARM.		 string (povinné)
properties [Povinné] Další atributy entity. JobBaseDetails (povinné)

JobBaseDetails

Název Description Hodnota
computeId ID prostředku ARM výpočetního prostředku řetězec
description Text popisu prostředku. řetězec
displayName Zobrazovaný název úlohy. řetězec
experimentName Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. řetězec
identity Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null.
Výchozí hodnota je AmlToken, pokud je null.		 Konfigurace identity
isArchived Je prostředek archivovaný? bool
properties Slovník vlastností majetku. object
schedule Definice úlohy plánu.
Pokud není k dispozici žádný plán, úloha se spustí jednou a okamžitě po odeslání.		 ScheduleBase
services Seznam koncových bodů úloh.
Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject.		 object
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object
typ úlohy Nastavení typu objektu AutoML
Příkaz
Kanál
Uklidit (povinné)

Konfigurace identity

Název Description Hodnota
identityType Nastavení typu objektu AMLToken
Spravované
Identita uživatele (povinné)

AmlToken

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. AMLToken (povinné)

Spravovaná identita

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. Spravované (povinné)
clientId Určuje identitu přiřazenou uživatelem podle ID klienta. V případě přiřazení systémem toto pole nenastavujte. řetězec

Omezení:
Minimální délka = 36
Maximální délka = 36
Vzor = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Určuje identitu přiřazenou uživatelem podle ID objektu. V případě přiřazení systémem toto pole nenastavujte. řetězec

Omezení:
Minimální délka = 36
Maximální délka = 36
Vzor = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. V případě přiřazení systémem toto pole nenastavujte. řetězec

Identita uživatele

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. UserIdentity (povinné)

ScheduleBase

Název Description Hodnota
endTime Určuje koncový čas plánu ve formátu ISO 8601.
Pokud není k dispozici, plán se spustí po neomezenou dobu.		 řetězec
scheduleStatus Určuje stav plánu. Zakázáno
Povoleno
startTime Určuje počáteční čas plánu ve formátu ISO 8601. řetězec
timeZone Určuje časové pásmo, ve kterém se plán spustí.
TimeZone by mělo odpovídat formátu časového pásma Windows.
 řetězec
typ plánu Nastavení typu objektu Cron
Opakování (povinné)

CronSchedule

Název Description Hodnota
typ plánu [Povinné] Určuje typ plánu. 'Cron' (povinné)
expression [Povinné] Určuje výraz cron plánu.
Výraz by měl mít formát NCronTab.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

RecurrenceSchedule

Název Description Hodnota
typ plánu [Povinné] Určuje typ plánu. Opakování (povinné)
frequency [Povinné] Určuje frekvenci, s jakou se má aktivovat plán. 'Den'
Hodina
'Minuta'
'Month'
"Týden" (povinné)
interval [Povinné] Určuje časový interval ve spojení s frekvencí. int (povinné)
Vzor Určuje způsob plánu opakování. RecurrencePattern

RecurrencePattern

Název Description Hodnota
hodiny [Povinné] Seznam hodin pro vzor plánu opakování int[] (povinné)
minutes [Povinné] Seznam minut pro vzor plánu opakování int[] (povinné)
Ve všední dny Seznam pracovních dnů pro vzor plánu opakování Pole řetězců obsahující některou z těchto možností:
"Pátek"
Pondělí
'Sobota'
Neděle
Čtvrtek
"Úterý"
Středa

AutoMLJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. AutoML (povinné)
id prostředí ID prostředku ARM specifikace prostředí pro úlohu.
Toto je volitelná hodnota, která se má zadat. Pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi produkčního prostředí automatizovaného strojového učení.		 řetězec
environmentVariables Proměnné prostředí zahrnuté v úloze object
Výstupy Mapování výstupních datových vazeb použitých v úloze object
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace prostředků
taskDetails [Povinné] Tento scénář představuje jednu z tabulek, NLP nebo image. AutoMLVertical (povinné)

Konfigurace prostředků

Název Description Hodnota
instanceCount Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem int
typ instance Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. řetězec
properties Další kontejner vlastností. object

AutoMLVertical

Název Description Hodnota
logVerbosity Podrobnosti protokolování pro úlohu 'Kritické'
Ladění
'Chyba'
'Informace'
NotSet
'Upozornění'
taskType Nastavení typu objektu Klasifikace
Prognózování
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regrese
Klasifikace textu
TextClassificationMultilabel
TextNER (povinné)

Klasifikace

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Klasifikace (povinné)
allowedModels Povolené modely pro úlohu klasifikace Pole řetězců obsahující některou z těchto možností:
BernoulliNaiveBayes
'DecisionTree'
'ExtremeRandomTrees'
GradientBoosting
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
SVM
'XGBoostClassifier'
blockedModels Blokované modely pro úlohu klasifikace Pole řetězců obsahující některou z těchto možností:
BernoulliNaiveBayes
'DecisionTree'
'ExtremeRandomTrees'
GradientBoosting
'KNN'
'LightGBM'
'LinearSVM'
'LogisticRegression'
'MultinomialNaiveBayes'
'RandomForest'
'SGD'
SVM
'XGBoostClassifier'
nastavení dat Datové vstupy pro úlohu AutoML. Nastavení TableVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika úkolu 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
'NormMacroRecall'
'PrecisionScoreWeighted'
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

Nastavení TableVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Testdata Otestujte vstup dat. Nastavení testovacích dat
trénovacídata [Povinné] Trénování vstupu dat. TrainingDataSettings (povinné)
validationData Vstupy ověřovacích dat. TableVerticalValidationDataSettings
váhový NázevSloupce Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech jsou vážené nahoru nebo dolů. řetězec

Nastavení testovacích dat

Název Description Hodnota
data MlTable testovacích dat. MLTableJobInput
testDataSize Část testovací datové sady, která musí být vyhrazena pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

MLTableJobInput

Název Description Hodnota
description Popis vstupu řetězec
jobInputType [Povinné] Určuje typ úlohy. CustomModel
'Literál'
MODEL MLFlowModel
'MLTable'
'TritonModel'
'UriFile'
'UriFolder' (povinné)
režim Režim doručení vstupního majetku. "Přímé"
'Stáhnout'
EvalDownload
'EvalMount'
ReadOnlyMount
'ReadWriteMount'
Uri [Povinné] Identifikátor URI vstupního prostředku. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

TrainingDataSettings

Název Description Hodnota
data [Povinné] MlTable trénovacích dat. MLTableJobInput (povinné)

TableVerticalValidationDataSettings

Název Description Hodnota
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
data MlTable ověřovacích dat. MLTableJobInput
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

NCrossValidations

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoNCrossValidations

Název Description Hodnota
režim [Povinné] Režim pro určení N-křížového ověření "Automaticky" (povinné)

CustomNCrossValidations

Název Description Hodnota
režim [Povinné] Režim pro určení N-křížového ověření Vlastní (povinné)
hodnota [Povinné] N-Hodnota křížového ověření. int (povinné)

TableVerticalFeaturizationSettings

Název Description Hodnota
blockedTransformers Tyto transformátory se nesmí používat při extrakci příznaků. string[]
columnNameAndTypes Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) object
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec
dropColumns Sloupce, které mají být vyřazeny z dat během featurizace. string[]
enableDnnFeaturization Určuje, zda se mají pro featurizaci dat použít featurizátory založené na Dnn. bool
režim Režim featurizace – Uživatel si může ponechat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi featurizace.
Pokud je vybrána možnost Vypnuto, není hotová žádná funkce.
Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy a přizpůsobit tak, jak se provádí funkce.		 'Automaticky'
Vlastní
Vypnuto
transformátorParams Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které se má použít, a parametry konstruktoru transformátoru. object

TableVerticalLimitSettings

Název Description Hodnota
enableEarlyTermination Povolení předčasného ukončení určuje, jestli se úloha Automatického strojového učení předčasně ukončí, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. bool
exitScore Skóre ukončení úlohy AutoML int
maxConcurrentTrials Maximální počet souběžných iterací. int
maxCoresPerTrial Maximální počet jader na iteraci int
maxTrials Počet iterací. int
timeout Vypršení časového limitu úlohy AutoML řetězec
trialTimeout Vypršení časového limitu iterace. řetězec

Nastavení školení

Název Description Hodnota
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznakem zapnete u nejlepšího modelu vysvětlitelnost. bool
enableOnnxCompatibleModels Příznak pro povolení modelů kompatibilních s onnx. bool
enableStackEnsemble Povolte spuštění souboru zásobníku. bool
enableVoteEnsemble Povolte spuštění hlasovacího souboru. bool
ensembleModelDownloadTimeout Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
stackEnsembleSettings Nastavení souboru zásobníku pro spuštění souboru zásobníku. StackEnsembleSettings

StackEnsembleSettings

Název Description Hodnota
stackMetaLearnerKWargs Volitelné parametry, které se mají předat inicializátoru meta-learneru.
stackMetaLearnerTrainPercentage Určuje podíl trénovací sady (při výběru typu trénování a ověřování trénování), který má být vyhrazen pro trénování metaučchače. Výchozí hodnota je 0,2. int
stackMetaLearnerType Meta-learner je model natrénovaný na výstupu jednotlivých heterogenních modelů. ElasticNet
ElasticNetCV
'LightGBMClassifier'
'LightGBMRegressor'
'LinearRegression'
Logistická regrese
'LogisticRegressionCV'
'Žádný'

Prognózování

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Prognózování (povinné)
allowedModels Povolené modely pro úlohu prognózování Pole řetězců obsahující některou z těchto možností:
'Arimax'
AutoArima
"Průměr"
'DecisionTree'
ElasticNet
ExponentialSmoothing
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'Naive'
'Prorok'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
blockedModels Blokované modely pro úlohu prognózování Pole řetězců obsahující některou z těchto možností:
'Arimax'
AutoArima
"Průměr"
'DecisionTree'
ElasticNet
ExponentialSmoothing
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'Naive'
'Prorok'
'RandomForest'
'SGD'
'SeasonalAverage'
'SeasonalNaive'
'TCNForecaster'
'XGBoostRegressor'
nastavení dat Datové vstupy pro úlohu AutoML. Nastavení TableVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
forecastingSettings Forecasting task specific vstupy. ForecastingSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro úkol prognózování NormalizedMeanAbsoluteError
NormaldRootMeanSquaredError
R2Score
'SpearmanCorrelation'
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

ForecastingSettings

Název Description Hodnota
země Nebo OblastProHolidays Země nebo oblast pro svátky pro úkoly prognózy
Měly by to být dvoumísmenné kódy země/oblasti iso 3166, například "US" nebo "GB".		 řetězec
cvStepSize Počet období mezi časem vzniku jednoho cv fold a dalším přehybem. Pro
například pokud CVStepSize = 3 pro denní data, čas počátku každého foldu bude
tři dny od sebe.		 int
funkceLags Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. 'Automaticky'
'Žádný'
prognózaHorizon Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. PrognózaHorizon
frequency Při prognózování tento parametr představuje období, se kterým je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. řetězec
Sezónnost Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady.
Pokud je sezónnost nastavená na hodnotu "auto", bude odvozena.		 Sezónnost
shortSeriesHandlingConfig Parametr definující, jak má AutoML zpracovávat krátké časové řady. 'Automaticky'
'Drop'
'Žádný'
'Pad'
targetAggregateFunction Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem.
Pokud je TargetAggregateFunction nastavena, tj. nikoli None, ale není nastaven parametr freq, je vyvolána chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".		 'Max'
'Střední'
"Min"
'Žádný'
'Součet'
targetLags Počet minulých období, která mají být zpožděna od cílového sloupce. Cílovélagy
targetRollingWindowSize Počet minulých období použitých k vytvoření průměru klouzavého okna cílového sloupce. TargetRollingWindowSize
timeColumnName Název sloupce času. Tento parametr se vyžaduje při prognózování, aby bylo možné zadat sloupec datetime ve vstupních datech použitých pro sestavení časové řady a odvození její frekvence. řetězec
timeSeriesIdColumnNames Názvy sloupců sloužících k seskupení časových období. Dá se použít k vytvoření více řad.
Pokud není definováno zrnění, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá s prognózováním typu úlohy.		 string[]
useStl Nakonfigurujte rozklad STL cílového sloupce časové řady. 'Žádný'
'Sezóna'
'SeasonTrend'

ForecastHorizon

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoForecastHorizon

Název Description Hodnota
režim [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. "Automaticky" (povinné)

CustomForecastHorizon

Název Description Hodnota
režim [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. 'Vlastní' (povinné)
hodnota [Povinné] Hodnota horizontu prognózy. int (povinné)

Sezónnost

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoSeasonality

Název Description Hodnota
režim [Povinné] Režim sezónnosti. "Automaticky" (povinné)

CustomSeasonality

Název Description Hodnota
režim [Povinné] Režim sezónnosti. 'Vlastní' (povinné)
hodnota [Povinné] Hodnota sezónnosti. int (povinné)

Cílovélagy

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoTargetLags

Název Description Hodnota
režim [Povinné] Nastavení režimu cílové prodlevy – automatické nebo vlastní "Automaticky" (povinné)

CustomTargetLags

Název Description Hodnota
režim [Povinné] Nastavení režimu cílové prodlevy – automatické nebo vlastní 'Vlastní' (povinné)
values [Povinné] Nastavte hodnoty prodlevy cíle. int[] (povinné)

TargetRollingWindowSize

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoTargetRollingWindowSize

Název Description Hodnota
režim [Povinné] Režim detekce TargetRollingWindowSiz. "Automaticky" (povinné)

CustomTargetRollingWindowSize

Název Description Hodnota
režim [Povinné] Režim detekce TargetRollingWindowSiz. 'Vlastní' (povinné)
hodnota [Povinné] Hodnota TargetRollingWindowSize. int (povinné)

ImageClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageClassification (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsClassification
primaryMetric Primární metrika pro optimalizaci pro tento úkol 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
NormMacroRecall
'PrecisionScoreWeighted'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

ImageVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
Testdata Testování vstupu dat TestDataSettings
trainingData [Povinné] Trénování zadávání dat. TrainingDataSettings (povinné)
validationData Nastavení ověřovací datové sady. ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Název Description Hodnota
data MlTable ověřovacích dat. MLTableJobInput
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

ImageLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací automatického strojového učení int
maxTrials Maximální počet iterací automatického strojového učení int
timeout Vypršení časového limitu úlohy AutoML řetězec

ImageModelSettingsClassification

Název Description Hodnota
advancedSettings Nastavení pro pokročilé scénáře řetězec
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. bool
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
checkpointDatasetId ID fileDataset pro předem vytrénované kontrolní body pro přírůstkové trénování.
Nezapomeňte předat CheckpointFilename spolu s CheckpointDatasetId.		 řetězec
kontrolní bodNázev souboru Předem vytrénovaný název souboru kontrolního bodu v FileDataset pro přírůstkové trénování.
Nezapomeňte předat CheckpointDatasetId společně s checkpointFilename.		 řetězec
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointRunId ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. řetězec
Distribuované Jestli se má použít distribuované trénování. bool
earlyStopping Povolte logiku předčasného zastavení během trénování. bool
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 int
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 int
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX bool
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. int
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 int
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. int
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. 'Žádný'
'Krok'
"WarmupCosine"
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. int
Nesterov Povolte nesterov, pokud je optimalizátor sgd. bool
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. int
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. int
Optimalizátor Typ optimalizátoru "Adam"
Adamw
'Žádný'
'Sgd'
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. int
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 int
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. int
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. int
trénováníBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. int
trainingCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. int
validationBatchSize Velikost ověřovací dávky. Musí být kladné celé číslo. int
validationCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. int
validationResizeSize Velikost obrázku, na kterou chcete před oříznutím změnit velikost datové sady pro ověření. Musí být kladné celé číslo. int
warmupCosineLRCycles Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. int
warmupCosineLRWarmupEpochs Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. int
váhaDecay Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. int
weightedLoss Vážená ztráta. Přípustné hodnoty jsou 0 bez vážené ztráty.
1 pro váženou ztrátu sqrt. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0, 1 nebo 2.
 int

ImageModelDistributionSettingsClassification

Název Description Hodnota
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. řetězec
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
Distribuované Jestli se má použít trénování distribuce. řetězec
earlyStopping Povolte logiku předčasného zastavení během trénování. řetězec
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 řetězec
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 řetězec
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX řetězec
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. řetězec
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 řetězec
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. řetězec
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. řetězec
Nesterov Povolte nesterov, pokud je optimalizátor sgd. řetězec
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. řetězec
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. řetězec
Optimalizátor Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". řetězec
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. řetězec
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 řetězec
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. řetězec
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. řetězec
trénováníBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. řetězec
trainingCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. řetězec
validationBatchSize Velikost ověřovací dávky. Musí být kladné celé číslo. řetězec
validationCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. řetězec
validationResizeSize Velikost obrázku, na kterou chcete před oříznutím změnit velikost datové sady pro ověření. Musí být kladné celé číslo. řetězec
warmupCosineLRCycles Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. řetězec
warmupCosineLRWarmupEpochs Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. řetězec
váhaDecay Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. řetězec
weightedLoss Vážená ztráta. Přípustné hodnoty jsou 0 bez vážené ztráty.
1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2.
 řetězec

ImageSweepSettings

Název Description Hodnota
earlyTermination Typ zásad předčasného ukončení. EarlyTerminationPolicy
Limity [Povinné] Omezení nastavení pro zametání modelů a zametání hyperparametrů ImageSweepLimitSettings (povinné)
samplingAlgorithm [Povinné] Typ algoritmů vzorkování hyperparametrů "Bayesian"
'Mřížka'
'Random' (povinné)

EarlyTerminationPolicy

Název Description Hodnota
delayEvaluation Počet intervalů, o které se má zpozdit první vyhodnocení int
evaluationInterval Interval (počet spuštění) mezi vyhodnoceními zásad int
policyType Nastavení typu objektu Bandita
MediánStopping
TruncationSelection (povinné)

BanditPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad 'Bandit' (povinné)
slackAmount Je povolená absolutní vzdálenost od nejvýkonnějšího běhu. int
slackFactor Poměr povolené vzdálenosti od nejvýkonnějšího běhu. int

MedianStoppingPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad "MedianStopping" (povinné)

TruncationSelectionPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad TruncationSelection (povinné)
truncationPercentage Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. int

ImageSweepLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací pro podkladovou úlohu Uklidit int
maxTrials Maximální počet iterací pro podkladovou úlohu Uklidit int

ImageClassificationMultilabel

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageClassificationMultilabel (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsClassification
primaryMetric Primární metrika pro optimalizaci pro tento úkol 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
"IOU"
NormMacroRecall
'PrecisionScoreWeighted'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

ImageInstanceSegmentation

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageInstanceSegmentation (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsObjectDetection
primaryMetric Primární metrika pro optimalizaci pro tento úkol 'MeanAveragePrecision'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

ImageModelSettingsObjectDetection

Název Description Hodnota
advancedSettings Nastavení pro pokročilé scénáře. řetězec
amsGradient Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". bool
rozšíření Nastavení pro použití rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. int
beta2 Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. int
boxDetectionsPerImage Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
boxScoreThreshold Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než
BoxScoreThreshold. Musí být float v rozsahu[0, 1].		 int
checkpointDatasetId ID sady FileDataset pro předem natrénované kontrolní body pro přírůstkové trénování.
Nezapomeňte předat CheckpointFilename spolu s CheckpointDatasetId.		 řetězec
checkpointFilename Předem natrénovaný název souboru kontrolního bodu v souboruDataset pro přírůstkové trénování.
Nezapomeňte předat CheckpointDatasetId spolu s CheckpointFilename.		 řetězec
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointRunId ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. řetězec
Distribuované Jestli se má použít distribuované trénování. bool
earlyStopping Povolte logiku předčasného zastavení během trénování. bool
earlyStoppingDelay Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky
je sledován pro brzké zastavení. Musí být kladné celé číslo.		 int
earlyStoppingPatience Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před
spuštění je zastaveno. Musí být kladné celé číslo.		 int
enableOnnxNormalization Povolte normalizaci při exportu modelu ONNX. bool
evaluationFrequency Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. int
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při kumulaci gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 int
Imagesize Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 int
layersToFreeze Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro "seresnext" znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. int
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". 'Žádný'
'Krok'
"WarmupCosine"
maxSize Maximální velikost obrázku, který má být před odesláním do páteřní sítě přeškálován.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
Minsize Minimální velikost image, která se má změnit na měřítko před tím, než ho nasdílíte do páteřní sítě.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
modelName Název modelu, který se má použít pro trénování
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
modelSize Velikost modelu. Musí být "small", "medium", "large" nebo "xlarge".
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost modelu příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 'ExtraLarge'
"Velký"
'Střední'
'Žádný'
"Malý"
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. int
multiScale Povolte vícenásobnou velikost obrázku tak, že velikost obrázku nastavíte o +/- 50 %.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud není dostatek paměti GPU.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 bool
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". bool
nmsIouThreshold Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float v rozsahu [0, 1]. int
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. int
numberOfWorkers Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. int
Optimalizátor Typ optimalizátoru Adam
Adamw
'Žádný'
'Sgd'
randomSeed Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. int
splitRatio Pokud nejsou definována ověřovací data, určuje poměr rozdělení pro rozdělení.
trénování dat na náhodné trénování a ověřovací podmnožinu. Musí být float v rozsahu [0, 1].		 int
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. int
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. int
tileGridSize Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být
Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
dlaždiceOverlapRatio Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1).
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
tilePredictionsNmsThreshold Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků.
Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1].
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
trénováníBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. int
validationBatchSize Velikost ověřovací dávky. Musí být kladné celé číslo. int
validationIouThreshold Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být plovoucí v rozsahu [0, 1]. int
validationMetricType Metoda výpočtu metrik, která se má použít pro metriky ověřování. "Coco"
'CocoVoc'
'Žádný'
'Voc'
warmupCosineLRCycles Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. int
warmupCosineLRWarmupEpochs Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. int
váhaDecay Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. int

ImageModelDistributionSettingsObjectDetection

Název Description Hodnota
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. řetězec
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
boxDetectionsPerImage Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
boxScoreThreshold Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než
BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1].		 řetězec
Distribuované Jestli se má použít trénování distribuce. řetězec
earlyStopping Povolte logiku předčasného zastavení během trénování. řetězec
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 řetězec
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 řetězec
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX řetězec
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. řetězec
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 řetězec
Imagesize Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. řetězec
maxSize Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
Minsize Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
velikost modelu Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge".
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. řetězec
multiscale Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %.
Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
Nesterov Povolte nesterov, pokud je optimalizátor sgd. řetězec
nmsIouThreshold Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí být plovoucí v rozsahu [0, 1]. řetězec
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. řetězec
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. řetězec
Optimalizátor Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". řetězec
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. řetězec
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 řetězec
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. řetězec
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. řetězec
tileGridSize Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být
Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
tileOverlapRatio Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1).
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
tilePredictionsNmsThreshold Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků.
Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1].
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
NMS: Ne maximální potlačení		 řetězec
trainingBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. řetězec
validationBatchSize Velikost dávky ověření. Musí být kladné celé číslo. řetězec
validationIouThreshold Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. řetězec
validationMetricType Metoda výpočtu metrik, která se má použít pro ověřovací metriky. Musí být "none", "coco", "voc" nebo "coco_voc". řetězec
warmupCosineLRCycles Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. řetězec
warmupCosineLRWarmupEpochs Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. řetězec
váhaDecay Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. řetězec

ImageObjectDetection

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageObjectDetection (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsObjectDetection
primaryMetric Primární metrika pro optimalizaci pro tento úkol 'MeanAveragePrecision'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

Regrese

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Regrese (povinné)
allowedModels Povolené modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
"KNN"
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedModels Blokované modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
"KNN"
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
nastavení dat Vstupy dat pro úlohu AutoML. TableVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro regresní úlohu NormaldMeanAbsoluteError
NormalizedRootMeanSquaredError
'R2Score'
'SpearmanCorrelation'
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

TextClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. 'TextClassification' (povinné)
nastavení dat Vstupy dat pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings
primaryMetric Primární metrika pro Text-Classification úkol 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
NormMacroRecall
'PrecisionScoreWeighted'

NlpVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
Testdata Testování vstupu dat TestDataSettings
trainingData [Povinné] Trénování zadávání dat. TrainingDataSettings (povinné)
validationData Vstupy ověřovacích dat. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Název Description Hodnota
data MlTable ověřovacích dat. MLTableJobInput
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

NlpVerticalFeaturizationSettings

Název Description Hodnota
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec

NlpVerticalLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací automatického strojového učení int
maxTrials Počet iterací automatického strojového učení int
timeout Vypršení časového limitu úlohy AutoML řetězec

TextClassificationMultilabel

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. TextClassificationMultilabel (povinné)
nastavení dat Vstupy dat pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings

TextNer

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. TextNER (povinné)
nastavení dat Vstupy dat pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings

Úloha příkazového řádku

Název Description Hodnota
jobType [Povinné] Určuje typ úlohy. Příkaz (povinné)
id kódu ID prostředku ARM pro prostředek kódu. řetězec
command [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" string (povinné)

Omezení:
Minimální délka = 1
Pattern = [a-zA-Z0-9_]
Distribuce Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. DistributionConfiguration (Konfigurace distribuce)
environmentId [Povinné] ID prostředku ARM specifikace prostředí pro úlohu string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
environmentVariables Proměnné prostředí zahrnuté v úloze. object
Vstupy Mapování vstupních datových vazeb používaných v úloze object
Limity Limit úlohy příkazu CommandJobLimits
Výstupy Mapování výstupních datových vazeb používaných v úloze object
resources Konfigurace výpočetních prostředků pro úlohu Konfigurace prostředků

DistributionConfiguration (Konfigurace distribuce)

Název Description Hodnota
distributionType Nastavení typu objektu Mpi
PyTorch
TensorFlow (povinné)

Mpi

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. Mpi (povinné)
processCountPerInstance Počet procesů na uzel MPI int

PyTorch

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. PyTorch (povinné)
processCountPerInstance Počet procesů na uzel int

TensorFlow

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. TensorFlow (povinné)
parametrServerCount Počet úloh serveru parametrů int
počet pracovních procesů Počet pracovních procesů Pokud není zadaný, použije se výchozí počet instancí. int

CommandJobLimits

Název Description Hodnota
jobLimitsType [Povinné] Typ JobLimit 'Příkaz'
"Uklidit" (povinné)
timeout Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. řetězec

Úloha kanálu

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. Kanál (povinné)
Vstupy Vstupy pro úlohu kanálu. object
Úlohy Úlohy vytvoří úlohu kanálu. object
Výstupy Výstupy pro úlohu kanálu object
nastavení Nastavení kanálu, například ContinueRunOnStepFailure atd.

SweepJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. "Uklidit" (povinné)
earlyTermination Zásady předčasného ukončení umožňují zrušit spuštění s nízkým výkonem před jejich dokončením. EarlyTerminationPolicy
Vstupy Mapování vstupních datových vazeb použitých v úloze object
Limity Limit úlohy úklidu. SweepJobLimits
Cílem [Povinné] Cíl optimalizace. Cíl (povinné)
Výstupy Mapování výstupních datových vazeb použitých v úloze object
samplingAlgorithm [Povinné] Algoritmus vzorkování hyperparametrů SamplingAlgorithm (povinné)
prostor vyhledávání [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.
trial [Povinné] Definice zkušební komponenty TrialComponent (povinné)

SweepJobLimits

Název Description Hodnota
jobLimitsType [Povinné] Typ JobLimit 'Příkaz'
"Uklidit" (povinné)
maxConcurrentTrials Maximální počet souběžných zkušebních verzí úlohy úklidu. int
maxTotalTrials Úklidová úloha – maximální celkový počet pokusů. int
timeout Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. řetězec
trialTimeout Hodnota časového limitu zkušební úlohy úklidu řetězec

Cíl

Název Description Hodnota
goal [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. Maximalizovat
Minimalizovat (povinné)
primaryMetric [Povinné] Název metriky, která se má optimalizovat. string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

SamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType Nastavení typu objektu Bayesovské
Mřížky
Náhodné (povinné)

BayesianSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace "Bayesian" (povinné)

GridSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace "Mřížka" (povinné)

RandomSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný pro generování hodnot hyperparametrů spolu s vlastnostmi konfigurace 'Random' (povinné)
Pravidlo Konkrétní typ náhodného algoritmu 'Random'
'Sobol'
Osiva Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel int

Zkušební verze

Název Description Hodnota
id kódu ID prostředku ARM pro prostředek kódu. řetězec
command [Povinné] Příkaz, který se má spustit při spuštění úlohy. např. "python train.py" string (povinné)

Omezení:
Minimální délka = 1
Pattern = [a-zA-Z0-9_]
Distribuce Konfigurace distribuce úlohy. Pokud je tato možnost nastavená, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. DistributionConfiguration (Konfigurace distribuce)
environmentId [Povinné] ID prostředku ARM specifikace prostředí pro úlohu string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
environmentVariables Proměnné prostředí zahrnuté v úloze. object
resources Konfigurace výpočetních prostředků pro úlohu Konfigurace prostředků

Šablony pro rychlý start

Následující šablony rychlého startu nasadí tento typ prostředku.

Template (Šablona) Description
Vytvoření úlohy klasifikace automatického strojového učení služby Azure Machine Learning

Nasazení do Azure		 Tato šablona vytvoří úlohu klasifikace Automatického strojového učení služby Azure Machine Learning, která zjistí nejlepší model pro předpovídání, jestli se klient přihlásí k odběru vkladu s pevným termínem u finanční instituce.
Vytvoření úlohy příkazů služby Azure Machine Learning

Nasazení do Azure		 Tato šablona vytvoří úlohu příkazu Služby Azure Machine Learning se základním hello_world skriptem.
Vytvoření úlohy úklidu služby Azure Machine Learning

Nasazení do Azure		 Tato šablona vytvoří úlohu Azure Machine Learning Sweep pro ladění hyperparametrů.

Definice prostředku Terraformu (zprostředkovatele AzAPI)

Typ prostředku pracovních prostorů/úloh je možné nasadit s operacemi, které cílí na:

  • Skupiny prostředků

Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.

Formát prostředku

Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/jobs, přidejte do šablony následující Terraform.

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

Objekty JobBaseDetails

Nastavte vlastnost jobType a určete typ objektu.

Pro AutoML použijte:

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

Jako příkaz použijte:

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

V části Kanál použijte:

  jobType = "Pipeline"
  inputs = {}
  jobs = {}
  outputs = {}

V části Uklidit použijte:

  jobType = "Sweep"
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {}
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {}
  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 = {}
    resources = {
      instanceCount = int
      instanceType = "string"
      properties = {}
    }
  }

Objekty IdentityConfiguration

Nastavte vlastnost identityType a určete typ objektu.

Pro AMLToken použijte:

  identityType = "AMLToken"

V případě spravovaného použijte:

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

Jako UserIdentity použijte:

  identityType = "UserIdentity"

Objekty ScheduleBase

Nastavte vlastnost scheduleType a určete typ objektu.

Pro Cron použijte:

  scheduleType = "Cron"
  expression = "string"

Jako Opakování použijte:

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

Objekty AutoMLVertical

Nastavte vlastnost taskType tak, aby určila typ objektu.

Pro klasifikaci použijte:

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

Pro prognózování použijte:

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

Pro ImageClassification použijte:

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

Pro ImageClassificationMultilabel použijte:

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

Pro ImageInstanceSegmentation použijte:

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

Pro ImageObjectDetection použijte:

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

Pro regresi použijte:

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

Pro TextClassification použijte:

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

Pro TextClassificationMultilabel použijte:

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

Pro TextNER použijte:

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

Objekty NCrossValidations

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  mode = "Auto"

Jako Vlastní použijte:

  mode = "Custom"
  value = int

ForecastHorizon – objekty

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  mode = "Auto"

Jako Vlastní použijte:

  mode = "Custom"
  value = int

Objekty sezónnosti

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  mode = "Auto"

Jako Vlastní použijte:

  mode = "Custom"
  value = int

Objekty TargetLags

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  mode = "Auto"

Jako Vlastní použijte:

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize – objekty

Nastavte vlastnost mode pro určení typu objektu.

V části Automaticky použijte:

  mode = "Auto"

Jako Vlastní použijte:

  mode = "Custom"
  value = int

Objekty EarlyTerminationPolicy

Nastavte vlastnost policyType pro určení typu objektu.

Pro Bandit použijte:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Pro MedianStopping použijte:

  policyType = "MedianStopping"

V části TruncationSelection použijte:

  policyType = "TruncationSelection"
  truncationPercentage = int

Objekty DistributionConfiguration

Nastavte vlastnost distributionType pro určení typu objektu.

Pro Mpi použijte:

  distributionType = "Mpi"
  processCountPerInstance = int

Pro PyTorch použijte:

  distributionType = "PyTorch"
  processCountPerInstance = int

Pro TensorFlow použijte:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

SamplingAlgorithm – objekty

Nastavte samplingAlgorithmType vlastnost určit typ objektu.

Pro Bayesian použijte:

  samplingAlgorithmType = "Bayesian"

Jako Mřížka použijte:

  samplingAlgorithmType = "Grid"

V případě náhodného použití použijte:

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

Hodnoty vlastností

pracovní prostory/úlohy

Název Description Hodnota
typ Typ prostředku Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview
name Název prostředku string (povinné)
parent_id ID prostředku, který je nadřazený pro tento prostředek. ID prostředku typu: pracovní prostory
properties [Povinné] Další atributy entity. JobBaseDetails (povinné)

JobBaseDetails

Název Description Hodnota
computeId ID prostředku ARM výpočetního prostředku řetězec
description Text popisu prostředku. řetězec
displayName Zobrazovaný název úlohy. řetězec
experimentName Název experimentu, do který úloha patří. Pokud není tato úloha nastavená, umístí se do experimentu Výchozí. řetězec
identity Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z hodnot AmlToken, ManagedIdentity, UserIdentity nebo null.
Výchozí hodnota je AmlToken, pokud je null.		 Konfigurace identity
isArchived Je prostředek archivovaný? bool
properties Slovník vlastností majetku. object
schedule Definice úlohy plánu.
Pokud není k dispozici žádný plán, úloha se spustí jednou a okamžitě po odeslání.		 ScheduleBase
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 object
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object
jobType Nastavení typu objektu AutoML
Příkaz
Kanál
Uklidit (povinné)

Konfigurace identity

Název Description Hodnota
identityType Nastavení typu objektu AMLToken
Spravované
UserIdentity (povinné)

AmlToken

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. "AMLToken" (povinné)

Spravovaná identita

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. "Spravované" (povinné)
clientId Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené toto pole nenastavujte. řetězec

Omezení:
Minimální délka = 36
Maximální délka = 36
Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené toto pole nenastavujte. řetězec

Omezení:
Minimální délka = 36
Maximální délka = 36
Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené toto pole nenastavujte. řetězec

Identita uživatele

Název Description Hodnota
identityType [Povinné] Určuje typ architektury identit. "UserIdentity" (povinné)

ScheduleBase

Název Description Hodnota
endTime Určuje koncový čas plánu ve formátu ISO 8601.
Pokud není k dispozici, plán bude běžet natrvalo.		 řetězec
scheduleStatus Určuje stav plánu. "Zakázáno"
"Povoleno"
startTime Určuje počáteční čas plánu ve formátu ISO 8601. řetězec
timeZone Určuje časové pásmo, ve kterém plán běží.
Časové pásmo by mělo odpovídat formátu časového pásma Windows.
 řetězec
scheduleType Nastavení typu objektu Cron
Opakování (povinné)

CronSchedule

Název Description Hodnota
scheduleType [Povinné] Určuje typ plánu. "Cron" (povinné)
expression [Povinné] Určuje cron výraz plánu.
Výraz by měl mít formát NCronTab.		 string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

RecurrenceSchedule

Název Description Hodnota
scheduleType [Povinné] Určuje typ plánu. "Opakování" (povinné)
frequency [Povinné] Určuje frekvenci, s jakou se má aktivovat plán. "Den"
"Hodina"
"Minuta"
"Month"
"Týden" (povinné)
interval [Povinné] Určuje interval plánu ve spojení s frekvencí. int (povinné)
Vzor Určuje vzor plánu opakování. RecurrencePattern

RecurrencePattern

Název Description Hodnota
hodiny [Povinné] Seznam hodin pro vzor plánu opakování int[] (povinné)
minutes [Povinné] Seznam minut pro vzor plánu opakování int[] (povinné)
Ve všední dny Seznam pracovních dnů pro vzor plánu opakování Pole řetězců obsahující některou z těchto možností:
"Pátek"
"Pondělí"
"Sobota"
"Neděle"
"Čtvrtek"
"Úterý"
"Středa"

AutoMLJob

Název Description Hodnota
jobType [Povinné] Určuje typ úlohy. "AutoML" (povinné)
environmentId ID prostředku ARM specifikace prostředí pro úlohu
Jedná se o volitelnou hodnotu, která se má zadat, pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi prostředí kurátorované v produkčním automatickém strojovém učení.		 řetězec
environmentVariables Proměnné prostředí zahrnuté v úloze. object
Výstupy Mapování výstupních datových vazeb používaných v úloze object
resources Konfigurace výpočetních prostředků pro úlohu Konfigurace prostředků
taskDetails [Povinné] To představuje scénář, který může být jedním z tabulek, NLP nebo image. AutoMLVertical (povinné)

Konfigurace prostředků

Název Description Hodnota
instanceCount Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem int
instanceType Volitelný typ virtuálního počítače, který je podporován cílovým výpočetním prostředím. řetězec
properties Další vlastnosti taška. object

AutoMLVertical

Název Description Hodnota
logVerbosity Protokolování podrobností pro úlohu "Kritické"
"Debug" (Ladění)
"Chyba"
"Informace"
"NotSet"
"Upozornění"
taskType Nastavení typu objektu Klasifikace
Prognózování
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regrese
TextClassification
TextClassificationMultilabel
TextNER (povinné)

Klasifikace

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "Klasifikace" (povinné)
allowedModels Povolené modely pro úlohu klasifikace Pole řetězců obsahující některou z těchto možností:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"Logistická regrese"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
blockedModels Blokované modely pro úlohu klasifikace Pole řetězců obsahující některou z těchto možností:
"BernoulliNaiveBayes"
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LightGBM"
"LinearSVM"
"Logistická regrese"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
"XGBoostClassifier"
nastavení dat Datové vstupy pro úlohu AutoML. Nastavení TableVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika úkolu "AUCWeighted"
"Přesnost"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

Nastavení TableVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Testdata Otestujte vstup dat. Nastavení testovacích dat
trénovacídata [Povinné] Trénování vstupu dat. TrainingDataSettings (povinné)
validationData Vstupy ověřovacích dat. TableVerticalValidationDataSettings
váhový NázevSloupce Název sloupce hmotnosti vzorku. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech jsou vážené nahoru nebo dolů. řetězec

Nastavení testovacích dat

Název Description Hodnota
data MlTable testovacích dat. MLTableJobInput
testDataSize Část testovací datové sady, která musí být vyhrazena pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

MLTableJobInput

Název Description Hodnota
description Popis vstupu řetězec
jobInputType [Povinné] Určuje typ úlohy. "CustomModel"
"Literál"
"MLFlowModel"
"MLTable"
"TritonModel"
"UriFile"
"UriFolder" (povinné)
režim Režim doručení vstupního majetku. "Přímé"
"Stáhnout"
"EvalDownload"
"EvalMount"
"ReadOnlyMount"
"ReadWriteMount"
Uri [Povinné] Identifikátor URI vstupního prostředku. string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

TrainingDataSettings

Název Description Hodnota
data [Povinné] Trénovací data MLTable. MLTableJobInput (povinné)

TableVerticalValidationDataSettings

Název Description Hodnota
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
data MlTable ověřovacích dat. MLTableJobInput
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

NCrossValidations

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoNCrossValidations

Název Description Hodnota
režim [Povinné] Režim pro určení N-Křížového ověřování "Automaticky" (povinné)

CustomNCrossValidations

Název Description Hodnota
režim [Povinné] Režim pro určení N-Křížového ověřování "Vlastní" (povinné)
hodnota [Povinné] Hodnota N-Cross validations int (povinné)

TableVerticalFeaturizationSettings

Název Description Hodnota
blockedTransformers Tyto transformátory nesmí být použity při featurizaci. string[]
columnNameAndTypes Slovník názvu sloupce a jeho typu (int, float, řetězec, datetime atd.). object
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec
dropColumns Sloupce, které mají být vyřazeny z dat během featurizace. string[]
enableDnnFeaturization Určuje, zda se mají pro featurizaci dat použít featurizátory založené na Dnn. bool
režim Režim featurizace – Uživatel si může ponechat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi featurizace.
Pokud je vybrána možnost Vypnuto, není hotová žádná funkce.
Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy a přizpůsobit tak, jak se provádí funkce.		 "Automaticky"
"Vlastní"
"Vypnuto"
transformátorParams Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které se má použít, a parametry konstruktoru transformátoru. object

TableVerticalLimitSettings

Název Description Hodnota
enableEarlyTermination Povolení předčasného ukončení určuje, jestli se úloha Automatického strojového učení předčasně ukončí, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. bool
exitScore Skóre ukončení úlohy AutoML int
maxConcurrentTrials Maximální počet souběžných iterací. int
maxCoresPerTrial Maximální počet jader na iteraci int
maxTrials Počet iterací. int
timeout Vypršení časového limitu úlohy AutoML řetězec
trialTimeout Vypršení časového limitu iterace. řetězec

Nastavení školení

Název Description Hodnota
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznakem zapnete u nejlepšího modelu vysvětlitelnost. bool
enableOnnxCompatibleModels Příznak pro povolení modelů kompatibilních s onnx. bool
enableStackEnsemble Povolte spuštění souboru zásobníku. bool
enableVoteEnsemble Povolte spuštění hlasovacího souboru. bool
ensembleModelDownloadTimeout Během generování modelů VotingEnsemble a StackEnsemble se stáhne několik modelů vybavených z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
stackEnsembleSettings Nastavení souboru zásobníku pro spuštění souboru zásobníku. StackEnsembleSettings

StackEnsembleSettings

Název Description Hodnota
stackMetaLearnerKWargs Volitelné parametry, které se mají předat inicializátoru meta-learneru.
stackMetaLearnerTrainPercentage Určuje podíl trénovací sady (při výběru typu trénování a ověřování trénování), který má být vyhrazen pro trénování metaučchače. Výchozí hodnota je 0,2. int
stackMetaLearnerType Meta-learner je model natrénovaný na výstupu jednotlivých heterogenních modelů. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"Lineární regrese"
"Logistická regrese"
"LogisticRegressionCV"
"Žádné"

Prognózování

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "Prognózování" (povinné)
allowedModels Povolené modely pro úlohu prognózování Pole řetězců obsahující některou z těchto možností:
"Arimax"
"AutoArima"
"Average" (Průměr)
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Prorok"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
blockedModels Blokované modely pro úlohu prognózování Pole řetězců obsahující některou z těchto možností:
"Arimax"
"AutoArima"
"Average" (Průměr)
"DecisionTree"
"ElasticNet"
"ExponentialSmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"Naive"
"Prorok"
"RandomForest"
"SGD"
"SeasonalAverage"
"SeasonalNaive"
"TCNForecaster"
"XGBoostRegressor"
nastavení dat Vstupy dat pro úlohu AutoML. TableVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prognózování vstupů specifických pro úkol. ForecastingSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro úkol prognózování. "NormalizedMeanAbsoluteError"
NormalizedRootMeanSquaredError
"R2Score"
"SpearmanCorrelation"
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

ForecastingSettings

Název Description Hodnota
countryOrRegionForHolidays Země nebo oblast pro svátky pro úkoly prognózování
Mělo by to být dvoumísmenné kódy země/oblasti ISO 3166, například "US" nebo "GB".		 řetězec
cvStepSize Počet období mezi časem vzniku jednoho přeložení životopisu a dalším přeložením. Pro
CVStepSize Pokud je například = 3 pro denní data, čas počátku každého záhybů bude
tři dny od sebe.		 int
featureLags Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. "Automaticky"
"Žádné"
forecastHorizon Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. ForecastHorizon
frequency Při prognózování tento parametr představuje období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. řetězec
Sezónnost Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady.
Pokud je sezónnost nastavená na "auto", bude odvozena.		 Sezónnost
shortSeriesHandlingConfig Parametr definující, jak má AutoML zpracovávat krátké časové řady. "Automaticky"
"Drop"
"Žádné"
"Pad"
targetAggregateFunction Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem.
Pokud je targetAggregateFunction nastaven, tj. nikoli None, ale není nastaven parametr freq, dojde k chybě. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".		 "Max"
"Střední"
"Min"
"Žádné"
"Součet"
targetLags Počet minulých období, která mají být zpožděna od cílového sloupce. Cílovélagy
targetRollingWindowSize Počet minulých období použitých k vytvoření průměru klouzavého okna cílového sloupce. TargetRollingWindowSize
timeColumnName Název sloupce času. Tento parametr se vyžaduje při prognózování, aby bylo možné zadat sloupec datetime ve vstupních datech použitých pro sestavení časové řady a odvození její frekvence. řetězec
timeSeriesIdColumnNames Názvy sloupců sloužících k seskupení časových období. Dá se použít k vytvoření více řad.
Pokud není definováno agregační interval, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá při prognózování typu úlohy.		 string[]
useStl Nakonfigurujte STL rozklad cílového sloupce časové řady. "Žádné"
"Season"
"SeasonTrend"

PrognózaHorizon

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

Automatické předsměrové vysíláníHorizon

Název Description Hodnota
režim [Povinné] Nastavte režim výběru hodnot horizontu prognózy. "Automaticky" (povinné)

CustomForecastHorizon

Název Description Hodnota
režim [Povinné] Nastavte režim výběru hodnot horizontu prognózy. "Vlastní" (povinné)
hodnota [Povinné] Hodnota horizontu prognózy. int (povinné)

Sezónnost

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoSeasonality

Název Description Hodnota
režim [Povinné] Režim sezónnosti. "Automaticky" (povinné)

VlastníSeasonality

Název Description Hodnota
režim [Povinné] Režim sezónnosti. "Vlastní" (povinné)
hodnota [Povinné] Hodnota sezónnosti. int (povinné)

Cílovélagy

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoTargetLags

Název Description Hodnota
režim [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní "Automaticky" (povinné)

CustomTargetLags

Název Description Hodnota
režim [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní "Vlastní" (povinné)
values [Povinné] Nastavte hodnoty prodlevy cíle. int[] (povinné)

TargetRollingWindowSize

Název Description Hodnota
režim Nastavení typu objektu Auto
Vlastní (povinné)

AutoTargetRollingWindowSize

Název Description Hodnota
režim [Povinné] Režim detekce TargetRollingWindowSiz. "Automaticky" (povinné)

CustomTargetRollingWindowSize

Název Description Hodnota
režim [Povinné] Režim detekce TargetRollingWindowSiz. "Vlastní" (povinné)
hodnota [Povinné] Hodnota TargetRollingWindowSize. int (povinné)

ImageClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "ImageClassification" (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu. ImageModelSettingsClassification
primaryMetric Primární metrika pro optimalizaci pro tuto úlohu "AUCWeighted"
"Přesnost"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
prostor vyhledávání Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Související nastavení úklidu modelů a hyperparametrů ImageSweepSettings

ImageVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Testdata Otestujte vstup dat. Nastavení testovacích dat
trénovacídata [Povinné] Trénování vstupu dat. TrainingDataSettings (povinné)
validationData Nastavení pro ověřovací datovou sadu ImageVerticalValidationDataSettings

ImageVerticalValidationDataSettings

Název Description Hodnota
data MlTable ověřovacích dat. MLTableJobInput
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

ImageLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací Automatizovaného strojového učení int
maxTrials Maximální počet iterací Automatizovaného strojového učení int
timeout Vypršel časový limit úlohy Automatizovaného strojového učení. řetězec

ImageModelSettingsClassification

Název Description Hodnota
advancedSettings Nastavení pro pokročilé scénáře řetězec
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. bool
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
checkpointDatasetId ID fileDataset pro předem vytrénované kontrolní body pro přírůstkové trénování.
Nezapomeňte předat CheckpointFilename spolu s CheckpointDatasetId.		 řetězec
kontrolní bodNázev souboru Předem vytrénovaný název souboru kontrolního bodu v FileDataset pro přírůstkové trénování.
Nezapomeňte předat CheckpointDatasetId společně s checkpointFilename.		 řetězec
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointRunId ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. řetězec
Distribuované Jestli se má použít distribuované trénování. bool
earlyStopping Povolte logiku předčasného zastavení během trénování. bool
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 int
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 int
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX bool
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. int
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 int
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. int
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. "Žádné"
"Krok"
"WarmupCosine"
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. int
Nesterov Povolte nesterov, pokud je optimalizátor sgd. bool
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. int
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. int
Optimalizátor Typ optimalizátoru "Adam"
"Adamw"
"Žádné"
"Sgd"
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. int
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 int
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. int
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. int
trénováníBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. int
trainingCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. int
validationBatchSize Velikost ověřovací dávky. Musí být kladné celé číslo. int
validationCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. int
validationResizeSize Velikost obrázku, na kterou chcete před oříznutím změnit velikost datové sady pro ověření. Musí být kladné celé číslo. int
warmupCosineLRCycles Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1]. int
warmupCosineLRWarmupEpochs Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo. int
váhaDecay Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1]. int
weightedLoss Vážená ztráta. Přípustné hodnoty jsou 0 bez vážené ztráty.
1 pro váženou ztrátu sqrt. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0, 1 nebo 2.
 int

ImageModelDistributionSettingsClassification

Název Description Hodnota
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. řetězec
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. řetězec
Distribuované Jestli se má použít trénování distribuce. řetězec
earlyStopping Povolte logiku předčasného zastavení během trénování. řetězec
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 řetězec
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 řetězec
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX řetězec
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. řetězec
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 řetězec
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
learningRate Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". řetězec
modelName Název modelu, který se má použít pro trénování
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. řetězec
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". řetězec
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. řetězec
numberOfWorkers Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. řetězec
Optimalizátor Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". řetězec
randomSeed Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. řetězec
splitRatio Pokud nejsou definována ověřovací data, určuje poměr rozdělení pro rozdělení.
trénování dat na náhodné trénování a ověřovací podmnožinu. Musí být float v rozsahu [0, 1].		 řetězec
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. řetězec
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. řetězec
trainingBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. řetězec
trainingCropSize Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu. Musí být kladné celé číslo. řetězec
validationBatchSize Velikost dávky ověření. Musí být kladné celé číslo. řetězec
validationCropSize Velikost oříznutí obrázku, která je vstupem do neurální sítě pro ověřovací datovou sadu. Musí být kladné celé číslo. řetězec
validationResizeSize Velikost obrázku, na kterou se má změnit velikost před oříznutím pro účely ověření datové sady. Musí být kladné celé číslo. řetězec
warmupCosineLRCycles Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. řetězec
warmupCosineLRWarmupEpochs Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. řetězec
váhaDecay Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. řetězec
weightedLoss Vážená ztráta. Akceptované hodnoty jsou 0 pro žádné vážené ztráty.
1 pro hubnutí sqrt. (class_weights). 2 pro hubnutí s class_weights. Musí být 0, 1 nebo 2.
 řetězec

ImageSweepSettings

Název Description Hodnota
earlyTermination Typ zásad předčasného ukončení. EarlyTerminationPolicy
Limity [Povinné] Omezení nastavení pro zametání modelů a zametání hyperparametrů ImageSweepLimitSettings (povinné)
samplingAlgorithm [Povinné] Typ algoritmů vzorkování hyperparametrů "Bayesian"
"Mřížka"
"Náhodné" (povinné)

EarlyTerminationPolicy

Název Description Hodnota
delayEvaluation Počet intervalů, o které se má zpozdit první vyhodnocení int
evaluationInterval Interval (počet spuštění) mezi vyhodnoceními zásad int
policyType Nastavení typu objektu Bandita
MediánStopping
TruncationSelection (povinné)

Zásady bandit

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad "Bandit" (povinné)
slackAmount Je povolená absolutní vzdálenost od běhu s nejlepším výkonem. int
SlackFactor Poměr povolené vzdálenosti od nejvýkonnějšího běhu int

Zásady medianStoppingPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad "MedianStopping" (povinné)

TruncationSelectionPolicy

Název Description Hodnota
policyType [Povinné] Název konfigurace zásad "TruncationSelection" (povinné)
truncationPercentage Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení. int

ImageSweepLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací pro podkladovou úlohu Uklidit. int
maxTrials Maximální počet iterací pro podkladovou úlohu Uklidit. int

ImageClassificationMultilabel

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "ImageClassificationMultilabel" (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu. ImageModelSettingsClassification
primaryMetric Primární metrika pro optimalizaci pro tuto úlohu "AUCWeighted"
"Přesnost"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
"PrecisionScoreWeighted"
prostor vyhledávání Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Související nastavení úklidu modelů a hyperparametrů ImageSweepSettings

ImageInstanceSegmentation

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageInstanceSegmentation (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Nastavení omezení pro úlohu Automatizovaného strojového učení ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu. ImageModelSettingsObjectDetection
primaryMetric Primární metrika pro optimalizaci pro tuto úlohu "MeanAveragePrecision"
prostor vyhledávání Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Související nastavení úklidu modelů a hyperparametrů ImageSweepSettings

ImageModelSettingsObjectDetection

Název Description Hodnota
advancedSettings Nastavení pro pokročilé scénáře řetězec
amsGradient Povolte AMSGrad, pokud je optimalizátor adam nebo adamw. bool
rozšíření Nastavení pro používání rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
beta2 Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1]. int
boxDetectionsPerImage Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
boxScoreThreshold Během odvozu vrací pouze návrhy se skóre klasifikace vyšším než
BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1].		 int
checkpointDatasetId ID fileDataset pro předem vytrénované kontrolní body pro přírůstkové trénování.
Nezapomeňte předat CheckpointFilename spolu s CheckpointDatasetId.		 řetězec
kontrolní bodNázev souboru Předem vytrénovaný název souboru kontrolního bodu v FileDataset pro přírůstkové trénování.
Nezapomeňte předat CheckpointDatasetId společně s checkpointFilename.		 řetězec
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointRunId ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování. řetězec
Distribuované Jestli se má použít distribuované trénování. bool
earlyStopping Povolte logiku předčasného zastavení během trénování. bool
earlyStoppingDelay Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají čekat před zlepšením primární metriky
je sledováno pro předčasné zastavení. Musí být kladné celé číslo.		 int
earlyStoppingPatience Minimální počet epoch nebo ověřovacích hodnocení bez zlepšení primární metriky před
spuštění je zastaveno. Musí být kladné celé číslo.		 int
enableOnnxNormalization Povolení normalizace při exportu modelu ONNX bool
evaluationFrequency Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. int
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při shromažďování gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 int
Imagesize Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 int
layersToFreeze Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro 'seresnext' znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 int
learningRate Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. int
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". "Žádné"
"Krok"
"WarmupCosine"
maxSize Maximální velikost obrázku, který má být před odesláním do páteřní sítě přeškálován.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
Minsize Minimální velikost image, která se má změnit na měřítko před tím, než ho nasdílíte do páteřní sítě.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
modelName Název modelu, který se má použít pro trénování
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
modelSize Velikost modelu. Musí být "small", "medium", "large" nebo "xlarge".
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost modelu příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 "ExtraLarge"
"Velký"
"Střední"
"Žádné"
"Malý"
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. int
multiScale Povolte vícenásobnou velikost obrázku tak, že velikost obrázku nastavíte o +/- 50 %.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud není dostatek paměti GPU.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 bool
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". bool
nmsIouThreshold Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float v rozsahu [0, 1]. int
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. int
numberOfWorkers Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. int
Optimalizátor Typ optimalizátoru "Adam"
"Adamw"
"Žádné"
"Sgd"
randomSeed Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. int
splitRatio Pokud nejsou definována ověřovací data, určuje poměr rozdělení pro rozdělení.
trénování dat na náhodné trénování a ověřovací podmnožinu. Musí být float v rozsahu [0, 1].		 int
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1]. int
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. int
tileGridSize Velikost mřížky, která se má použít pro dlaždici jednotlivých obrázků. Poznámka: TileGridSize nesmí být
Žádný, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
tileOverlapRatio Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1).
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
tilePredictionsNmsThreshold Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků.
Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1].
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 int
trainingBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. int
validationBatchSize Velikost dávky ověření. Musí být kladné celé číslo. int
validationIouThreshold Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. int
validationMetricType Metoda výpočtu metrik, která se má použít pro ověřovací metriky. "Coco"
"CocoVoc"
"Žádné"
"Voc"
warmupCosineLRCycles Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. int
warmupCosineLRWarmupEpochs Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. int
váhaDecay Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. int

ImageModelDistributionSettingsObjectDetection

Název Description Hodnota
amsGradient Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". řetězec
rozšíření Nastavení pro použití rozšíření. řetězec
beta1 Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. řetězec
beta2 Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. řetězec
boxDetectionsPerImage Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
boxScoreThreshold Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než
BoxScoreThreshold. Musí být float v rozsahu[0, 1].		 řetězec
Distribuované Jestli se má použít trénování distribuce. řetězec
earlyStopping Povolte logiku předčasného zastavení během trénování. řetězec
earlyStoppingDelay Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky
je sledován pro brzké zastavení. Musí být kladné celé číslo.		 řetězec
earlyStoppingPatience Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před
spuštění je zastaveno. Musí být kladné celé číslo.		 řetězec
enableOnnxNormalization Povolte normalizaci při exportu modelu ONNX. řetězec
evaluationFrequency Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. řetězec
gradientAccumulationStep Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez
při kumulaci gradientů těchto kroků a následném použití
kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo.		 řetězec
Imagesize Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo.
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
layersToFreeze Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo.
Například předání 2 jako hodnoty pro "seresnext" znamená
zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu
Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
learningRate Počáteční rychlost učení. Musí se jednat o float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. řetězec
maxSize Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
Minsize Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko.
Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
název_modelu Název modelu, který se má použít pro trénování.
Další informace o dostupných modelech najdete v oficiální dokumentaci:
https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.		 řetězec
velikost modelu Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge".
Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
Hybnost Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. řetězec
multiscale Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %.
Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU.
Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".		 řetězec
Nesterov Povolte nesterov, pokud je optimalizátor sgd. řetězec
nmsIouThreshold Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí být plovoucí v rozsahu [0, 1]. řetězec
numberOfEpochs Počet epoch trénování Musí být kladné celé číslo. řetězec
numberOfWorkers Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. řetězec
Optimalizátor Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". řetězec
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. řetězec
rozdělitratio Pokud nejsou definována ověřovací data, určuje se poměr rozdělení pro rozdělení.
trénování dat do náhodných trénování a ověřovacích podmnožina. Musí se jednat o float v rozsahu [0, 1].		 řetězec
stepLRGamma Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. řetězec
stepLRStepSize Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. řetězec
tileGridSize Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být
Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
dlaždiceOverlapRatio Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1).
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".		 řetězec
tilePredictionsNmsThreshold Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků.
Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1].
Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
NMS: Non-maximum potlačení		 řetězec
trénováníBatchSize Velikost trénovací dávky. Musí být kladné celé číslo. řetězec
validationBatchSize Velikost ověřovací dávky. Musí být kladné celé číslo. řetězec
validationIouThreshold Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. řetězec
validationMetricType Metoda výpočtu metrik, která se má použít pro ověřovací metriky. Musí být "none", "coco", "voc" nebo "coco_voc". řetězec
warmupCosineLRCycles Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. řetězec
warmupCosineLRWarmupEpochs Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. řetězec
váhaDecay Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. řetězec

ImageObjectDetection

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "ImageObjectDetection" (povinné)
nastavení dat [Povinné] Kolekce registrovaných ID tabulkových datových sad a dalších nastavení dat potřebných pro trénování a ověřování modelů ImageVerticalDataSettings (povinné)
limitSettings [Povinné] Omezení nastavení pro úlohu AutoML ImageLimitSettings (povinné)
modelSettings Nastavení používaná pro trénování modelu ImageModelSettingsObjectDetection
primaryMetric Primární metrika pro optimalizaci pro tento úkol "MeanAveragePrecision"
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsObjectDetection[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings

Regrese

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "Regrese" (povinné)
allowedModels Povolené modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedModels Blokované modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
nastavení dat Vstupy dat pro úlohu AutoML. TableVerticalDataSettings
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
primaryMetric Primární metrika pro regresní úlohu "NormalizedMeanAbsoluteError"
NormalizedRootMeanSquaredError
"R2Score"
"SpearmanCorrelation"
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení školení

TextClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "TextClassification" (povinné)
nastavení dat Datové vstupy pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings
primaryMetric Primární metrika pro Text-Classification úkol "AUCWeighted"
"Přesnost"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"

NlpVerticalDataSettings

Název Description Hodnota
targetColumnName [Povinné] Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Testdata Otestujte vstup dat. Nastavení testovacích dat
trénovacídata [Povinné] Trénování vstupu dat. TrainingDataSettings (povinné)
validationData Vstupy ověřovacích dat. NlpVerticalValidationDataSettings

NlpVerticalValidationDataSettings

Název Description Hodnota
data MlTable ověřovacích dat. MLTableJobInput
validationDataSize Zlomek trénovací datové sady, který je potřeba vyhradit pro účely ověření.
Hodnoty mezi (0,0 , 1,0)
Použije se, když není k dispozici ověřovací datová sada.
 int

NlpVerticalFeaturizationSettings

Název Description Hodnota
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec

NlpVerticalLimitSettings

Název Description Hodnota
maxConcurrentTrials Maximální počet souběžných iterací Automatizovaného strojového učení int
maxTrials Počet iterací automatizovaného strojového učení int
timeout Vypršel časový limit úlohy Automatizovaného strojového učení. řetězec

TextClassificationMultilabel

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "TextClassificationMultilabel" (povinné)
nastavení dat Datové vstupy pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings

Textovýner

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "TextNER" (povinné)
nastavení dat Datové vstupy pro úlohu AutoML. NlpVerticalDataSettings
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings

Úloha příkazového řádku

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. "Příkaz" (povinné)
id kódu ID prostředku ARM prostředku kódu. řetězec
command [Povinné] Příkaz, který se spustí při spuštění úlohy. např. "python train.py" string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]
Distribuce Konfigurace distribuce úlohy. Pokud je nastavená hodnota, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. Konfigurace distribuce
id prostředí [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
environmentVariables Proměnné prostředí zahrnuté v úloze object
Vstupy Mapování vstupních datových vazeb použitých v úloze object
Limity Limit úlohy příkazu CommandJobLimits
Výstupy Mapování výstupních datových vazeb použitých v úloze object
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace prostředků

Konfigurace distribuce

Název Description Hodnota
distributionType Nastavení typu objektu Mpi
PyTorch
TensorFlow (povinné)

Mpi

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. "Mpi" (povinné)
processCountPerInstance Počet procesů na uzel MPI int

PyTorch

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. "PyTorch" (povinné)
processCountPerInstance Počet procesů na uzel int

TensorFlow

Název Description Hodnota
distributionType [Povinné] Určuje typ distribuční architektury. "TensorFlow" (povinné)
parametrServerCount Počet úloh serveru parametrů int
počet pracovních procesů Počet pracovních procesů Pokud není zadaný, použije se výchozí počet instancí. int

CommandJobLimits

Název Description Hodnota
jobLimitsType [Povinné] Typ JobLimit "Příkaz"
"Uklidit" (povinné)
timeout Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. řetězec

Úloha kanálu

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. "Kanál" (povinné)
Vstupy Vstupy pro úlohu kanálu. object
Úlohy Úlohy vytvoří úlohu kanálu. object
Výstupy Výstupy pro úlohu kanálu object
nastavení Nastavení kanálu, například ContinueRunOnStepFailure atd.

SweepJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. "Uklidit" (povinné)
earlyTermination Zásady předčasného ukončení umožňují zrušit spuštění s nízkým výkonem před jejich dokončením. EarlyTerminationPolicy
Vstupy Mapování vstupních datových vazeb použitých v úloze object
Limity Limit úlohy úklidu. SweepJobLimits
Cílem [Povinné] Cíl optimalizace. Cíl (povinné)
Výstupy Mapování výstupních datových vazeb použitých v úloze object
samplingAlgorithm [Povinné] Algoritmus vzorkování hyperparametrů SamplingAlgorithm (povinné)
prostor vyhledávání [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.
trial [Povinné] Definice zkušební komponenty TrialComponent (povinné)

SweepJobLimits

Název Description Hodnota
jobLimitsType [Povinné] Typ JobLimit "Příkaz"
"Uklidit" (povinné)
maxConcurrentTrials Maximální počet souběžných zkušebních verzí úlohy úklidu. int
maxTotalTrials Úklidová úloha – maximální celkový počet pokusů. int
timeout Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. řetězec
trialTimeout Hodnota časového limitu zkušební úlohy úklidu řetězec

Cíl

Název Description Hodnota
goal [Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů. "Maximalizovat"
"Minimalizovat" (povinné)
primaryMetric [Povinné] Název metriky, která se má optimalizovat. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

SamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType Nastavení typu objektu Bayesovské
Mřížky
Náhodné (povinné)

BayesianSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace "Bayesian" (povinné)

GridSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace "Mřížka" (povinné)

RandomSamplingAlgorithm

Název Description Hodnota
samplingAlgorithmType [Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace "Random" (povinné)
Pravidlo Konkrétní typ náhodného algoritmu "Random"
"Sobol"
Osiva Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel int

TrialComponent

Název Description Hodnota
id kódu ID prostředku ARM prostředku kódu. řetězec
command [Povinné] Příkaz, který se spustí při spuštění úlohy. např. "python train.py" string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]
Distribuce Konfigurace distribuce úlohy. Pokud je nastavená hodnota, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. Konfigurace distribuce
id prostředí [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
environmentVariables Proměnné prostředí zahrnuté v úloze object
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace prostředků