Sdílet prostřednictvím

Pracovní prostory/úlohy Microsoft.MachineLearningServices 2022-06-01-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@2022-06-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Objekty JobBaseProperties

Nastavte vlastnost jobType a zadejte typ objektu.

V případě automatizovaného strojového učení použijte:

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

Jako příkaz použijte:

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

Pro popisování použijte:

  jobType: 'Labeling'
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefreshEnabled: bool
  }
  jobInstructions: {
    uri: 'string'
  }
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelectEnabled: bool
    }
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelectEnabled: bool
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }

V části Kanál použijte:

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

Pro Spark použijte:

  jobType: 'Spark'
  archives: [
    'string'
  ]
  args: 'string'
  codeId: 'string'
  conf: {
    {customized property}: 'string'
  }
  entry: {
    sparkJobEntryType: 'string'
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId: 'string'
  files: [
    'string'
  ]
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jars: [
    'string'
  ]
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }

Pro uklidit použijte:

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

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 JobOutput

Nastavte vlastnost jobOutputType a určete typ objektu.

Pro custom_model použijte:

  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'

Pro mlflow_model použijte:

  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

Pro mltable použijte:

  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'

Pro triton_model použijte:

  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'

Pro uri_file použijte:

  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'

Pro uri_folder použijte:

  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Objekty AutoMLVertical

Nastavte vlastnost taskType a určete typ objektu.

Pro klasifikaci použijte:

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

Pro prognózování použijte:

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

Pro ImageClassification použijte:

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

Pro ImageClassificationMultilabel použijte:

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

Pro ImageInstanceSegmentation použijte:

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

Pro ImageObjectDetection použijte:

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

Pro regresi použijte:

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

Pro TextClassification použijte:

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

Pro TextClassificationMultilabel použijte:

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

Pro TextNER použijte:

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

Objekty JobInput

Nastavte vlastnost jobInputType a zadejte typ objektu.

Pro custom_model použijte:

  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'

Pro literál použijte:

  jobInputType: 'literal'
  value: 'string'

Pro mlflow_model použijte:

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

Pro mltable použijte:

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

Pro triton_model použijte:

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

Pro uri_file použijte:

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

Pro uri_folder použijte:

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

Objekty LabelingJobMediaProperties

Nastavte vlastnost mediaType a určete typ objektu.

Jako Obrázek použijte:

  mediaType: 'Image'
  annotationType: 'string'

Pro text použijte:

  mediaType: 'Text'
  annotationType: 'string'

MLAssistConfiguration – objekty

Nastavte vlastnost mlAssist pro určení typu objektu.

V části Zakázáno použijte:

  mlAssist: 'Disabled'

V části Povoleno použijte:

  mlAssist: 'Enabled'
  inferencingComputeBinding: 'string'
  trainingComputeBinding: 'string'

SparkJobEntry – objekty

Nastavte sparkJobEntryType vlastnost určit typ objektu.

Pro SparkJobPythonEntry použijte:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Pro SparkJobScalaEntry použijte:

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

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
name Název prostředku

Přečtěte si, jak nastavit názvy a typy pro podřízené prostředky v Bicepu.		 string (povinné)
Nadřazené V nástroji Bicep můžete zadat nadřazený prostředek pro podřízený prostředek. 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. JobBaseProperties (povinné)

JobBaseProperties

Název Description Hodnota
componentId ID prostředku ARM prostředku komponenty řetězec
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. ResourceBaseProperties
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 JobBaseServices
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object
jobType Nastavení typu objektu AutoML
Příkaz
Označování
Kanál
Spark
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. 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)

ResourceBaseProperties

Název Description Hodnota
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec

JobBaseServices

Název Description Hodnota
{přizpůsobená vlastnost} JobService
{přizpůsobená vlastnost} JobService

JobService

Název Description Hodnota
endpoint Adresa URL koncového bodu řetězec
jobServiceType Typ koncového bodu. řetězec
port Port pro koncový bod. int
properties Další vlastnosti, které se mají nastavit v koncovém bodu. Vlastnosti služby Úloh

Vlastnosti služby Úloh

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

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 AutoMLJobEnvironmentVariables
Výstupy Mapování výstupních datových vazeb použitých v úloze AutoMLJobOutputs
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace zdroje úlohy
taskDetails [Povinné] Tento scénář představuje jednu z tabulek, NLP nebo image. AutoMLVertical (povinné)

AutoMLJobEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

AutoMLJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Výstupní úloha

Výstupní úloha

Název Description Hodnota
description Popis výstupu řetězec
jobOutputType Nastavení typu objektu custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (povinné)

CustomModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "custom_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

MLFlowModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "mlflow_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

MLTableJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. 'mltable' (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

TritonModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "triton_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

UriFileJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "uri_file" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

UriFolderJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "uri_folder" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

Konfigurace zdroje úlohy

Název Description Hodnota
dockerArgs Další argumenty, které se předávají do příkazu Docker run. Tím by se přepsaly všechny parametry, které už byly nastaveny systémem nebo v této části. Tento parametr se podporuje pouze pro výpočetní typy Azure ML. řetězec
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. Vlastnosti konfigurace prostředků
velikost shmSize Velikost bloku sdílené paměti kontejneru Dockeru Mělo by to být ve formátu (number)(unit), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajtů) nebo g(gigabajtů). řetězec

Omezení:
Vzor = \d+[bBkKmMgG]

Vlastnosti konfigurace prostředků

Název Description Hodnota
{přizpůsobená vlastnost} Pro Bicep můžete použít funkci any().
{přizpůsobená vlastnost} Pro Bicep můžete použít funkci any().

AutoMLVertical

Název Description Hodnota
logVerbosity Podrobnosti protokolování pro úlohu 'Kritické'
Ladění
'Chyba'
'Informace'
NotSet
'Upozornění'
targetColumnName Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 řetězec
trénovacídata [Povinné] Trénování vstupu dat. MLTableJobInput (povinné)
taskType Nastavení typu objektu Klasifikace
Prognózování
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regrese
Klasifikace textu
TextClassificationMultilabel
TextNER (povinné)

MLTableJobInput

Název Description Hodnota
description Popis vstupu řetězec
jobInputType [Povinné] Určuje typ úlohy. "custom_model"
'literál'
'mlflow_model'
'mltable'
'triton_model'
"uri_file"
"uri_folder" (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_]

Klasifikace

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Klasifikace (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
positiveLabel Kladný popisek pro výpočet binárních metrik řetězec
primaryMetric Primární metrika pro úkol. 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
NormMacroRecall
'PrecisionScoreWeighted'
Testdata Testování vstupu dat 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. ClassificationTrainingSettings
validationData Vstupy 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
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

TableVerticalFeaturizationSettings

Název Description Hodnota
blockedTransformers Tyto transformátory nesmí být použity při featurizaci. Pole řetězců obsahující některou z těchto možností:
CatTargetEncoder
CountVectorizer
HashOneHotEncoder
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
TextTargetEncoder
TfIdf
'WoeTargetEncoder'
'WordEmbedding'
columnNameAndTypes Slovník názvu sloupce a jeho typu (int, float, řetězec, datetime atd.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec
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. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

TableVerticalFeaturizationSettingsTransformerParams

Název Description Hodnota
{přizpůsobená vlastnost} ColumnTransformer[]

ColumnTransformer

Název Description Hodnota
fields Pole, na která se má použít logika transformátoru string[]
parameters Různé vlastnosti, které se mají předat transformátoru.
Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON.
 Pro Bicep můžete použít funkci any().

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

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)

ClassificationTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prognózování vstupů specifických pro úkol. ForecastingSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
primaryMetric Primární metrika pro úkol prognózování. NormaldMeanAbsoluteError
NormalizedRootMeanSquaredError
'R2Score'
'SpearmanCorrelation'
Testdata Testování vstupu dat 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. ForecastingTrainingSettings
validationData Vstupy 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
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

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)

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)

ForecastingTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. 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 modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
nastavení stackEnsembleSettings Spustí se nastavení souboru zásobníku pro soubor zásobníku. Nastavení StackEnsembleSettings

ImageClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageClassification (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
validationData Vstupy 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
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointModel Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. MLFlowModelJobInput
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
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

MLFlowModelJobInput

Název Description Hodnota
description Popis vstupu řetězec
jobInputType [Povinné] Určuje typ úlohy. "custom_model"
'literal'
"mlflow_model"
'mltable'
'triton_model'
'uri_file'
"uri_folder" (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_]

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 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
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 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)
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'
searchSpace Vyhledejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů. ImageModelDistributionSettingsClassification[]
sweepSettings Nastavení související s úklidem modelů a hyperparametry. ImageSweepSettings
validationData Vstupy 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

ImageInstanceSegmentation

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageInstanceSegmentation (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
validationData Vstupy 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

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
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointModel Předtrénovaný model kontrolních bodů pro přírůstkové trénování MLFlowModelJobInput
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 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
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"
'Žádný'
'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 být float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". řetězec
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".		 řetězec
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".		 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
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".		 řetězec
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. řetězec
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".		 řetězec
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". řetězec
nmsIouThreshold Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float 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 Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. 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
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 plovoucí v rozsahu [0, 1]. řetězec
validationMetricType Metoda výpočtu metrik, která se má použít pro metriky ověřování. Musí to být "none", "coco", "voc" nebo "coco_voc". 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

ImageObjectDetection

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageObjectDetection (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
validationData Vstupy 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

Regrese

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Regrese (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
primaryMetric Primární metrika pro regresní úlohu NormalizedMeanAbsoluteError
NormaldRootMeanSquaredError
R2Score
'SpearmanCorrelation'
Testdata Otestujte vstup 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení regressionTrainingSettings
validationData Vstupy 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
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 regressionTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms Povolené modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms Blokované modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. 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 modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
nastavení stackEnsembleSettings Spustí se nastavení souboru zásobníku pro soubor zásobníku. Nastavení StackEnsembleSettings

Klasifikace textu

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. 'TextClassification' (povinné)
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'
validationData Vstupy ověřovacích dat. MLTableJobInput

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)
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings
validationData Vstupy ověřovacích dat. MLTableJobInput

TextNer

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

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. CommandJobEnvironmentVariables
Vstupy Mapování vstupních datových vazeb používaných v úloze CommandJobInputs
Limity Limit úlohy příkazu CommandJobLimits
Výstupy Mapování výstupních datových vazeb používaných v úloze CommandJobOutputs
resources Konfigurace výpočetních prostředků pro úlohu JobResourceConfiguration

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

CommandJobEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

CommandJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

Pracovní pozice

Název Description Hodnota
description Popis vstupu řetězec
jobInputType Nastavení typu objektu custom_model
Literálu
mlflow_model
mltable
triton_model
uri_file
uri_folder (povinné)

CustomModelJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "custom_model" (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_]

LiteralJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. 'literal' (povinné)
hodnota [Povinné] Hodnota literálu pro vstup. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

TritonModelJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "triton_model" (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_]

UriFileJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "uri_file" (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_]

UriFolderJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "uri_folder" (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_]

CommandJobLimits

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

CommandJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

PopiskyJobProperties

Název Description Hodnota
componentId ID prostředku ARM prostředku komponenty řetězec
computeId ID prostředku ARM výpočetního prostředku řetězec
konfigurace dat Konfigurace dat používaných v úloze LabelingDataConfiguration
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
jobInstructions Pokyny k označení úlohy. LabelingJobInstructions
jobType [Povinné] Určuje typ úlohy. AutoML
'Příkaz'
'Popisování'
Kanál
'Spark'
"Uklidit" (povinné)
labelCategories Popisky kategorií úlohy. LabelingJobLabelCategories
labelingJobMediaProperties Zadejte specifické vlastnosti média v úloze. LabelingJobMediaProperties
MlAssistConfiguration Konfigurace funkce MLAssist v úloze MLAssistConfiguration
properties Slovník vlastností majetku. ResourceBaseProperties
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 JobBaseServices
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object

LabelingDataConfiguration

Název Description Hodnota
id data ID prostředku datového prostředku, který má být označen. řetězec
incrementalDataRefreshEnabled Určuje, jestli se má povolit přírůstková aktualizace dat. bool

LabelingJobInstructions

Název Description Hodnota
Uri Odkaz na stránku s podrobnými pokyny pro popisky. řetězec

LabelingJobLabelCategories

Název Description Hodnota
{přizpůsobená vlastnost} LabelCategory
{přizpůsobená vlastnost} LabelCategory

LabelCategory

Název Description Hodnota
Třídy Slovník tříd popisků v této kategorii. LabelCategoryClasses
displayName Zobrazovaný název kategorie popisků řetězec
multiSelectEnabled Určuje, zda je povoleno vybrat více tříd v této kategorii. bool

LabelCategoryClasses

Název Description Hodnota
{přizpůsobená vlastnost} Třída LabelClass

Třída LabelClass

Název Description Hodnota
displayName Zobrazovaný název třídy popisku řetězec
Podtříd Slovník podtříd třídy popisku. LabelClassSubclasses

LabelClassSubclasses

Název Description Hodnota
{přizpůsobená vlastnost} Třída LabelClass

LabelingJobMediaProperties

Název Description Hodnota
Mediatype Nastavení typu objektu Obrázek
Text (povinné)

LabelingJobImageProperties

Název Description Hodnota
Mediatype [Povinné] Typ média úlohy. Obrázek (povinné)
annotationType Typ poznámky k úloze popisování obrázků. 'BoundingBox'
'Klasifikace'
InstanceSegmentation

PopiskyJobTextProperties

Název Description Hodnota
Mediatype [Povinné] Typ média úlohy. Text (povinné)
annotationType Typ poznámky úlohy popisování textu. 'Klasifikace'
'NamedEntityRecognition'

MLAssistConfiguration

Název Description Hodnota
MlAssist Nastavení typu objektu Zakázáno
Povoleno (povinné)

MLAssistConfigurationDisabled

Název Description Hodnota
MlAssist [Povinné] Označuje, jestli je povolená funkce MLAssist. Zakázáno (povinné)

MLAssistConfigurationEnabled

Název Description Hodnota
MlAssist [Povinné] Označuje, jestli je povolená funkce MLAssist. Povoleno (povinné)
inferencingComputeBinding [Povinné] Výpočetní vazba AML používaná při odvozování. string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
trainingComputeBinding [Povinné] Výpočetní vazba AML používaná při trénování string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

Úloha kanálu

Název Description Hodnota
jobType [Povinné] Určuje typ úlohy. Kanál (povinné)
Vstupy Vstupy pro úlohu kanálu. PipelineJobInputs
Úlohy Úlohy vytvoří úlohu kanálu. Úlohy pipelineJobJobs
Výstupy Výstupy pro úlohu kanálu PipelineJobOutputs
nastavení Nastavení kanálu, například ContinueRunOnStepFailure atd. Pro Bicep můžete použít funkci any().
sourceJobId ID prostředku ARM zdrojové úlohy řetězec

PipelineJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} JobInput

Úlohy pipelineJobJobs

Název Description Hodnota
{přizpůsobená vlastnost} Pro Bicep můžete použít funkci any().

PipelineJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

SparkJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. Spark (povinné)
Archiv Archivujte soubory použité v úloze. string[]
args Argumenty pro úlohu. řetězec
id kódu [Povinné] ID prostředku ARM prostředku kódu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Conf Nakonfigurované vlastnosti Sparku SparkJobConf
entry [Povinné] Položka, která se má spustit při spuštění úlohy. SparkJobEntry (povinné)
id prostředí ID prostředku ARM specifikace prostředí pro úlohu. řetězec
files Soubory použité v úloze string[]
Vstupy Mapování vstupních datových vazeb použitých v úloze SparkJobInputs
Sklenice Soubory JAR použité v úloze. string[]
Výstupy Mapování výstupních datových vazeb použitých v úloze SparkJobOutputs
pyFiles Soubory Pythonu použité v úloze string[]
resources Konfigurace výpočetního prostředku pro úlohu SparkResourceConfiguration

SparkJobConf

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

SparkJobEntry

Název Description Hodnota
sparkJobEntryType Nastavení typu objektu SparkJobPythonEntry
SparkJobScalaEntry (povinné)

SparkJobPythonEntry

Název Description Hodnota
sparkJobEntryType [Povinné] Typ vstupního bodu úlohy SparkJobPythonEntry (povinné)
– soubor [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]

SparkJobScalaEntry

Název Description Hodnota
sparkJobEntryType [Povinné] Typ vstupního bodu úlohy SparkJobScalaEntry (povinné)
Classname [Povinné] Název třídy Scala použitý jako vstupní bod. string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]

SparkJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

SparkJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Výstupní úloha

SparkResourceConfiguration

Název Description Hodnota
typ instance Volitelný typ virtuálního počítače, který je podporován cílovým výpočetním prostředím. řetězec
runtimeVersion Verze modulu runtime Spark použitého pro úlohu řetězec

Úloha úklidu

Název Description Hodnota
jobType [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 používaných v úloze SweepJobInputs
Limity Limit úlohy úklidu. SweepJobLimits
Cílem [Povinné] Cíl optimalizace. Cíl (povinné)
Výstupy Mapování výstupních datových vazeb používaných v úloze SweepJobOutputs
samplingAlgorithm [Povinné] Algoritmus vzorkování hyperparametrů SamplingAlgorithm (povinné)
searchSpace [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. Zkušební verze ( povinné)

SweepJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} JobInput

SweepJobLimits

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

SweepJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

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 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 TrialComponentEnvironmentVariables
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace zdroje úlohy

TrialComponentEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

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 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 kód JSON.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-06-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      },
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Objekty JobBaseProperties

Nastavte vlastnost jobType a zadejte typ objektu.

V případě automatizovaného strojového učení použijte:

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

Jako příkaz použijte:

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

Pro popisování použijte:

  "jobType": "Labeling",
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefreshEnabled": "bool"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelectEnabled": "bool"
    },
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelectEnabled": "bool"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

V části Kanál použijte:

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

Pro Spark použijte:

  "jobType": "Spark",
  "archives": [ "string" ],
  "args": "string",
  "codeId": "string",
  "conf": {
    "{customized property}": "string"
  },
  "entry": {
    "sparkJobEntryType": "string"
    // For remaining properties, see SparkJobEntry objects
  },
  "environmentId": "string",
  "files": [ "string" ],
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jars": [ "string" ],
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }

Pro uklidit použijte:

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

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 JobOutput

Nastavte vlastnost jobOutputType a určete typ objektu.

Pro custom_model použijte:

  "jobOutputType": "custom_model",
  "mode": "string",
  "uri": "string"

Pro mlflow_model použijte:

  "jobOutputType": "mlflow_model",
  "mode": "string",
  "uri": "string"

Pro mltable použijte:

  "jobOutputType": "mltable",
  "mode": "string",
  "uri": "string"

Pro triton_model použijte:

  "jobOutputType": "triton_model",
  "mode": "string",
  "uri": "string"

Pro uri_file použijte:

  "jobOutputType": "uri_file",
  "mode": "string",
  "uri": "string"

Pro uri_folder použijte:

  "jobOutputType": "uri_folder",
  "mode": "string",
  "uri": "string"

Objekty AutoMLVertical

Nastavte vlastnost taskType a určete typ objektu.

Pro klasifikaci použijte:

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

Pro prognózování použijte:

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

Pro ImageClassification použijte:

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

Pro ImageClassificationMultilabel použijte:

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

Pro ImageInstanceSegmentation použijte:

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

Pro ImageObjectDetection použijte:

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

Pro regresi použijte:

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

Pro TextClassification použijte:

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

Pro TextClassificationMultilabel použijte:

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

Pro TextNER použijte:

  "taskType": "TextNER",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "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"

Objekty JobInput

Nastavte vlastnost jobInputType pro určení typu objektu.

Pro custom_model použijte:

  "jobInputType": "custom_model",
  "mode": "string",
  "uri": "string"

Pro literál použijte:

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

Pro mlflow_model použijte:

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

Pro mltable použijte:

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

Pro triton_model použijte:

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

Pro uri_file použijte:

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

Pro uri_folder použijte:

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

Objekty LabelingJobMediaProperties

Nastavte mediaType vlastnost určit typ objektu.

Jako Obrázek použijte:

  "mediaType": "Image",
  "annotationType": "string"

Jako Text použijte:

  "mediaType": "Text",
  "annotationType": "string"

MLAssistConfiguration – objekty

Nastavte vlastnost mlAssist pro určení typu objektu.

V části Zakázáno použijte:

  "mlAssist": "Disabled"

V části Povoleno použijte:

  "mlAssist": "Enabled",
  "inferencingComputeBinding": "string",
  "trainingComputeBinding": "string"

SparkJobEntry – objekty

Nastavte sparkJobEntryType vlastnost určit typ objektu.

Pro SparkJobPythonEntry použijte:

  "sparkJobEntryType": "SparkJobPythonEntry",
  "file": "string"

Pro SparkJobScalaEntry použijte:

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "string"

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 '2022-06-01-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. JobBaseProperties (povinné)

JobBaseProperties

Název Description Hodnota
componentId ID prostředku ARM prostředku komponenty řetězec
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. ResourceBaseProperties
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 JobBaseServices
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object
jobType Nastavení typu objektu AutoML
Příkaz
Označování
Kanál
Spark
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)

ResourceBaseProperties

Název Description Hodnota
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec

JobBaseServices

Název Description Hodnota
{přizpůsobená vlastnost} JobService
{přizpůsobená vlastnost} JobService

JobService

Název Description Hodnota
endpoint Adresa URL koncového bodu řetězec
jobServiceType Typ koncového bodu. řetězec
port Port pro koncový bod. int
properties Další vlastnosti, které se mají nastavit v koncovém bodu. Vlastnosti služby Úloh

Vlastnosti služby Úloh

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

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 AutoMLJobEnvironmentVariables
Výstupy Mapování výstupních datových vazeb použitých v úloze AutoMLJobOutputs
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace zdroje úlohy
taskDetails [Povinné] Tento scénář představuje jednu z tabulek, NLP nebo image. AutoMLVertical (povinné)

AutoMLJobEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

AutoMLJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Výstupní úloha

Výstupní úloha

Název Description Hodnota
description Popis výstupu řetězec
jobOutputType Nastavení typu objektu custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (povinné)

CustomModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "custom_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

MLFlowModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "mlflow_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

MLTableJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. 'mltable' (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

TritonModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "triton_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

UriFileJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "uri_file" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

UriFolderJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "uri_folder" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
'ReadWriteMount'
'Nahrát'
Uri Identifikátor URI výstupního prostředku řetězec

Konfigurace zdroje úlohy

Název Description Hodnota
dockerArgs Další argumenty, které se předávají do příkazu Docker run. Tím by se přepsaly všechny parametry, které už byly nastaveny systémem nebo v této části. Tento parametr se podporuje pouze pro výpočetní typy Azure ML. řetězec
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. Vlastnosti konfigurace prostředků
velikost shmSize Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (number)(unit), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajtů) nebo g(gigabajtů). řetězec

Omezení:
Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

Název Description Hodnota
{přizpůsobená vlastnost}
{přizpůsobená vlastnost}

AutoMLVertical

Název Description Hodnota
logVerbosity Protokolování podrobností pro úlohu "Kritické"
'Debug' (Ladění)
Chyba
'Informace'
NotSet
'Upozornění'
targetColumnName Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 řetězec
trainingData [Povinné] Trénování zadávání dat. MLTableJobInput (povinné)
taskType Nastavení typu objektu Klasifikace
Prognózování
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regrese
TextClassification
TextClassificationMultilabel
TextNER (povinné)

MLTableJobInput

Název Description Hodnota
description Popis vstupu. řetězec
jobInputType [Povinné] Určuje typ úlohy. "custom_model"
'literál'
'mlflow_model'
'mltable'
'triton_model'
"uri_file"
"uri_folder" (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_]

Klasifikace

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Klasifikace (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
positiveLabel Kladný popisek pro výpočet binárních metrik řetězec
primaryMetric Primární metrika pro úkol. 'AUCWeighted'
'Přesnost'
AveragePrecisionScoreWeighted
NormMacroRecall
'PrecisionScoreWeighted'
Testdata Testování vstupu dat 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. ClassificationTrainingSettings
validationData Vstupy 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
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

TableVerticalFeaturizationSettings

Název Description Hodnota
blockedTransformers Tyto transformátory nesmí být použity při featurizaci. Pole řetězců obsahující některou z těchto možností:
CatTargetEncoder
CountVectorizer
HashOneHotEncoder
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
TextTargetEncoder
TfIdf
'WoeTargetEncoder'
'WordEmbedding'
columnNameAndTypes Slovník názvu sloupce a jeho typu (int, float, řetězec, datetime atd.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec
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. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

TableVerticalFeaturizationSettingsTransformerParams

Název Description Hodnota
{přizpůsobená vlastnost} ColumnTransformer[]

ColumnTransformer

Název Description Hodnota
fields Pole, na která se má použít logika transformátoru string[]
parameters Různé vlastnosti, které se mají předat transformátoru.
Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON.

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 Vypršel časový limit úlohy Automatizovaného strojového učení. řetězec
trialTimeout Časový limit iterace. řetězec

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)

ClassificationTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. 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 modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
nastavení stackEnsembleSettings Spustí se nastavení souboru zásobníku pro soubor zásobníku. Nastavení StackEnsembleSettings

Nastavení StackEnsembleSettings

Název Description Hodnota
stackMetaLearnerKWargs Volitelné parametry, které se mají předat inicializátoru metaučovače.
stackMetaLearnerTrainPercentage Určuje poměrnou část trénovací sady (při výběru typu trénování a ověřování trénování), která má být vyhrazena pro trénování metaučáka. Výchozí hodnota je 0,2. int
stackMetaLearnerType Metaučovač je model trénovaný na výstupu jednotlivých heterogenních modelů. ElasticNet
ElasticNetCV
'LightGBMClassifier'
'LightGBMRegressor'
'Lineární regrese'
'LogisticRegression'
'LogisticRegressionCV'
'Žádný'

Prognózování

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Prognózování (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
forecastingSettings Forecasting task specific vstupy. ForecastingSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
primaryMetric Primární metrika pro úkol prognózování NormalizedMeanAbsoluteError
NormaldRootMeanSquaredError
R2Score
'SpearmanCorrelation'
Testdata Otestujte vstup 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. ForecastingTrainingSettings
validationData Vstupy 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
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

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 "mean".		 '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)

ForecastingTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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

ImageClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageClassification (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
validationData Vstupy 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
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointModel Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. MLFlowModelJobInput
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 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
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

MLFlowModelJobInput

Název Description Hodnota
description Popis vstupu řetězec
jobInputType [Povinné] Určuje typ úlohy. "custom_model"
'literal'
"mlflow_model"
'mltable'
'triton_model'
'uri_file'
"uri_folder" (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_]

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 Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. 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'
'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

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)
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
validationData Vstupy 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

ImageInstanceSegmentation

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageInstanceSegmentation (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
validationData Vstupy 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

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
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointModel Předtrénovaný model kontrolních bodů pro přírůstkové trénování MLFlowModelJobInput
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
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"
'Žádný'
'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 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
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".		 řetězec
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. řetězec
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".		 řetězec
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". řetězec
nmsIouThreshold Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float 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 Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. 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)
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
validationData Vstupy 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

Regrese

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. Regrese (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
primaryMetric Primární metrika pro regresní úlohu NormalizedMeanAbsoluteError
NormaldRootMeanSquaredError
R2Score
'SpearmanCorrelation'
Testdata Otestujte vstup 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení regressionTrainingSettings
validationData Vstupy 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
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 regressionTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms Povolené modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
blockedTrainingAlgorithms Blokované modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
'DecisionTree'
ElasticNet
'ExtremeRandomTrees'
GradientBoosting
'KNN'
LassoLars
'LightGBM'
'RandomForest'
'SGD'
'XGBoostRegressor'
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. 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 modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
nastavení stackEnsembleSettings Spustí se nastavení souboru zásobníku pro soubor zásobníku. Nastavení StackEnsembleSettings

Klasifikace textu

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. 'TextClassification' (povinné)
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'
validationData Vstupy ověřovacích dat. MLTableJobInput

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)
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings
validationData Vstupy ověřovacích dat. MLTableJobInput

Textovýner

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

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. CommandJobEnvironmentVariables
Vstupy Mapování vstupních datových vazeb používaných v úloze CommandJobInputs
Limity Limit úlohy příkazu CommandJobLimits
Výstupy Mapování výstupních datových vazeb používaných v úloze CommandJobOutputs
resources Konfigurace výpočetních prostředků pro úlohu JobResourceConfiguration

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)
parameterServerCount Počet úloh serveru parametrů int
workerCount Počet pracovníků. Pokud není zadaný, nastaví výchozí počet instancí. int

CommandJobEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

CommandJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} JobInput

JobInput

Název Description Hodnota
description Popis vstupu. řetězec
jobInputType Nastavení typu objektu custom_model
Literálu
mlflow_model
mltable
triton_model
uri_file
uri_folder (povinné)

CustomModelJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "custom_model" (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_]

LiteralJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "literál" (povinné)
hodnota [Povinné] Hodnota literálu pro vstup. string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

TritonModelJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "triton_model" (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_]

UriFileJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "uri_file" (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_]

UriFolderJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "uri_folder" (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_]

CommandJobLimits

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

CommandJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

PopiskyJobProperties

Název Description Hodnota
componentId ID prostředku ARM prostředku komponenty řetězec
computeId ID prostředku ARM výpočetního prostředku řetězec
konfigurace dat Konfigurace dat používaných v úloze LabelingDataConfiguration
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
jobInstructions Pokyny k označení úlohy. LabelingJobInstructions
jobType [Povinné] Určuje typ úlohy. AutoML
'Příkaz'
'Popisování'
Kanál
'Spark'
"Uklidit" (povinné)
labelCategories Popisky kategorií úlohy. LabelingJobLabelCategories
labelingJobMediaProperties Zadejte specifické vlastnosti média v úloze. LabelingJobMediaProperties
MlAssistConfiguration Konfigurace funkce MLAssist v úloze MLAssistConfiguration
properties Slovník vlastností majetku. ResourceBaseProperties
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 JobBaseServices
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object

LabelingDataConfiguration

Název Description Hodnota
id data ID prostředku datového prostředku, který má být označen. řetězec
incrementalDataRefreshEnabled Určuje, jestli se má povolit přírůstková aktualizace dat. bool

LabelingJobInstructions

Název Description Hodnota
Uri Odkaz na stránku s podrobnými pokyny pro popisky. řetězec

LabelingJobLabelCategories

Název Description Hodnota
{přizpůsobená vlastnost} LabelCategory
{přizpůsobená vlastnost} LabelCategory

LabelCategory

Název Description Hodnota
Třídy Slovník tříd popisků v této kategorii. LabelCategoryClasses
displayName Zobrazovaný název kategorie popisků řetězec
multiSelectEnabled Určuje, zda je povoleno vybrat více tříd v této kategorii. bool

LabelCategoryClasses

Název Description Hodnota
{přizpůsobená vlastnost} Třída LabelClass

Třída LabelClass

Název Description Hodnota
displayName Zobrazovaný název třídy popisku řetězec
Podtříd Slovník podtříd třídy popisku. LabelClassSubclasses

LabelClassSubclasses

Název Description Hodnota
{přizpůsobená vlastnost} Třída LabelClass

LabelingJobMediaProperties

Název Description Hodnota
Mediatype Nastavení typu objektu Obrázek
Text (povinné)

LabelingJobImageProperties

Název Description Hodnota
Mediatype [Povinné] Typ média úlohy. Obrázek (povinné)
annotationType Typ poznámky k úloze popisování obrázků. 'BoundingBox'
'Klasifikace'
InstanceSegmentation

PopiskyJobTextProperties

Název Description Hodnota
Mediatype [Povinné] Typ média úlohy. Text (povinné)
annotationType Typ poznámky úlohy popisování textu. 'Klasifikace'
'NamedEntityRecognition'

MLAssistConfiguration

Název Description Hodnota
MlAssist Nastavení typu objektu Zakázáno
Povoleno (povinné)

MLAssistConfigurationDisabled

Název Description Hodnota
MlAssist [Povinné] Označuje, jestli je povolená funkce MLAssist. Zakázáno (povinné)

MLAssistConfigurationEnabled

Název Description Hodnota
MlAssist [Povinné] Označuje, jestli je povolená funkce MLAssist. Povoleno (povinné)
inferencingComputeBinding [Povinné] Výpočetní vazba AML používaná při odvozování. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
trénováníComputeBinding [Povinné] Výpočetní vazba AML použitá při trénování. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

Úloha kanálu

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. Kanál (povinné)
Vstupy Vstupy pro úlohu kanálu. PipelineJobInputs
Úlohy Úlohy vytvoří úlohu kanálu. Úlohy PipelineJobJobs
Výstupy Výstupy pro úlohu kanálu Výstupní úlohy pipelineJobOutputs
nastavení Nastavení kanálu, například ContinueRunOnStepFailure atd.
ID zdrojové úlohy ID prostředku ARM zdrojové úlohy řetězec

PipelineJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

Úlohy PipelineJobJobs

Název Description Hodnota
{přizpůsobená vlastnost}

Výstupní úlohy pipelineJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Výstupní úloha

SparkJob

Název Description Hodnota
typ úlohy [Povinné] Určuje typ úlohy. Spark (povinné)
Archiv Archivujte soubory použité v úloze. string[]
args Argumenty pro úlohu. řetězec
id kódu [Povinné] ID prostředku ARM prostředku kódu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Conf Nakonfigurované vlastnosti Sparku SparkJobConf
entry [Povinné] Položka, která se má spustit při spuštění úlohy. SparkJobEntry (povinné)
id prostředí ID prostředku ARM specifikace prostředí pro úlohu. řetězec
files Soubory použité v úloze string[]
Vstupy Mapování vstupních datových vazeb použitých v úloze SparkJobInputs
Sklenice Soubory JAR použité v úloze. string[]
Výstupy Mapování výstupních datových vazeb použitých v úloze SparkJobOutputs
pyFiles Soubory Pythonu použité v úloze string[]
resources Konfigurace výpočetního prostředku pro úlohu SparkResourceConfiguration

SparkJobConf

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

SparkJobEntry

Název Description Hodnota
sparkJobEntryType Nastavení typu objektu SparkJobPythonEntry
SparkJobScalaEntry (povinné)

SparkJobPythonEntry

Název Description Hodnota
sparkJobEntryType [Povinné] Typ vstupního bodu úlohy SparkJobPythonEntry (povinné)
– soubor [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]

SparkJobScalaEntry

Název Description Hodnota
sparkJobEntryType [Povinné] Typ vstupního bodu úlohy SparkJobScalaEntry (povinné)
Classname [Povinné] Název třídy Scala použitý jako vstupní bod. string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]

SparkJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

SparkJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Výstupní úloha

SparkResourceConfiguration

Název Description Hodnota
typ instance Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. řetězec
runtimeVersion Verze modulu runtime Sparku, která se používá pro úlohu. řetězec

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 SweepJobInputs
Limity Limit úlohy úklidu. SweepJobLimits
Cílem [Povinné] Cíl optimalizace. Cíl (povinné)
Výstupy Mapování výstupních datových vazeb použitých v úloze SweepJobOutputs
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)

SweepJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

SweepJobLimits

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

SweepJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

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. TrialComponentEnvironmentVariables
resources Konfigurace výpočetních prostředků pro úlohu JobResourceConfiguration

TrialComponentEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

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 Terraform (poskytovatel AzAPI)

Typ prostředku pracovních prostorů nebo 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@2022-06-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

Objekty JobBaseProperties

Nastavte vlastnost jobType a zadejte typ objektu.

V případě automatizovaného strojového učení použijte:

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

Jako příkaz použijte:

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

Pro popisování použijte:

  jobType = "Labeling"
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefreshEnabled = bool
  }
  jobInstructions = {
    uri = "string"
  }
  labelCategories = {
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelectEnabled = bool
    }
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelectEnabled = bool
    }
  }
  labelingJobMediaProperties = {
    mediaType = "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration = {
    mlAssist = "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

V části Kanál použijte:

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

Pro Spark použijte:

  jobType = "Spark"
  archives = [
    "string"
  ]
  args = "string"
  codeId = "string"
  conf = {
    {customized property} = "string"
  }
  entry = {
    sparkJobEntryType = "string"
    // For remaining properties, see SparkJobEntry objects
  }
  environmentId = "string"
  files = [
    "string"
  ]
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jars = [
    "string"
  ]
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles = [
    "string"
  ]
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }

Pro uklidit použijte:

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

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 JobOutput

Nastavte vlastnost jobOutputType a určete typ objektu.

Pro custom_model použijte:

  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"

Pro mlflow_model použijte:

  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"

Pro mltable použijte:

  jobOutputType = "mltable"
  mode = "string"
  uri = "string"

Pro triton_model použijte:

  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"

Pro uri_file použijte:

  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"

Pro uri_folder použijte:

  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"

Objekty AutoMLVertical

Nastavte vlastnost taskType a určete typ objektu.

Pro klasifikaci použijte:

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

Pro prognózování použijte:

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

Pro ImageClassification použijte:

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

Pro ImageClassificationMultilabel použijte:

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

Pro ImageInstanceSegmentation použijte:

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

Pro ImageObjectDetection použijte:

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

Pro regresi použijte:

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

Pro TextClassification použijte:

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

Pro TextClassificationMultilabel použijte:

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

Pro TextNER použijte:

  taskType = "TextNER"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "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

Objekty JobInput

Nastavte vlastnost jobInputType a zadejte typ objektu.

Pro custom_model použijte:

  jobInputType = "custom_model"
  mode = "string"
  uri = "string"

Pro literál použijte:

  jobInputType = "literal"
  value = "string"

Pro mlflow_model použijte:

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

Pro mltable použijte:

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

Pro triton_model použijte:

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

Pro uri_file použijte:

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

Pro uri_folder použijte:

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

Objekty LabelingJobMediaProperties

Nastavte vlastnost mediaType a určete typ objektu.

Jako Obrázek použijte:

  mediaType = "Image"
  annotationType = "string"

Pro text použijte:

  mediaType = "Text"
  annotationType = "string"

Objekty MLAssistConfiguration

Nastavte vlastnost mlAssist a určete typ objektu.

V části Zakázáno použijte:

  mlAssist = "Disabled"

V části Povoleno použijte:

  mlAssist = "Enabled"
  inferencingComputeBinding = "string"
  trainingComputeBinding = "string"

SparkJobEntry – objekty

Nastavte sparkJobEntryType vlastnost určit typ objektu.

Pro SparkJobPythonEntry použijte:

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

Pro SparkJobScalaEntry použijte:

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "string"

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@2022-06-01-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. JobBaseProperties (povinné)

JobBaseProperties

Název Description Hodnota
componentId ID prostředku ARM prostředku komponenty řetězec
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. ResourceBaseProperties
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 JobBaseServices
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object
jobType Nastavení typu objektu AutoML
Příkaz
Označování
Kanál
Spark
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
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)

ResourceBaseProperties

Název Description Hodnota
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec
{přizpůsobená vlastnost} řetězec

JobBaseServices

Název Description Hodnota
{přizpůsobená vlastnost} JobService
{přizpůsobená vlastnost} JobService

JobService

Název Description Hodnota
endpoint Adresa URL koncového bodu řetězec
jobServiceType Typ koncového bodu. řetězec
port Port pro koncový bod. int
properties Další vlastnosti, které se mají nastavit v koncovém bodu. Vlastnosti služby Úloh

Vlastnosti služby Úloh

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

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 AutoMLJobEnvironmentVariables
Výstupy Mapování výstupních datových vazeb používaných v úloze AutoMLJobOutputs
resources Konfigurace výpočetních prostředků pro úlohu JobResourceConfiguration
taskDetails [Povinné] To představuje scénář, který může být jedním z tabulek, NLP nebo image. AutoMLVertical (povinné)

AutoMLJobEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

AutoMLJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

Output úlohy

Název Description Hodnota
description Popis výstupu řetězec
jobOutputType Nastavení typu objektu custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (povinné)

CustomModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "custom_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
"ReadWriteMount"
"Upload" (Nahrát)
Uri Identifikátor URI výstupního prostředku. řetězec

MLFlowModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "mlflow_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
"ReadWriteMount"
"Upload" (Nahrát)
Uri Identifikátor URI výstupního prostředku. řetězec

MLTableJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "mltable" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
"ReadWriteMount"
"Upload" (Nahrát)
Uri Identifikátor URI výstupního prostředku. řetězec

TritonModelJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "triton_model" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
"ReadWriteMount"
"Upload" (Nahrát)
Uri Identifikátor URI výstupního prostředku. řetězec

UriFileJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "uri_file" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
"ReadWriteMount"
"Upload" (Nahrát)
Uri Identifikátor URI výstupního prostředku. řetězec

UriFolderJobOutput

Název Description Hodnota
jobOutputType [Povinné] Určuje typ úlohy. "uri_folder" (povinné)
režim Režim doručování výstupních prostředků. "Přímé"
"ReadWriteMount"
"Upload" (Nahrát)
Uri Identifikátor URI výstupního prostředku. řetězec

JobResourceConfiguration

Název Description Hodnota
dockerArgs Další argumenty, které se mají předat do příkazu Spuštění Dockeru Tím by se přepsaly všechny parametry, které už systém nebo v této části nastavil. Tento parametr se podporuje jenom pro výpočetní typy Azure ML. řetězec
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. ResourceConfigurationProperties
shmSize Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (number)(unit), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajtů) nebo g(gigabajtů). řetězec

Omezení:
Pattern = \d+[bBkKmMgG]

ResourceConfigurationProperties

Název Description Hodnota
{přizpůsobená vlastnost}
{přizpůsobená vlastnost}

AutoMLVertical

Název Description Hodnota
logVerbosity Protokolování podrobností pro úlohu "Kritické"
"Debug" (Ladění)
"Chyba"
"Informace"
"NotSet"
"Upozornění"
targetColumnName Název cílového sloupce: Jedná se o sloupec hodnot predikce.
V kontextu úkolů klasifikace se označuje také jako název sloupce popisku.		 řetězec
trainingData [Povinné] Trénování zadávání dat. MLTableJobInput (povinné)
taskType Nastavení typu objektu Klasifikace
Prognózování
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Regrese
TextClassification
TextClassificationMultilabel
TextNER (povinné)

MLTableJobInput

Název Description Hodnota
description Popis vstupu. řetězec
jobInputType [Povinné] Určuje typ úlohy. "custom_model"
"literál"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (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_]

Klasifikace

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "Klasifikace" (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
pozitivní Popisek Kladný popisek pro výpočet binárních metrik řetězec
primaryMetric Primární metrika úkolu "AUCWeighted"
"Přesnost"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
"PrecisionScoreWeighted"
Testdata Otestujte vstup 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. ClassificationTrainingSettings
validationData Vstupy 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
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

TableVerticalFeaturizationSettings

Název Description Hodnota
blockedTransformers Tyto transformátory se nesmí používat při extrakci příznaků. Pole řetězců obsahující některou z těchto možností:
"CatTargetEncoder"
"CountVectorizer"
"HashOneHotEncoder"
"LabelEncoder"
"NaiveBayes"
"OneHotEncoder"
"TextTargetEncoder"
"TfIdf"
"WoETargetEncoder"
"WordEmbedding"
columnNameAndTypes Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.) TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage Jazyk datové sady, který je užitečný pro textová data. řetězec
enableDnnFeaturization Určuje, zda se mají používat featurizátory založené na Dnn pro extrakci dat. bool
režim Režim extrakce příznaků – Uživatel může zachovat výchozí automatický režim a AutoML se postará o nezbytnou transformaci dat ve fázi extrakce příznaků.
Pokud je vybrána možnost Vypnuto, není provedena žádná extrakce příznaků.
Pokud je vybrána možnost Vlastní, uživatel může zadat další vstupy pro přizpůsobení způsobu extrakce příznaků.		 "Automaticky"
"Vlastní"
"Vypnuto"
transformerParams Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by se použil, a parametry konstruktoru transformátoru. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

TableVerticalFeaturizationSettingsTransformerParams

Název Description Hodnota
{přizpůsobená vlastnost} SloupecTransformer[]

ColumnTransformer

Název Description Hodnota
fields Pole, na která se má použít logika transformátoru string[]
parameters Různé vlastnosti, které mají být předány transformátoru.
Očekávaný vstup je slovník párů klíč,hodnota ve formátu JSON.

TableVerticalLimitSettings

Název Description Hodnota
enableEarlyTermination Povolit předčasné ukončení, určuje, jestli se předčasně ukončí úloha Automatizovaného strojového učení, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre. bool
exitScore Ukončovací skóre pro úlohu Automatizovaného strojového učení int
maxConcurrentTrials Maximální počet souběžných iterací. int
maxCoresPerTrial Maximální počet jader na iteraci int
maxTrials Počet iterací. int
timeout Vypršel časový limit úlohy Automatizovaného strojového učení. řetězec
trialTimeout Časový limit iterace. řetězec

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)

ClassificationTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms 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"
blockedTrainingAlgorithms 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"
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. 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 modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
nastavení stackEnsembleSettings Spustí se nastavení souboru zásobníku pro soubor zásobníku. Nastavení StackEnsembleSettings

Nastavení StackEnsembleSettings

Název Description Hodnota
stackMetaLearnerKWargs Volitelné parametry, které se mají předat inicializátoru metaučovače.
stackMetaLearnerTrainPercentage Určuje poměrnou část trénovací sady (při výběru typu trénování a ověřování trénování), která má být vyhrazena pro trénování metaučáka. Výchozí hodnota je 0,2. int
stackMetaLearnerType Metaučovač je model trénovaný 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)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
forecastingSettings Forecasting task specific vstupy. ForecastingSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
primaryMetric Primární metrika pro úkol prognózování NormalizedMeanAbsoluteError
NormalizedRootMeanSquaredError
"R2Score"
"SpearmanCorrelation"
Testdata Otestujte vstup 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. ForecastingTrainingSettings
validationData Vstupy 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
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

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 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. "Žádné"
"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)

ForecastingTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms 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"
blockedTrainingAlgorithms 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"
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

ImageClassification

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "ImageClassification" (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
validationData Vstupy 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 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
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointModel Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. MLFlowModelJobInput
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
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

MLFlowModelJobInput

Název Description Hodnota
description Popis vstupu řetězec
jobInputType [Povinné] Určuje typ úlohy. "custom_model"
"literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (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_]

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
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. 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)

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)
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 Související nastavení úklidu modelů a hyperparametrů ImageSweepSettings
validationData Vstupy 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

ImageInstanceSegmentation

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. ImageInstanceSegmentation (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
validationData Vstupy 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

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
kontrolní bodFrequency Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo. int
checkpointModel Předem vytrénovaný model kontrolních bodů pro přírůstkové trénování. MLFlowModelJobInput
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. "Žádné"
"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"
"Žádné"
"Small"
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"
"Žádné"
"Sgd"
randomSeed Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. 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"
"Žádné"
"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 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 být float v rozsahu [0, 1]. řetězec
learningRateScheduler Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". řetězec
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".		 řetězec
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".		 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
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".		 řetězec
Hybnost Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. řetězec
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".		 řetězec
Nesterov Povolte nesterov, pokud je optimalizátor "sgd". řetězec
nmsIouThreshold Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float 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 Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. 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 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 plovoucí v rozsahu [0, 1]. řetězec
validationMetricType Metoda výpočtu metrik, která se má použít pro metriky ověřování. Musí to být "none", "coco", "voc" nebo "coco_voc". 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

ImageObjectDetection

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "ImageObjectDetection" (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
validationData Vstupy 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

Regrese

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "Regrese" (povinné)
cvSplitColumnNames Sloupce, které se mají použít pro data CVSplit. string[]
featurizationSettings Vstupy extrakce příznaků potřebné pro úlohu AutoML. TableVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. TableVerticalLimitSettings
nCrossValidations Počet záhybů křížového ověření, které se mají použít u trénovací datové sady
pokud není k dispozici ověřovací datová sada.		 NCrossValidations
primaryMetric Primární metrika pro regresní úlohu NormalizedMeanAbsoluteError
NormalizedRootMeanSquaredError
"R2Score"
"SpearmanCorrelation"
Testdata Otestujte vstup 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
trainingSettings Vstupy pro trénovací fázi pro úlohu AutoML. Nastavení regressionTrainingSettings
validationData Vstupy 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
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 regressionTrainingSettings

Název Description Hodnota
allowedTrainingAlgorithms Povolené modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
blockedTrainingAlgorithms Blokované modely pro regresní úlohu Pole řetězců obsahující některou z těchto možností:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
"KNN"
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
"XGBoostRegressor"
enableDnnTraining Povolte doporučení modelů DNN. bool
enableModelExplainability Příznak pro zapnutí vysvětlitelnosti u nejlepšího modelu. 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 modelu VotingEnsemble a StackEnsemble se stáhne více fitovaných modelů z předchozích podřízených spuštění.
Pokud je potřeba více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.		 řetězec
nastavení stackEnsembleSettings Spustí se nastavení souboru zásobníku pro soubor zásobníku. Nastavení StackEnsembleSettings

Klasifikace textu

Název Description Hodnota
taskType [Povinné] Typ úlohy pro úlohu AutoML. "TextClassification" (povinné)
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"
validationData Vstupy ověřovacích dat. MLTableJobInput

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)
featurizationSettings Featurizační vstupy potřebné pro úlohu AutoML. NlpVerticalFeaturizationSettings
limitSettings Omezení spouštění pro úlohu AutoML. NlpVerticalLimitSettings
validationData Vstupy ověřovacích dat. MLTableJobInput

TextNer

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

Úloha příkazového řádku

Název Description Hodnota
jobType [Povinné] Určuje typ úlohy. "Command" (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. CommandJobEnvironmentVariables
Vstupy Mapování vstupních datových vazeb používaných v úloze CommandJobInputs
Limity Limit úlohy příkazu CommandJobLimits
Výstupy Mapování výstupních datových vazeb používaných v úloze CommandJobOutputs
resources Konfigurace výpočetních prostředků pro úlohu JobResourceConfiguration

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

CommandJobEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

CommandJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

Pracovní pozice

Název Description Hodnota
description Popis vstupu řetězec
jobInputType Nastavení typu objektu custom_model
Literálu
mlflow_model
mltable
triton_model
uri_file
uri_folder (povinné)

CustomModelJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "custom_model" (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_]

LiteralJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "literal" (povinné)
hodnota [Povinné] Hodnota literálu pro vstup. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]

TritonModelJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "triton_model" (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_]

UriFileJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "uri_file" (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_]

UriFolderJobInput

Název Description Hodnota
jobInputType [Povinné] Určuje typ úlohy. "uri_folder" (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_]

CommandJobLimits

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

CommandJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

PopiskyJobProperties

Název Description Hodnota
componentId ID prostředku ARM prostředku komponenty řetězec
computeId ID prostředku ARM výpočetního prostředku řetězec
konfigurace dat Konfigurace dat používaných v úloze LabelingDataConfiguration
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
jobInstructions Pokyny k označení úlohy. LabelingJobInstructions
jobType [Povinné] Určuje typ úlohy. "AutoML"
"Příkaz"
"Popisování"
"Kanál"
"Spark"
"Uklidit" (povinné)
labelCategories Popisky kategorií úlohy. LabelingJobLabelCategories
labelingJobMediaProperties Zadejte specifické vlastnosti média v úloze. LabelingJobMediaProperties
MlAssistConfiguration Konfigurace funkce MLAssist v úloze MLAssistConfiguration
properties Slovník vlastností majetku. ResourceBaseProperties
services Seznam koncových bodů úloh.
Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.		 JobBaseServices
tags Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. object

LabelingDataConfiguration

Název Description Hodnota
id data ID prostředku datového prostředku, který má být označen. řetězec
incrementalDataRefreshEnabled Určuje, jestli se má povolit přírůstková aktualizace dat. bool

LabelingJobInstructions

Název Description Hodnota
Uri Odkaz na stránku s podrobnými pokyny pro popisky. řetězec

LabelingJobLabelCategories

Název Description Hodnota
{přizpůsobená vlastnost} LabelCategory
{přizpůsobená vlastnost} LabelCategory

LabelCategory

Název Description Hodnota
Třídy Slovník tříd popisků v této kategorii. LabelCategoryClasses
displayName Zobrazovaný název kategorie popisků řetězec
multiSelectEnabled Určuje, zda je povoleno vybrat více tříd v této kategorii. bool

LabelCategoryClasses

Název Description Hodnota
{přizpůsobená vlastnost} Třída LabelClass

Třída LabelClass

Název Description Hodnota
displayName Zobrazovaný název třídy popisku řetězec
Podtříd Slovník podtříd třídy popisku. LabelClassSubclasses

LabelClassSubclasses

Název Description Hodnota
{přizpůsobená vlastnost} Třída LabelClass

LabelingJobMediaProperties

Název Description Hodnota
Mediatype Nastavení typu objektu Obrázek
Text (povinné)

LabelingJobImageProperties

Název Description Hodnota
Mediatype [Povinné] Typ média úlohy. "Obrázek" (povinné)
annotationType Typ poznámky k úloze popisování obrázků. "BoundingBox"
"Klasifikace"
InstanceSegmentation

PopiskyJobTextProperties

Název Description Hodnota
Mediatype [Povinné] Typ média úlohy. "Text" (povinné)
annotationType Typ poznámky úlohy popisování textu. "Klasifikace"
"NamedEntityRecognition"

MLAssistConfiguration

Název Description Hodnota
MlAssist Nastavení typu objektu Zakázáno
Povoleno (povinné)

MLAssistConfigurationDisabled

Název Description Hodnota
MlAssist [Povinné] Označuje, jestli je povolená funkce MLAssist. "Zakázáno" (povinné)

MLAssistConfigurationEnabled

Název Description Hodnota
MlAssist [Povinné] Označuje, jestli je povolená funkce MLAssist. "Povoleno" (povinné)
inferencingComputeBinding [Povinné] Výpočetní vazba AML používaná při odvozování. string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]
trainingComputeBinding [Povinné] Výpočetní vazba AML používaná při trénování string (povinné)

Omezení:
Pattern = [a-zA-Z0-9_]

Úloha kanálu

Název Description Hodnota
jobType [Povinné] Určuje typ úlohy. "Kanál" (povinné)
Vstupy Vstupy pro úlohu kanálu. PipelineJobInputs
Úlohy Úlohy vytvoří úlohu kanálu. Úlohy pipelineJobJobs
Výstupy Výstupy pro úlohu kanálu PipelineJobOutputs
nastavení Nastavení kanálu, například ContinueRunOnStepFailure atd.
sourceJobId ID prostředku ARM zdrojové úlohy řetězec

PipelineJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} JobInput

Úlohy pipelineJobJobs

Název Description Hodnota
{přizpůsobená vlastnost}

PipelineJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

SparkJob

Název Description Hodnota
jobType [Povinné] Určuje typ úlohy. "Spark" (povinné)
Archiv Archivujte soubory použité v úloze. string[]
args Argumenty pro úlohu řetězec
id kódu [Povinné] ID prostředku ARM prostředku kódu. string (povinné)

Omezení:
Vzor = [a-zA-Z0-9_]
Conf Nakonfigurované vlastnosti Sparku SparkJobConf
entry [Povinné] Položka, která se má spustit při spuštění úlohy. SparkJobEntry (povinné)
id prostředí ID prostředku ARM specifikace prostředí pro úlohu. řetězec
files Soubory použité v úloze string[]
Vstupy Mapování vstupních datových vazeb použitých v úloze SparkJobInputs
Sklenice Soubory JAR použité v úloze. string[]
Výstupy Mapování výstupních datových vazeb použitých v úloze SparkJobOutputs
pyFiles Soubory Pythonu použité v úloze string[]
resources Konfigurace výpočetního prostředku pro úlohu SparkResourceConfiguration

SparkJobConf

Název Description Hodnota
{přizpůsobená vlastnost} řetězec

SparkJobEntry

Název Description Hodnota
sparkJobEntryType Nastavení typu objektu SparkJobPythonEntry
SparkJobScalaEntry (povinné)

SparkJobPythonEntry

Název Description Hodnota
sparkJobEntryType [Povinné] Typ vstupního bodu úlohy SparkJobPythonEntry (povinné)
– soubor [Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]

SparkJobScalaEntry

Název Description Hodnota
sparkJobEntryType [Povinné] Typ vstupního bodu úlohy SparkJobScalaEntry (povinné)
Classname [Povinné] Název třídy Scala použitý jako vstupní bod. string (povinné)

Omezení:
Minimální délka = 1
Vzor = [a-zA-Z0-9_]

SparkJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} Pracovní pozice

SparkJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Výstupní úloha

SparkResourceConfiguration

Název Description Hodnota
typ instance Volitelný typ virtuálního počítače, který se používá jako podporovaný cílovým výpočetním objektem. řetězec
runtimeVersion Verze modulu runtime Sparku, která se používá pro úlohu. řetězec

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 používaných v úloze SweepJobInputs
Limity Limit úlohy úklidu. SweepJobLimits
Cílem [Povinné] Cíl optimalizace. Cíl (povinné)
Výstupy Mapování výstupních datových vazeb používaných v úloze SweepJobOutputs
samplingAlgorithm [Povinné] Algoritmus vzorkování hyperparametrů SamplingAlgorithm (povinné)
searchSpace [Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.
trial [Povinné] Definice zkušební komponenty. Zkušební verze ( povinné)

SweepJobInputs

Název Description Hodnota
{přizpůsobená vlastnost} JobInput

SweepJobLimits

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

SweepJobOutputs

Název Description Hodnota
{přizpůsobená vlastnost} Output úlohy

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 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 TrialComponentEnvironmentVariables
resources Konfigurace výpočetního prostředku pro úlohu Konfigurace zdroje úlohy

TrialComponentEnvironmentVariables

Název Description Hodnota
{přizpůsobená vlastnost} řetězec