Pracovní prostory/plány Microsoft.MachineLearningServices 2022-10-01
Definice prostředku Bicep
Typ prostředku pracovní prostory nebo plány je možné nasadit s operacemi, které cílí na:
- Skupiny prostředků – viz příkazy nasazení skupiny prostředků.
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující bicep.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: 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'
}
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'
}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Objekty ScheduleActionBase
Nastavte vlastnost actionType tak, aby určila typ objektu.
V části CreateJob použijte:
actionType: 'CreateJob'
jobDefinition: {
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'
}
services: {
{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'
}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
Pro InvokeBatchEndpoint použijte:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
Objekty JobBaseProperties
Nastavte vlastnost jobType a určete typ objektu.
Pro AutoML 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'
}
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'
V části 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 tak, aby určila 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
}
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
}
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
}
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
}
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 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'
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
Objekty TriggerBase
Nastavte vlastnost triggerType a určete typ objektu.
Pro Cron použijte:
triggerType: 'Cron'
expression: 'string'
Pro opakování použijte:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Hodnoty vlastností
pracovní prostory/plány
Název | Description | Hodnota |
---|---|---|
name | Název prostředku Podívejte se, jak nastavit názvy a typy pro podřízené prostředky v nástroji Bicep. |
string (povinné) |
Nadřazené | V nástroji Bicep můžete zadat nadřazený prostředek podřízeného prostředku. Tuto vlastnost stačí přidat pouze v případě, že je podřízený prostředek deklarován mimo nadřazený prostředek. Další informace najdete v tématu Podřízený prostředek mimo nadřazený prostředek. |
Symbolický název prostředku typu: pracovní prostory |
properties | [Povinné] Další atributy entity | Vlastnosti plánu (povinné) |
Vlastnosti plánu
Název | Description | Hodnota |
---|---|---|
action | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název plánu | řetězec |
Isenabled | Je plán povolený? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
Aktivační událost | [Povinné] Určuje podrobnosti o triggeru. | TriggerBase (povinné) |
ScheduleActionBase
Název | Description | Hodnota |
---|---|---|
actionType | Nastavení typu objektu | Vytvořit úlohu InvokeBatchEndpoint (povinné) |
Akce JobScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | Vytvořit úlohu (povinné) |
definice úlohy | [Povinné] Definuje podrobnosti definice akce plánu. | JobBaseProperties (povinné) |
JobBaseProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
jobType | Nastavení typu objektu | AutoML Příkaz Kanál Uklidit (povinné) |
Konfigurace identity
Název | Description | Hodnota |
---|---|---|
identityType | Nastavení typu objektu | AMLToken Spravované UserIdentity (povinné) |
AmlToken
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
Spravovaná identita
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené toto pole nenastavujte. | řetězec |
Identita uživatele
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
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 |
JobBaseServices
Název | Description | Hodnota |
---|---|---|
{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. | '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. | 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
MLTableJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | 'mltable' (povinné) |
režim | Režim doručování výstupních prostředků. | 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
TritonModelJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "triton_model" (povinné) |
režim | Režim doručování výstupních prostředků. | 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
UriFileJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_file" (povinné) |
režim | Režim doručování výstupních prostředků. | 'ReadWriteMount' Nahrání |
Uri | Identifikátor URI výstupního prostředku. | řetězec |
UriFolderJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | "uri_folder" (povinné) |
režim | Režim doručování výstupních prostředků. | 'ReadWriteMount' Nahrání |
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} | Pro Bicep můžete použít funkci any(). | |
{přizpůsobená vlastnost} | Pro Bicep můžete použít funkci any(). |
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 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. |
Pro Bicep můžete použít funkci any(). |
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 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 | 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 budetři 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' |
cílovélagy | Počet minulých období, která se mají zpožďovat od cílového sloupce | Cílovélagy |
targetRollingWindowSize | Počet minulých období použitých k vytvoření průměru posuvného okna cílového sloupce. | TargetRollingWindowSize |
timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování k určení sloupce datetime ve vstupních datech použitých pro sestavení časové řady a odvozování její frekvence. | řetězec |
timeSeriesIdColumnNames | Názvy sloupců, které se používají k seskupení časových období. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá při prognózování typu úlohy. |
string[] |
useStl | Nakonfigurujte STL rozklad cílového sloupce časové řady. | 'Žádný' 'Season' 'SeasonTrend' |
PrognózaHorizon
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
Automatické předsměrové vysíláníHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | "Automaticky" (povinné) |
CustomForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | "Automaticky" (povinné) |
VlastníSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota sezónnosti. | int (povinné) |
Cílovélagy
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní | "Automaticky" (povinné) |
CustomTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu prodlevy cíle – automatické nebo vlastní | Vlastní (povinné) |
values | [Povinné] Nastavte hodnoty prodlevy cíle. | int[] (povinné) |
TargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | "Automaticky" (povinné) |
CustomTargetRollingWindowSize
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim detekce TargetRollingWindowSiz. | Vlastní (povinné) |
hodnota | [Povinné] Hodnota TargetRollingWindowSize. | int (povinné) |
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] 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 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 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. 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 |
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 |
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 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 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 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 se jednat o float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
dlaždiceOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". NMS: Non-maximum potlačení |
řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | řetězec |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být 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 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 |
---|---|---|
typ úlohy | [Povinné] Určuje typ úlohy. | Příkaz (povinné) |
id kódu | ID prostředku ARM prostředku kódu. | řetězec |
command | [Povinné] Příkaz, který se spustí při spuštění úlohy. např. "python train.py" | string (povinné) Omezení: Minimální délka = 1 Vzor = [a-zA-Z0-9_] |
Distribuce | Konfigurace distribuce úlohy. Pokud je nastavená hodnota, měla by to být hodnota Mpi, Tensorflow, PyTorch nebo null. | Konfigurace distribuce |
id prostředí | [Povinné] ID prostředku ARM specifikace prostředí pro úlohu. | string (povinné) Omezení: Vzor = [a-zA-Z0-9_] |
environmentVariables | Proměnné prostředí zahrnuté v úloze | CommandJobEnvironmentVariables |
Vstupy | Mapování vstupních datových vazeb použitých v úloze | CommandJobInputs |
Limity | Limit úlohy příkazu | CommandJobLimits |
Výstupy | Mapování výstupních datových vazeb použitých v úloze | Výstupy úloh příkazů |
resources | Konfigurace výpočetního prostředku pro úlohu | Konfigurace zdroje úlohy |
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: 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 |
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 |
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 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 |
EndpointScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice akce plánu. {see href="TBD" /} |
Pro Bicep můžete použít funkci any(). (povinné) |
Triggerbase
Název | Description | Hodnota |
---|---|---|
endTime | Určuje čas ukončení plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán bude běžet natrvalo. |
řetězec |
startTime | Určuje čas zahájení plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém plán běží. Časové pásmo by mělo odpovídat formátu časového pásma Windows. Přečtěte si: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
triggerType | Nastavení typu objektu | Cron Opakování (povinné) |
CronTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | 'Cron' (povinné) |
expression | [Povinné] Určuje cron výraz plánu. Výraz by měl mít formát NCronTab. |
string (povinné) Omezení: Pattern = [a-zA-Z0-9_] |
RecurrenceTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | Opakování (povinné) |
frequency | [Povinné] Frekvence aktivace plánu. | "Den" Hodina 'Minuta' 'Month' Týden (povinné) |
interval | [Povinné] Určuje interval plánu ve spojení s frekvencí. | int (povinné) |
schedule | Plán opakování. | RecurrenceSchedule |
RecurrenceSchedule
Název | Description | Hodnota |
---|---|---|
hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
minutes | [Povinné] Seznam minut pro plán | int[] (povinné) |
monthDays | Seznam dnů v měsíci pro plán | int[] |
weekDays | Seznam dnů pro plán | Pole řetězců obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Definice prostředku šablony ARM
Typ prostředku pracovní prostory nebo plány je možné nasadit s operacemi, které cílí na:
- Skupiny prostředků – viz příkazy nasazení skupiny prostředků.
Seznam změněných vlastností v jednotlivých verzích rozhraní API najdete v protokolu změn.
Formát prostředku
Pokud chcete vytvořit prostředek Microsoft.MachineLearningServices/workspaces/schedules, přidejte do šablony následující kód JSON.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2022-10-01",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "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"
},
"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"
},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Objekty ScheduleActionBase
Nastavte vlastnost actionType tak, aby určila typ objektu.
V části CreateJob použijte:
"actionType": "CreateJob",
"jobDefinition": {
"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"
},
"services": {
"{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"
},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
Pro InvokeBatchEndpoint použijte:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
Objekty JobBaseProperties
Nastavte vlastnost jobType a určete typ objektu.
Pro AutoML 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"
}
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"
V části 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 tak, aby určila 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
},
"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
},
"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
},
"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
},
"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"
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"
Objekty TriggerBase
Nastavte vlastnost triggerType a určete typ objektu.
Pro Cron použijte:
"triggerType": "Cron",
"expression": "string"
Jako Opakování použijte:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Hodnoty vlastností
pracovní prostory/plány
Název | Description | Hodnota |
---|---|---|
typ | Typ prostředku | Microsoft.MachineLearningServices/workspaces/schedules |
apiVersion | Verze rozhraní API prostředků | '2022-10-01' |
name | Název prostředku Podívejte se, jak nastavit názvy a typy pro podřízené prostředky v šablonách JSON ARM. |
string (povinné) |
properties | [Povinné] Další atributy entity. | ScheduleVlastnosti (povinné) |
ScheduleVlastnosti
Název | Description | Hodnota |
---|---|---|
action | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název plánu | řetězec |
Isenabled | Je plán povolený? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
Aktivační událost | [Povinné] Určuje podrobnosti o triggeru. | TriggerBase (povinné) |
ScheduleActionBase
Název | Description | Hodnota |
---|---|---|
actionType | Nastavení typu objektu | Vytvořit úlohu InvokeBatchEndpoint (povinné) |
JobScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | CreateJob (povinné) |
definice úlohy | [Povinné] Definuje podrobnosti definice akce plánu. | 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 Kanál Uklidit (povinné) |
Konfigurace identity
Název | Description | Hodnota |
---|---|---|
identityType | Nastavení typu objektu | AMLToken Spravované UserIdentity (povinné) |
AmlToken
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | AMLToken (povinné) |
Spravovaná identita
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | Spravované (povinné) |
clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Pattern = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené toto pole nenastavujte. | řetězec |
Identita uživatele
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | UserIdentity (povinné) |
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 |
JobBaseServices
Název | Description | Hodnota |
---|---|---|
{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 na koncovém bodu. | JobServiceProperties |
JobServiceProperties
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | řetězec |
AutoMLJob
Název | Description | Hodnota |
---|---|---|
jobType | [Povinné] Určuje typ úlohy. | AutoML (povinné) |
environmentId | ID prostředku ARM specifikace prostředí pro úlohu Jedná se o volitelnou hodnotu, která se má zadat, pokud není zadaná, autoML ji při spuštění úlohy nastaví na verzi prostředí kurátorované v produkčním automatickém strojovém učení. |
řetězec |
environmentVariables | Proměnné prostředí zahrnuté v úloze. | 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} | 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. | '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. | 'ReadWriteMount' 'Nahrát' |
Uri | Identifikátor URI výstupního prostředku | řetězec |
MLTableJobOutput
Název | Description | Hodnota |
---|---|---|
jobOutputType | [Povinné] Určuje typ úlohy. | 'mltable' (povinné) |
režim | Režim doručování výstupních prostředků. | '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. | '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. | '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. | '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} | ||
{přizpůsobená vlastnost} |
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" '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_] |
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 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 | 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. | |
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. ProCVStepSize Pokud je například = 3 pro denní data, čas počátku každého záhybů budetři dny od sebe. |
int |
featureLags | Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. | 'Automaticky' 'Žádný' |
forecastHorizon | Požadovaný maximální horizont prognózy v jednotkách frekvence časových řad. | ForecastHorizon |
frequency | Při prognózování tento parametr představuje období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datové sady. | řetězec |
Sezónnost | Nastavte sezónnost časových řad jako celočíselný násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena. |
Sezónnost |
shortSeriesHandlingConfig | Parametr definující, jak má AutoML zpracovávat krátké časové řady. | 'Automaticky' 'Drop' 'Žádný' 'Pad' |
targetAggregateFunction | Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala frekvenci zadané uživatelem. Pokud je targetAggregateFunction nastaven, tj. nikoli None, ale není nastaven parametr freq, dojde k chybě. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední". |
'Max' 'Střední' "Min" 'Žádný' 'Součet' |
targetLags | Počet minulých období, která mají být zpožděna od cílového sloupce. | Cílovélagy |
targetRollingWindowSize | Počet minulých období použitých k vytvoření průměru klouzavého okna cílového sloupce. | TargetRollingWindowSize |
timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování, aby bylo možné zadat sloupec datetime ve vstupních datech použitých pro sestavení časové řady a odvození její frekvence. | řetězec |
timeSeriesIdColumnNames | Názvy sloupců sloužících k seskupení časových období. Dá se použít k vytvoření více řad. Pokud není definováno zrnění, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá s prognózováním typu úlohy. |
string[] |
useStl | Nakonfigurujte rozklad STL cílového sloupce časové řady. | 'Žádný' 'Sezóna' 'SeasonTrend' |
ForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. | "Automaticky" (povinné) |
CustomForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnoty horizontu prognózy. | 'Vlastní' (povinné) |
hodnota | [Povinné] Hodnota horizontu prognózy. | int (povinné) |
Sezónnost
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | "Automaticky" (povinné) |
CustomSeasonality
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Režim sezónnosti. | 'Vlastní' (povinné) |
hodnota | [Povinné] Hodnota sezónnosti. | int (povinné) |
Cílovélagy
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
AutoTargetLags
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavení režimu 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 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" '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_] |
ImageModelDistributionSettingsClassification
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | řetězec |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí 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. 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 |
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) |
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 |
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 | 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 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. | '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 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 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 |
název_modelu | Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
velikost modelu | Velikost modelu. Musí to být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Hybnost | Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
multiscale | Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor sgd. | řetězec |
nmsIouThreshold | Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí být plovoucí v rozsahu [0, 1]. | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodné počáteční údaje, které se mají použít při použití deterministického trénování. | řetězec |
stepLRGamma | Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1]. | řetězec |
stepLRStepSize | Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo. | řetězec |
tileGridSize | Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: TileGridSize nesmí být Žádná, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
dlaždiceOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". NMS: Non-maximum potlačení |
řetězec |
trénováníBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | řetězec |
validationBatchSize | Velikost ověřovací dávky. Musí být kladné celé číslo. | řetězec |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být 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] 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 |
Regrese
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | Regrese (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 |
primaryMetric | Primární metrika pro regresní úlohu | 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. | 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 |
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 |
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 | 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 |
TextClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | 'TextClassification' (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
primaryMetric | Primární metrika pro Text-Classification úkol | 'AUCWeighted' 'Přesnost' AveragePrecisionScoreWeighted NormMacroRecall 'PrecisionScoreWeighted' |
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) |
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: Vzor = [a-zA-Z0-9_] |
CommandJobLimits
Název | Description | Hodnota |
---|---|---|
jobLimitsType | [Povinné] Typ JobLimit | 'Příkaz' "Uklidit" (povinné) |
timeout | Maximální doba běhu ve formátu ISO 8601, po jejímž uplynutí bude úloha zrušena. Podporuje pouze dobu trvání s přesností na sekundy. | řetězec |
Výstupy úloh příkazů
Název | Description | Hodnota |
---|---|---|
{přizpůsobená vlastnost} | Výstupní úloha |
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 |
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} | 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 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 |
EndpointScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
endpointInvocationDefinition | [Povinné] Definuje podrobnosti definice akce plánu. {see href="TBD" /} |
Triggerbase
Název | Description | Hodnota |
---|---|---|
endTime | Určuje čas ukončení plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán bude běžet natrvalo. |
řetězec |
startTime | Určuje čas zahájení plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém plán běží. Časové pásmo by mělo odpovídat formátu časového pásma Windows. Přečtěte si: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
triggerType | Nastavení typu objektu | Cron Opakování (povinné) |
CronTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | 'Cron' (povinné) |
expression | [Povinné] Určuje cron výraz plánu. Výraz by měl mít formát NCronTab. |
string (povinné) Omezení: Pattern = [a-zA-Z0-9_] |
RecurrenceTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | Opakování (povinné) |
frequency | [Povinné] Frekvence aktivace plánu. | "Den" Hodina 'Minuta' 'Month' Týden (povinné) |
interval | [Povinné] Určuje interval plánu ve spojení s frekvencí. | int (povinné) |
schedule | Plán opakování. | RecurrenceSchedule |
RecurrenceSchedule
Název | Description | Hodnota |
---|---|---|
hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
minutes | [Povinné] Seznam minut pro plán | int[] (povinné) |
monthDays | Seznam dnů v měsíci pro plán | int[] |
weekDays | Seznam dnů pro plán | Pole řetězců obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Definice prostředku Terraformu (zprostředkovatele AzAPI)
Typ prostředku pracovní prostory nebo plány 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/schedules, přidejte do šablony následující Terraform.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
{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"
}
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"
}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Objekty ScheduleActionBase
Nastavte vlastnost actionType tak, aby určila typ objektu.
V části CreateJob použijte:
actionType = "CreateJob"
jobDefinition = {
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"
}
services = {
{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"
}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
Pro InvokeBatchEndpoint použijte:
actionType = "InvokeBatchEndpoint"
Objekty JobBaseProperties
Nastavte vlastnost jobType a určete typ objektu.
Pro AutoML 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"
}
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"
V části 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 tak, aby určila 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
}
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
}
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
}
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
}
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 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"
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
Objekty TriggerBase
Nastavte vlastnost triggerType a určete typ objektu.
Pro Cron použijte:
triggerType = "Cron"
expression = "string"
Jako Opakování použijte:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Hodnoty vlastností
pracovní prostory/plány
Název | Description | Hodnota |
---|---|---|
typ | Typ prostředku | Microsoft.MachineLearningServices/workspaces/schedules@2022-10-01 |
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 | Vlastnosti plánu (povinné) |
Vlastnosti plánu
Název | Description | Hodnota |
---|---|---|
action | [Povinné] Určuje akci plánu. | ScheduleActionBase (povinné) |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název plánu | řetězec |
Isenabled | Je plán povolený? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
Aktivační událost | [Povinné] Určuje podrobnosti o triggeru. | TriggerBase (povinné) |
ScheduleActionBase
Název | Description | Hodnota |
---|---|---|
actionType | Nastavení typu objektu | Vytvořit úlohu InvokeBatchEndpoint (povinné) |
Akce JobScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | "Vytvořit úlohu" (povinné) |
definice úlohy | [Povinné] Definuje podrobnosti definice akce plánu. | JobBaseProperties (povinné) |
JobBaseProperties
Název | Description | Hodnota |
---|---|---|
id komponenty | ID prostředku arm prostředku komponenty. | řetězec |
computeId | ID prostředku ARM výpočetního prostředku | řetězec |
description | Text popisu prostředku. | řetězec |
displayName | Zobrazovaný název úlohy | řetězec |
název experimentu | Název experimentu, do který úloha patří. Pokud není nastavená, úloha se umístí do experimentu Výchozí. | řetězec |
identity | Konfigurace identity. Pokud je nastaveno, měl by to být AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota je AmlToken, pokud je null. |
Konfigurace identity |
isArchived | Je prostředek archivovaný? | bool |
properties | Slovník vlastností majetku. | ResourceBaseProperties |
services | Seznam koncových bodů úloh. Pro místní úlohy bude koncový bod úlohy mít hodnotu koncového bodu FileStreamObject. |
JobBaseServices |
tags | Slovník značek. Značky je možné přidávat, odebírat a aktualizovat. | object |
typ úlohy | Nastavení typu objektu | AutoML Příkaz Kanál Uklidit (povinné) |
Konfigurace identity
Název | Description | Hodnota |
---|---|---|
identityType | Nastavení typu objektu | AMLToken Spravované Identita uživatele (povinné) |
AmlToken
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | "AMLToken" (povinné) |
Spravovaná identita
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | "Spravované" (povinné) |
clientId | Určuje identitu přiřazenou uživatelem podle ID klienta. V případě přiřazení systémem toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Vzor = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Určuje identitu přiřazenou uživatelem podle ID objektu. V případě přiřazení systémem toto pole nenastavujte. | řetězec Omezení: Minimální délka = 36 Maximální délka = 36 Vzor = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. V případě přiřazení systémem toto pole nenastavujte. | řetězec |
Identita uživatele
Název | Description | Hodnota |
---|---|---|
identityType | [Povinné] Určuje typ architektury identit. | "UserIdentity" (povinné) |
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 |
JobBaseServices
Název | Description | Hodnota |
---|---|---|
{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. | "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. | "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. | "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. | "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. | "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. | "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: 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 | 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. | |
stackMetaLearnerTrainPercentage | Určuje podíl trénovací sady (při výběru typu trénování a ověřování trénování), který má být vyhrazen pro trénování metaučchače. Výchozí hodnota je 0,2. | int |
stackMetaLearnerType | Meta-learner je model natrénovaný na výstupu jednotlivých heterogenních modelů. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "Lineární regrese" "Logistická regrese" "LogisticRegressionCV" "Žádné" |
Prognózování
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "Prognózování" (povinné) |
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. | "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 |
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 budetři dny od sebe. |
int |
funkceLags | Příznak pro generování prodlev pro číselné funkce s "auto" nebo null. | "Automaticky" "Žádné" |
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" "Žádné" "Panel" |
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" "Žádné" "Součet" |
cílovélagy | Počet minulých období, která se mají zpožďovat od cílového sloupce | Cílovélagy |
targetRollingWindowSize | Počet minulých období použitých k vytvoření průměru posuvného okna cílového sloupce. | TargetRollingWindowSize |
timeColumnName | Název sloupce času. Tento parametr se vyžaduje při prognózování k určení sloupce datetime ve vstupních datech použitých pro sestavení časové řady a odvozování její frekvence. | řetězec |
timeSeriesIdColumnNames | Názvy sloupců, které se používají k seskupení časových období. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednou časovou řadou. Tento parametr se používá při prognózování typu úlohy. |
string[] |
useStl | Nakonfigurujte STL rozklad cílového sloupce časové řady. | "Žádné" "Season" "SeasonTrend" |
PrognózaHorizon
Název | Description | Hodnota |
---|---|---|
režim | Nastavení typu objektu | Auto Vlastní (povinné) |
Automatické předsměrové vysíláníHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru hodnot horizontu prognózy. | "Automaticky" (povinné) |
CustomForecastHorizon
Název | Description | Hodnota |
---|---|---|
režim | [Povinné] Nastavte režim výběru 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 | 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. | "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 | 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" "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_] |
ImageModelDistributionSettingsClassification
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | řetězec |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. | řetězec |
learningRateScheduler | Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok". | řetězec |
modelName | Název modelu, který se má použít pro trénování Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
Hybnost | Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1]. | řetězec |
Nesterov | Povolte nesterov, pokud je optimalizátor "sgd". | řetězec |
numberOfEpochs | Počet epoch trénování Musí být kladné celé číslo. | řetězec |
numberOfWorkers | Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo. | řetězec |
Optimalizátor | Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw". | řetězec |
randomSeed | Náhodná počáteční hodnota, která se má použít při použití deterministického trénování. | řetězec |
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 |
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 |
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 | 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 vyhodnocení ověření bez primárního zlepšení metrik 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 jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádný, pokud chcete povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
tileOverlapRatio | Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
tilePredictionsNmsThreshold | Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
int |
trainingBatchSize | Velikost trénovací dávky. Musí být kladné celé číslo. | int |
validationBatchSize | Velikost dávky ověření. Musí být kladné celé číslo. | int |
validationIouThreshold | Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1]. | int |
validationMetricType | Metoda výpočtu metrik, která se má použít pro ověřovací metriky. | "Coco" "CocoVoc" "Žádné" "Voc" |
warmupCosineLRCycles | Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1]. | int |
warmupCosineLRWarmupEpochs | Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo. | int |
váhaDecay | Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Název | Description | Hodnota |
---|---|---|
amsGradient | Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw". | řetězec |
rozšíření | Nastavení pro použití rozšíření. | řetězec |
beta1 | Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
beta2 | Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1]. | řetězec |
boxDetectionsPerImage | Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5". |
řetězec |
boxScoreThreshold | Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí být float v rozsahu[0, 1]. |
řetězec |
Distribuované | Jestli se má použít trénování distribuce. | řetězec |
earlyStopping | Povolte logiku předčasného zastavení během trénování. | řetězec |
earlyStoppingDelay | Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před vylepšením primární metriky je sledován pro brzké zastavení. Musí být kladné celé číslo. |
řetězec |
earlyStoppingPatience | Minimální počet epoch nebo vyhodnocení ověření bez primárního zlepšení metrik před spuštění je zastaveno. Musí být kladné celé číslo. |
řetězec |
enableOnnxNormalization | Povolte normalizaci při exportu modelu ONNX. | řetězec |
evaluationFrequency | Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo. | řetězec |
gradientAccumulationStep | Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez při kumulaci gradientů těchto kroků a následném použití kumulované přechody pro výpočet aktualizací hmotnosti. Musí být kladné celé číslo. |
řetězec |
Imagesize | Velikost obrázku pro trénování a ověřování Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". |
řetězec |
layersToFreeze | Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy0 a vrstvy 1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete v tématu Viz: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
řetězec |
learningRate | Počáteční rychlost učení. Musí 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 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] 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 |
Regrese
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "Regrese" (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 |
primaryMetric | Primární metrika pro regresní úlohu | "NormalizedMeanAbsoluteError" 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. | 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 |
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 |
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 | 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 |
TextClassification
Název | Description | Hodnota |
---|---|---|
taskType | [Povinné] Typ úlohy pro úlohu AutoML. | "TextClassification" (povinné) |
featurizationSettings | Featurizační vstupy potřebné pro úlohu AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Omezení spouštění pro úlohu AutoML. | NlpVerticalLimitSettings |
primaryMetric | Primární metrika pro Text-Classification úkol | "AUCWeighted" "Přesnost" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
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) |
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 |
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 |
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. | |
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 |
EndpointScheduleAction
Název | Description | Hodnota |
---|---|---|
actionType | [Povinné] Určuje typ akce plánu. | InvokeBatchEndpoint (povinné) |
definice koncového bodu | [Povinné] Definuje podrobnosti definice akce plánu. {see href="TBD" /} |
Triggerbase
Název | Description | Hodnota |
---|---|---|
endTime | Určuje koncový čas plánu v ISO 8601, ale bez posunu UTC. Viz https://en.wikipedia.org/wiki/ISO_8601. Recommented format by byl "2022-06-01T00:00:01" Pokud není k dispozici, plán se spustí po neomezenou dobu. |
řetězec |
startTime | Určuje počáteční čas plánu ve formátu ISO 8601, ale bez posunu UTC. | řetězec |
timeZone | Určuje časové pásmo, ve kterém se plán spustí. TimeZone by mělo odpovídat formátu časového pásma Windows. Přečtěte si: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
řetězec |
triggerType | Nastavení typu objektu | Cron Opakování (povinné) |
CronTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | "Cron" (povinné) |
expression | [Povinné] Určuje výraz cron plánu. Výraz by měl mít formát NCronTab. |
string (povinné) Omezení: Pattern = [a-zA-Z0-9_] |
RecurrenceTrigger
Název | Description | Hodnota |
---|---|---|
triggerType | [Povinné] | "Opakování" (povinné) |
frequency | [Povinné] Frekvence aktivace plánu. | "Den" "Hodina" "Minuta" "Month" "Týden" (povinné) |
interval | [Povinné] Určuje interval plánu ve spojení s frekvencí. | int (povinné) |
schedule | Plán opakování. | RecurrenceSchedule |
RecurrenceSchedule
Název | Description | Hodnota |
---|---|---|
hodiny | [Povinné] Seznam hodin pro plán | int[] (povinné) |
minutes | [Povinné] Seznam minut pro plán | int[] (povinné) |
monthDays | Seznam dnů v měsíci pro plán | int[] |
weekDays | Seznam dnů pro plán | Pole řetězců obsahující některou z těchto možností: "Pátek" "Pondělí" "Sobota" "Neděle" "Čtvrtek" "Úterý" "Středa" |
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro