Jobs - Create Or Update

Služba:

Machine Learning

Verze rozhraní API:

2025-06-01

Vytvoří a spustí úlohu. V případě aktualizace nahradí značky v definici předané značky v existující úloze.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2025-06-01

Parametry identifikátoru URI

Name	V	Vyžadováno	Typ	Description
id	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$	Název a identifikátor úlohy. Rozlišují se malá a velká písmena.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Název skupiny prostředků. Název nerozlišuje malá a velká písmena.
subscriptionId	path	True	string minLength: 1	ID cílového předplatného.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Název pracovního prostoru Azure Machine Learning
api-version	query	True	string minLength: 1	Verze rozhraní API, která se má použít pro tuto operaci.

Text požadavku

Name	Vyžadováno	Typ	Description
properties	True	JobBase: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Povinné] Další atributy entity.

Odpovědi

Name	Typ	Description
200 OK	JobBaseResource	Žádost o vytvoření nebo aktualizaci je úspěšná.
201 Created	JobBaseResource	Vytvořeno
Other Status Codes	ErrorResponse	Chyba

Příklady

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Ukázkový požadavek

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-06-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "isArchived": false,
    "identity": {
      "identityType": "AMLToken"
    },
    "jobType": "AutoML",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "taskDetails": {
      "taskType": "ImageClassification",
      "limitSettings": {
        "maxTrials": 2
      },
      "targetColumnName": "string",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ]
    },
    "outputs": {
      "string": {
        "description": "string",
        "uri": "string",
        "mode": "ReadWriteMount",
        "jobOutputType": "uri_file"
      }
    }
  }
}

Ukázková odpověď

Stavový kód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "Scheduled",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "isArchived": false,
    "identity": {
      "identityType": "AMLToken"
    },
    "jobType": "AutoML",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "taskDetails": {
      "taskType": "ImageClassification",
      "limitSettings": {
        "maxTrials": 2
      },
      "targetColumnName": "string",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ]
    },
    "outputs": {
      "string": {
        "description": "string",
        "uri": "string",
        "mode": "ReadWriteMount",
        "jobOutputType": "uri_file"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

Stavový kód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "Scheduled",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "isArchived": false,
    "identity": {
      "identityType": "AMLToken"
    },
    "jobType": "AutoML",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "taskDetails": {
      "taskType": "ImageClassification",
      "limitSettings": {
        "maxTrials": 2
      },
      "targetColumnName": "string",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ]
    },
    "outputs": {
      "string": {
        "description": "string",
        "uri": "string",
        "mode": "ReadWriteMount",
        "jobOutputType": "uri_file"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

Ukázkový požadavek

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-06-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    }
  }
}

Ukázková odpověď

Stavový kód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    },
    "parameters": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Stavový kód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    },
    "parameters": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

Ukázkový požadavek

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-06-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Pipeline",
    "settings": {},
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    }
  }
}

Ukázková odpověď

Stavový kód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Pipeline",
    "settings": {},
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Stavový kód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Pipeline",
    "settings": {},
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

Ukázkový požadavek

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2025-06-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Sweep",
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "limits": {
      "jobLimitsType": "Sweep",
      "maxTotalTrials": 1,
      "maxConcurrentTrials": 1,
      "trialTimeout": "PT1S"
    },
    "earlyTermination": {
      "evaluationInterval": 1,
      "delayEvaluation": 1,
      "policyType": "MedianStopping"
    },
    "objective": {
      "primaryMetric": "string",
      "goal": "Minimize"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    },
    "searchSpace": {
      "string": {}
    }
  }
}

Ukázková odpověď

Stavový kód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Sweep",
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "limits": {
      "jobLimitsType": "Sweep",
      "maxTotalTrials": 1,
      "maxConcurrentTrials": 1,
      "trialTimeout": "PT1S"
    },
    "earlyTermination": {
      "evaluationInterval": 1,
      "delayEvaluation": 1,
      "policyType": "MedianStopping"
    },
    "objective": {
      "primaryMetric": "string",
      "goal": "Minimize"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    },
    "searchSpace": {
      "string": {}
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Stavový kód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Sweep",
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "limits": {
      "jobLimitsType": "Sweep",
      "maxTotalTrials": 1,
      "maxConcurrentTrials": 1,
      "trialTimeout": "PT1S"
    },
    "earlyTermination": {
      "evaluationInterval": 1,
      "delayEvaluation": 1,
      "policyType": "MedianStopping"
    },
    "objective": {
      "primaryMetric": "string",
      "goal": "Minimize"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    },
    "searchSpace": {
      "string": {}
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Definice

Name	Description
AllNodes	Všechny uzly znamenají, že služba bude spuštěná na všech uzlech úlohy.
AmlToken	Konfigurace identity tokenu AML.
AutoForecastHorizon	Horizont prognózy určený systémem automaticky.
AutoMLJob	AutoMLJob – třída. Tuto třídu použijte ke spouštění úloh AutoML, jako je klasifikace nebo regrese atd. Viz výčet TaskType pro všechny podporované úlohy.
AutoNCrossValidations	Automatické ověřování N-Křížové ověřování.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	Cílové prodlevy se automaticky určují.
AzureDevOpsWebhook	Podrobnosti webhooku specifické pro Azure DevOps
BanditPolicy	Definuje zásadu předčasného ukončení na základě kritérií slack a interval četnosti a zpoždění pro vyhodnocení.
BayesianSamplingAlgorithm	Definuje algoritmus vzorkování, který generuje hodnoty na základě předchozích hodnot.
BlockedTransformers	Výčet pro všechny klasifikační modely podporované autoML
Classification	Úkol klasifikace ve svislé tabulce AutoML
ClassificationModels	Výčet pro všechny klasifikační modely podporované autoML
ClassificationMultilabelPrimaryMetrics	Primární metriky pro úlohy s více popisky klasifikace
ClassificationPrimaryMetrics	Primární metriky pro úkoly klasifikace
ClassificationTrainingSettings	Konfigurace související s trénováním klasifikace
CommandJob	Definice úlohy příkazu
CommandJobLimits	Příkaz Třída limitu úlohy.
createdByType	Typ identity, která prostředek vytvořila.
CustomForecastHorizon	Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	N-Křížové ověřování jsou určena uživatelem.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Výčet určující typ distribuce úlohy.
EarlyTerminationPolicyType
EmailNotificationEnableType	Výčet určující typ e-mailového oznámení
ErrorAdditionalInfo	Další informace o chybě správy prostředků
ErrorDetail	Podrobnosti o chybě.
ErrorResponse	Chybová odpověď
FeatureLags	Příznak pro generování prodlev pro číselné funkce
FeaturizationMode	Režim featurizace – určuje režim featurizace dat.
ForecastHorizonMode	Výčet k určení režimu výběru horizont prognózy
Forecasting	Úloha prognózování ve svislé tabulce AutoML
ForecastingModels	Výčet pro všechny modely prognózování, které autoML podporuje.
ForecastingPrimaryMetrics	Primární metriky pro úlohu prognózování
ForecastingSettings	Prognózování konkrétních parametrů
ForecastingTrainingSettings	Prognózování konfigurace související s trénováním
Goal	Definuje podporované cíle metrik pro ladění hyperparametrů.
GridSamplingAlgorithm	Definuje algoritmus vzorkování, který vyčerpávajícím způsobem generuje každou kombinaci hodnot v prostoru.
IdentityConfigurationType	Výčet k určení architektury identit.
ImageClassification	Klasifikace obrázků. Klasifikace obrázků s více třídami se používá, když je obrázek klasifikovaný pouze s jedním popiskem ze sady tříd – například každý obrázek je klasifikován jako obrázek "kočky" nebo "pes" nebo "kachna".
ImageClassificationMultilabel	Multilabel klasifikace obrázků. Klasifikace obrázků s více popisky se používá, když může mít obrázek jeden nebo více popisků ze sady popisků – například obrázek může být označený jako "kočka" i "pes".
ImageInstanceSegmentation	Segmentace instance image Segmentace instancí se používá k identifikaci objektů na obrázku na úrovni pixelů a nakreslení mnohoúhelníku kolem každého objektu na obrázku.
ImageLimitSettings	Omezte nastavení pro úlohu AutoML.
ImageModelDistributionSettingsClassification	Distribuční výrazy, které se mají přemístat nad hodnotami nastavení modelu Mezi příklady patří: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Distribuční výrazy, které se mají přemístat nad hodnotami nastavení modelu Mezi příklady patří: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	Nastavení použitá pro trénování modelu. Další informace o dostupných nastaveních najdete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	Nastavení použitá pro trénování modelu. Další informace o dostupných nastaveních najdete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Rozpoznávání objektů obrázku Rozpoznávání objektů se používá k identifikaci objektů na obrázku a vyhledání každého objektu s ohraničujícím rámečkem, například vyhledání všech psů a koček na obrázku a vykreslení ohraničujícího rámečku kolem každého objektu.
ImageSweepSettings	Nastavení související s úklidem modelů a úklidem hyperparametrů
InputDeliveryMode	Výčet určující režim doručení vstupních dat.
InstanceSegmentationPrimaryMetrics	Primární metriky pro úlohy InstanceSegmentation
JobBaseResource	Obálka prostředků Azure Resource Manageru
JobInputType	Výčet určující typ vstupu úlohy.
JobLimitsType
JobOutputType	Výčet určující typ výstupu úlohy.
JobResourceConfiguration
JobService	Definice koncového bodu úlohy
JobStatus	Stav úlohy.
JobTier	Výčet k určení úrovně úlohy
JobType	Výčet určující typ úlohy.
LearningRateScheduler	Výčet plánovače studijních sazeb
LiteralJobInput	Typ zadávání literálů.
LogVerbosity	Výčet pro nastavení podrobností protokolu
ManagedIdentity	Konfigurace spravované identity
MedianStoppingPolicy	Definuje zásadu předčasného ukončení na základě průběžných průměrů primární metriky všech spuštění.
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Velikost modelu obrázku
Mpi	Konfigurace distribuce MPI.
NCrossValidationsMode	Určuje, jak se určuje hodnota N-Křížové ověřování.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Omezení provádění úloh.
NodesValueType	Výčtové typy pro hodnotu uzlů
NotificationSetting	Konfigurace pro oznámení
ObjectDetectionPrimaryMetrics	Primární metriky pro úlohu Image ObjectDetection.
Objective	Cíl optimalizace
OutputDeliveryMode	Výčty v režimu doručování výstupních dat
PipelineJob	Definice úlohy kanálu: definuje obecné atributy MFE.
PyTorch	Konfigurace distribuce PyTorch
QueueSettings
RandomSamplingAlgorithm	Definuje algoritmus vzorkování, který náhodně generuje hodnoty.
RandomSamplingAlgorithmRule	Konkrétní typ náhodného algoritmu
Regression	Regresní úloha ve svislé tabulce AutoML
RegressionModels	Výčet pro všechny regresní modely podporované autoML
RegressionPrimaryMetrics	Primární metriky pro regresní úlohu
RegressionTrainingSettings	Konfigurace související s regresí trénování
SamplingAlgorithmType
SeasonalityMode	Režim prognózování sezónnosti
ShortSeriesHandlingConfiguration	Parametr definující, jak by AutoML měl zpracovávat krátké časové řady.
SparkJob	Definice úlohy Sparku
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	Přejde na nastavení přizpůsobení spuštění StackEnsemble.
StackMetaLearnerType	Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů. Výchozí metaučovací moduly jsou LogisticRegression pro úlohy klasifikace (nebo LogisticRegressionCV, pokud je povolené křížové ověřování) a ElasticNet pro regresní a prognózovací úlohy (nebo ElasticNetCV, pokud je povolené křížové ověřování). Tento parametr může být jedním z následujících řetězců: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor nebo LinearRegression.
StochasticOptimizer	Stochastický optimalizátor pro modely obrázků.
SweepJob	Definice úlohy uklidit
SweepJobLimits	Třída limitu úlohy uklidit.
systemData	Metadata týkající se vytvoření a poslední změny prostředku.
TableVerticalFeaturizationSettings	Konfigurace featurizace
TableVerticalLimitSettings	Omezení provádění úloh.
TargetAggregationFunction	Cílová agregační funkce.
TargetLagsMode	Režimy výběru se zpožďují cíli.
TargetRollingWindowSizeMode	Cílová režim velikostí oken se zatáčem.
TaskType	Typ úlohy AutoMLJob.
TensorFlow	Konfigurace distribuce TensorFlow
TextClassification	Úloha klasifikace textu ve svislé funkci AutoML NLP NLP – Zpracování přirozeného jazyka.
TextClassificationMultilabel	Úloha Multilabel klasifikace textu ve svislé funkci AutoML NLP NLP – Zpracování přirozeného jazyka.
TextNer	Text-NER úkol ve svislé funkci AutoML NLP. NER – Rozpoznávání pojmenovaných entit. NLP – Zpracování přirozeného jazyka.
TrialComponent	Definice zkušební komponenty.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Definuje zásadu předčasného ukončení, která zruší dané procento spuštění v každém intervalu vyhodnocení.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Konfigurace identity uživatele
UseStl	Nakonfigurujte rozklad STL cílového sloupce časové řady.
ValidationMetricType	Metoda výpočtů metrik, která se má použít pro metriky ověřování v úlohách obrázků.
WebhookType	Výčet určující typ služby zpětného volání webhooku.

AllNodes

Objekt

Všechny uzly znamenají, že služba bude spuštěná na všech uzlech úlohy.

Name	Typ	Description
nodesValueType	string: All	[Povinné] Typ hodnoty Uzly

AmlToken

Objekt

Konfigurace identity tokenu AML.

Name	Typ	Description
identityType	string: AMLToken	[Povinné] Určuje typ architektury identit.

AutoForecastHorizon

Objekt

Horizont prognózy určený systémem automaticky.

Name	Typ	Description
mode	string: Auto	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.

AutoMLJob

Objekt

AutoMLJob – třída. Tuto třídu použijte ke spouštění úloh AutoML, jako je klasifikace nebo regrese atd. Viz výčet TaskType pro všechny podporované úlohy.

Name	Typ	Default value	Description
componentId	string		ID prostředku ARM prostředku komponenty
computeId	string		ID prostředku ARM výpočetního prostředku
description	string		Text popisu prostředku.
displayName	string		Zobrazovaný název úlohy.
environmentId	string		ID prostředku ARM specifikace prostředí pro úlohu. Jedná se o volitelnou hodnotu, která se má poskytnout, pokud není k dispozici, autoML tuto hodnotu nastaví na verzi prostředí kurátorované službou Production AutoML při spuštění úlohy.
environmentVariables	object		Proměnné prostředí zahrnuté v úloze
experimentName	string	Default	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.
isArchived	boolean	False	Archivuje se asset?
jobType	string: AutoML		[Povinné] Určuje typ úlohy.
notificationSetting	NotificationSetting		Nastavení oznámení pro úlohu
outputs	object		Mapování výstupních datových vazeb použitých v úloze
properties	object		Slovník vlastností assetu.
queueSettings	QueueSettings		Nastavení fronty pro úlohu
resources	JobResourceConfiguration	{}	Konfigurace výpočetního prostředku pro úlohu
services	<string,  JobService>		Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.
status	JobStatus		Stav úlohy
tags	object		Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Povinné] Tento scénář představuje scénář, který může být jednou z tabulek, NLP nebo image.

AutoNCrossValidations

Objekt

Automatické ověřování N-Křížové ověřování.

Name	Typ	Description
mode	string: Auto	[Povinné] Režim pro určení N-Křížové ověřování

AutoSeasonality

Objekt

Name	Typ	Description
mode	string: Auto	[Povinné] Režim sezónnosti.

AutoTargetLags

Objekt

Name	Typ	Description
mode	string: Auto	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní

AutoTargetRollingWindowSize

Objekt

Cílové prodlevy se automaticky určují.

Name	Typ	Description
mode	string: Auto	[Povinné] TargetRollingWindowSiz – režim detekce

AzureDevOpsWebhook

Objekt

Podrobnosti webhooku specifické pro Azure DevOps

Name	Typ	Description
eventType	string	Odeslání zpětného volání u zadané události oznámení
webhookType	string: AzureDevOps	[Povinné] Určuje typ služby pro odeslání zpětného volání.

BanditPolicy

Objekt

Definuje zásadu předčasného ukončení na základě kritérií slack a interval četnosti a zpoždění pro vyhodnocení.

Name	Typ	Default value	Description
delayEvaluation	integer (int32)	0	Početintervalch
evaluationInterval	integer (int32)	0	Interval (počet spuštění) mezi vyhodnoceními zásad
policyType	string: Bandit		[Povinné] Název konfigurace zásad
slackAmount	number (float)	0	Absolutní vzdálenost povolená od nejlepšího spuštění.
slackFactor	number (float)	0	Poměr povolené vzdálenosti od nejlepšího spuštění

BayesianSamplingAlgorithm

Objekt

Definuje algoritmus vzorkování, který generuje hodnoty na základě předchozích hodnot.

Name	Typ	Description
samplingAlgorithmType	string: Bayesian	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace

BlockedTransformers

Výčet

Výčet pro všechny klasifikační modely podporované autoML

Hodnota	Description
CatTargetEncoder	Cílové kódování pro kategorická data.
CountVectorizer	Funkce Count Vectorizer převede kolekci textových dokumentů na matici počtů tokenů.
HashOneHotEncoder	Hashing One Hot Encoder může změnit kategorické proměnné na omezený počet nových funkcí. Často se používá pro kategorické funkce s vysokou kardinalitou.
LabelEncoder	Kodér štítků převádí popisky nebo kategorické proměnné v číselné podobě.
NaiveBayes	Naive Bayes je klasifikace, která se používá pro klasifikaci diskrétních funkcí, které jsou kategoricky distribuovány.
OneHotEncoder	Kódování Ohe hot vytvoří transformaci binární funkce.
TextTargetEncoder	Cílové kódování textových dat
TfIdf	Tf-Idf je zkratka pro inverzní časy k inverzní frekvenci dokumentů. Toto je běžné schéma vážení pro identifikaci informací z dokumentů.
WoETargetEncoder	Váha kódování důkazů je technika, která se používá ke kódování kategorických proměnných. K vytvoření váhy používá přirozený protokol P(1)/P(0).
WordEmbedding	Vkládání slov pomáhá reprezentovat slova nebo fráze jako vektor nebo řadu čísel.

Classification

Objekt

Úkol klasifikace ve svislé tabulce AutoML

Name	Typ	Default value	Description
cvSplitColumnNames	string[]		Sloupce, které se mají použít pro data CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Vstupy featurizace potřebné pro úlohu AutoML
limitSettings	TableVerticalLimitSettings		Omezení spouštění pro AutoMLJob.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Počet záhybů křížového ověření, které se použijí u trénovací datové sady, pokud není k dispozici ověřovací datová sada
positiveLabel	string		Kladný popisek pro výpočet binárních metrik
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	Primární metrika úkolu
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: Classification		[Povinné] Typ úlohy pro AutoMLJob
testData	MLTableJobInput		Otestujte vstup dat.
testDataSize	number (double)		Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
trainingSettings	ClassificationTrainingSettings		Vstupy pro trénovací fázi pro úlohu AutoML.
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.
weightColumnName	string		Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.

ClassificationModels

Výčet

Výčet pro všechny klasifikační modely podporované autoML

Hodnota	Description
BernoulliNaiveBayes	Klasifikátor Naive Bayes pro multivariate Bernoulli modely.
DecisionTree	Rozhodovací stromy představují metodu učení, která není parametrická pod dohledem, která se používá pro úlohy klasifikace i regrese. Cílem je vytvořit model, který predikuje hodnotu cílové proměnné učením jednoduchých rozhodovacích pravidel odvozených z datových funkcí.
ExtremeRandomTrees	Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
GradientBoosting	Technika průchodu týdenních učení do silného učení se nazývá Boosting. Proces přechodu podporující algoritmus funguje na této teorii provádění.
KNN	Algoritmus K-nejbližších sousedů (KNN) používá k predikci hodnot nových datových bodů "podobnost funkce", což dále znamená, že nový datový bod bude přiřazen hodnotu na základě toho, jak přesně odpovídá bodům v trénovací sadě.
LightGBM	LightGBM je architektura pro zvýšení přechodu, která používá algoritmy učení založené na stromech.
LinearSVM	Podpůrný vektorový stroj (SVM) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro problémy klasifikace se dvěma skupinami. Po udělení sady modelů SVM s označenými trénovacími daty pro každou kategorii budou moct kategorizovat nový text. Lineární SVM funguje nejlépe, když jsou vstupní data lineární, tj. data lze snadno klasifikovat nakreslením přímky mezi klasifikovanými hodnotami v vykresleném grafu.
LogisticRegression	Logistická regrese je základní klasifikační technika. Patří do skupiny lineárních klasifikátorů a je poněkud podobná polynomické a lineární regresi. Logistická regrese je rychlá a relativně nekomplikovaná a je vhodná pro interpretaci výsledků. I když se jedná v podstatě o metodu pro binární klasifikaci, lze ji použít také u problémů s více třídami.
MultinomialNaiveBayes	Multinomický klasifikátor Naive Bayes je vhodný pro klasifikaci s diskrétními funkcemi (např. počet slov pro klasifikaci textu). Multinomické rozdělení obvykle vyžaduje celočíselné počty funkcí. V praxi ale můžou fungovat i zlomkové počty, jako je tf-idf.
RandomForest	Náhodná doménová struktura je algoritmus učení pod dohledem. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody baggingu spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek.
SGD	SGD: Stochastic gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy.
SVM	Podpůrný vektorový stroj (SVM) je model strojového učení pod dohledem, který používá klasifikační algoritmy pro problémy klasifikace se dvěma skupinami. Po udělení sady modelů SVM s označenými trénovacími daty pro každou kategorii budou moct kategorizovat nový text.
XGBoostClassifier	XGBoost: Extrémní gradient boosting algoritmus. Tento algoritmus se používá pro strukturovaná data, kde je možné hodnoty cílového sloupce rozdělit na odlišné hodnoty tříd.

ClassificationMultilabelPrimaryMetrics

Výčet

Primární metriky pro úlohy s více popisky klasifikace

Hodnota	Description
AUCWeighted	AUC je oblast pod křivkou. Tato metrika představuje aritmetickou střední hodnotu skóre pro každou třídu váženou počtem pravdivých instancí v každé třídě.
Accuracy	Přesnost je poměr předpovědí, které přesně odpovídají popiskům skutečné třídy.
AveragePrecisionScoreWeighted	Aritmetický průměr průměrného skóre přesnosti pro každou třídu vážený počtem pravdivých instancí v každé třídě.
IOU	Průsečík nad sjednocením. Průnik předpovědí rozdělených sjednocením předpovědí
NormMacroRecall	Normalizované odvolání makra je zprůměrované a normalizované, takže náhodný výkon má skóre 0 a dokonalý výkon má skóre 1.
PrecisionScoreWeighted	Aritmetická střední hodnota přesnosti pro každou třídu, vážená počtem pravdivých instancí v každé třídě.

ClassificationPrimaryMetrics

Výčet

Primární metriky pro úkoly klasifikace

Hodnota	Description
AUCWeighted	AUC je oblast pod křivkou. Tato metrika představuje aritmetickou střední hodnotu skóre pro každou třídu váženou počtem pravdivých instancí v každé třídě.
Accuracy	Přesnost je poměr předpovědí, které přesně odpovídají popiskům skutečné třídy.
AveragePrecisionScoreWeighted	Aritmetický průměr průměrného skóre přesnosti pro každou třídu vážený počtem pravdivých instancí v každé třídě.
NormMacroRecall	Normalizované odvolání makra je zprůměrované a normalizované, takže náhodný výkon má skóre 0 a dokonalý výkon má skóre 1.
PrecisionScoreWeighted	Aritmetická střední hodnota přesnosti pro každou třídu, vážená počtem pravdivých instancí v každé třídě.

ClassificationTrainingSettings

Objekt

Konfigurace související s trénováním klasifikace

Name	Typ	Default value	Description
allowedTrainingAlgorithms	ClassificationModels[]		Povolené modely pro úlohu klasifikace
blockedTrainingAlgorithms	ClassificationModels[]		Blokované modely pro úlohu klasifikace
enableDnnTraining	boolean	False	Povolte doporučení modelů DNN.
enableModelExplainability	boolean	True	Příznakem zapněte vysvětlitelnost nejlepšího modelu.
enableOnnxCompatibleModels	boolean	False	Příznak pro povolení kompatibilních modelů onnx.
enableStackEnsemble	boolean	True	Povolte spuštění souboru zásobníku.
enableVoteEnsemble	boolean	True	Povolte spuštění hlasovacího souboru.
ensembleModelDownloadTimeout	string (duration)	PT5M	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.
stackEnsembleSettings	StackEnsembleSettings		Stack ensemble nastavení pro štosový soubor běh.

CommandJob

Objekt

Definice úlohy příkazu

Name	Typ	Default value	Description
codeId	string		ID prostředku ARM prostředku kódu
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py
componentId	string		ID prostředku ARM prostředku komponenty
computeId	string		ID prostředku ARM výpočetního prostředku
description	string		Text popisu prostředku.
displayName	string		Zobrazovaný název úlohy.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.
environmentVariables	object		Proměnné prostředí zahrnuté v úloze
experimentName	string	Default	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.
inputs	object		Mapování vstupních datových vazeb použitých v úloze
isArchived	boolean	False	Archivuje se asset?
jobType	string: Command		[Povinné] Určuje typ úlohy.
limits	CommandJobLimits		Limit úlohy příkazu.
notificationSetting	NotificationSetting		Nastavení oznámení pro úlohu
outputs	object		Mapování výstupních datových vazeb použitých v úloze
parameters	object		Vstupní parametry:
properties	object		Slovník vlastností assetu.
queueSettings	QueueSettings		Nastavení fronty pro úlohu
resources	JobResourceConfiguration	{}	Konfigurace výpočetního prostředku pro úlohu
services	<string,  JobService>		Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.
status	JobStatus		Stav úlohy
tags	object		Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.

CommandJobLimits

Objekt

Příkaz Třída limitu úlohy.

Name	Typ	Description
jobLimitsType	string: Command	[Povinné] Typ JobLimit.
timeout	string (duration)	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.

createdByType

Výčet

Typ identity, která prostředek vytvořila.

Hodnota	Description
Application
Key
ManagedIdentity
User

CustomForecastHorizon

Objekt

Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad.

Name	Typ	Description
mode	string: Custom	[Povinné] Nastavte režim výběru hodnoty horizont prognózy.
value	integer (int32)	[Povinné] Hodnota horizontu prognózy.

CustomModelJobInput

Objekt

Name	Typ	Default value	Description
description	string		Popis vstupu
jobInputType	string: custom_model		[Povinné] Určuje typ úlohy.
mode	InputDeliveryMode	ReadOnlyMount	Režim doručení vstupního majetku
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Identifikátor URI vstupního assetu

CustomModelJobOutput

Objekt

Name	Typ	Default value	Description
description	string		Popis výstupu
jobOutputType	string: custom_model		[Povinné] Určuje typ úlohy.
mode	OutputDeliveryMode	ReadWriteMount	Režim doručování výstupních prostředků
uri	string		Identifikátor URI výstupního prostředku

CustomNCrossValidations

Objekt

N-Křížové ověřování jsou určena uživatelem.

Name	Typ	Description
mode	string: Custom	[Povinné] Režim pro určení N-Křížové ověřování
value	integer (int32)	[Povinné] Hodnota N-Křížové ověřování

CustomSeasonality

Objekt

Name	Typ	Description
mode	string: Custom	[Povinné] Režim sezónnosti.
value	integer (int32)	[Povinné] Hodnota sezónnosti

CustomTargetLags

Objekt

Name	Typ	Description
mode	string: Custom	[Povinné] Nastavení režimu prodlev cíle – automatické nebo vlastní
values	integer[] (int32)	[Povinné] Nastavte hodnoty prodlev cíle.

CustomTargetRollingWindowSize

Objekt

Name	Typ	Description
mode	string: Custom	[Povinné] TargetRollingWindowSiz – režim detekce
value	integer (int32)	[Povinné] TargetRollingWindowSize value.

DistributionType

Výčet

Výčet určující typ distribuce úlohy.

Hodnota	Description
Mpi
PyTorch
TensorFlow

EarlyTerminationPolicyType

Výčet

Hodnota	Description
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Výčet

Výčet určující typ e-mailového oznámení

Hodnota	Description
JobCancelled
JobCompleted
JobFailed

ErrorAdditionalInfo

Objekt

Další informace o chybě správy prostředků

Name	Typ	Description
info	object	Další informace.
type	string	Další typ informací.

ErrorDetail

Objekt

Podrobnosti o chybě.

Name	Typ	Description
additionalInfo	ErrorAdditionalInfo[]	Další informace o chybě.
code	string	Kód chyby.
details	ErrorDetail[]	Podrobnosti o chybě.
message	string	Chybová zpráva.
target	string	Cíl chyby.

ErrorResponse

Objekt

Chybová odpověď

Name	Typ	Description
error	ErrorDetail	Objekt chyby.

FeatureLags

Výčet

Příznak pro generování prodlev pro číselné funkce

Hodnota	Description
Auto	Systém automaticky generuje prodlevy funkcí.
None	Nevygenerovaly se žádné prodlevy funkcí.

FeaturizationMode

Výčet

Režim featurizace – určuje režim featurizace dat.

Hodnota	Description
Auto	Automatický režim, systém provádí featurizaci bez vlastních vstupů featurizace.
Custom	Vlastní featurizace.
Off	Featurizace je vypnutá. Úkol Prognózování nemůže tuto hodnotu použít.

ForecastHorizonMode

Výčet

Výčet k určení režimu výběru horizont prognózy

Hodnota	Description
Auto	Horizont prognózy, který se určí automaticky.
Custom	Použijte vlastní horizont prognózy.

Forecasting

Objekt

Úloha prognózování ve svislé tabulce AutoML

Name	Typ	Default value	Description
cvSplitColumnNames	string[]		Sloupce, které se mají použít pro data CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Vstupy featurizace potřebné pro úlohu AutoML
forecastingSettings	ForecastingSettings		Prognózování vstupů specifických pro úlohu
limitSettings	TableVerticalLimitSettings		Omezení spouštění pro AutoMLJob.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Počet záhybů křížového ověření, které se použijí u trénovací datové sady, pokud není k dispozici ověřovací datová sada
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Primární metrika pro prognózování úkolu
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: Forecasting		[Povinné] Typ úlohy pro AutoMLJob
testData	MLTableJobInput		Otestujte vstup dat.
testDataSize	number (double)		Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
trainingSettings	ForecastingTrainingSettings		Vstupy pro trénovací fázi pro úlohu AutoML.
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.
weightColumnName	string		Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.

ForecastingModels

Výčet

Výčet pro všechny modely prognózování, které autoML podporuje.

Hodnota	Description
Arimax	Model ARIMAX (Autoregressive Integrated Moving Average) s vysvětlující proměnnou (ARIMAX) lze zobrazit jako více regresních modelů s jedním nebo více termíny autoregresivního (AR) a/nebo jedním nebo více termíny klouzavého průměru (MA). Tato metoda je vhodná pro prognózování, kdy jsou data statickou/nehybnou, a multivariát s jakýmkoli typem datového vzoru, tj. úroveň/trend /sezónnost/cykličnost.
AutoArima	Model ARIMA (Auto-Autoregressive Integrated Moving Average) používá data časových řad a statistickou analýzu k interpretaci dat a provádění budoucích předpovědí. Cílem tohoto modelu je vysvětlit data pomocí dat časových řad na jejich minulých hodnotách a používá lineární regresi k vytváření předpovědí.
Average	Model průměrné prognózy vytváří předpovědi tak, že přenese průměr cílových hodnot pro každou časovou řadu v trénovacích datech.
DecisionTree	Rozhodovací stromy představují metodu učení, která není parametrická pod dohledem, která se používá pro úlohy klasifikace i regrese. Cílem je vytvořit model, který predikuje hodnotu cílové proměnné učením jednoduchých rozhodovacích pravidel odvozených z datových funkcí.
ElasticNet	Elastická síť je oblíbený typ regularizované lineární regrese, který kombinuje dvě oblíbené sankce, konkrétně funkce trestů L1 a L2.
ExponentialSmoothing	Exponenciální vyhlazování je metoda prognózování časových řad pro jednovariátní data, která lze rozšířit tak, aby podporovala data s systematickým trendem nebo sezónní komponentou.
ExtremeRandomTrees	Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
GradientBoosting	Technika průchodu týdenních učení do silného učení se nazývá Boosting. Proces přechodu podporující algoritmus funguje na této teorii provádění.
KNN	Algoritmus K-nejbližších sousedů (KNN) používá k predikci hodnot nových datových bodů "podobnost funkce", což dále znamená, že nový datový bod bude přiřazen hodnotu na základě toho, jak přesně odpovídá bodům v trénovací sadě.
LassoLars	Nepravidelný model se vejde s regresí nejmenšího úhlu a.k.a. Lars. Jedná se o lineární model vytrénovaný pomocí L1 předchozího jako regularizátoru.
LightGBM	LightGBM je architektura pro zvýšení přechodu, která používá algoritmy učení založené na stromech.
Naive	Model naivní prognózování vytváří předpovědi tím, že předává nejnovější cílovou hodnotu pro každou časovou řadu v trénovacích datech.
Prophet	Prorok je procedura pro prognózování dat časových řad na základě doplňkového modelu, ve kterém se nelineární trendy vejdou s ročním, týdenním a denním sezónním efektem a efekty svátků. Nejlépe funguje s časovými řadami, které mají silné sezónní účinky a několik sezón historických dat. Prorok je robustní pro chybějící data a posuny v trendu a obvykle zpracovává odlehlé hodnoty dobře.
RandomForest	Náhodná doménová struktura je algoritmus učení pod dohledem. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody baggingu spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek.
SGD	SGD: Stochastic gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy. Je to nevýkonná, ale výkonná technika.
SeasonalAverage	Model prognózování sezónního průměru vytváří předpovědi tím, že předává průměrnou hodnotu nejnovější sezóny dat pro každou časovou řadu v trénovacích datech.
SeasonalNaive	Model sezónních naivních prognóz vytváří předpovědi tím, že provádí nejnovější sezónu cílových hodnot pro každou časovou řadu v trénovacích datech.
TCNForecaster	TCNForecaster: Dočasný konvoluční sítě Forecaster. ÚKOL: Zeptejte se týmu prognózování na stručný úvod.
XGBoostRegressor	XGBoostRegressor: Extrémní gradient boosting Regressor je model strojového učení pod dohledem využívající soubor základních učení.

ForecastingPrimaryMetrics

Výčet

Primární metriky pro úlohu prognózování

Hodnota	Description
NormalizedMeanAbsoluteError	Normalizovaná střední absolutní chyba (NMAE) je ověřovací metrika pro porovnání střední absolutní chyby (MAE) řady (time) s různými stupnici.
NormalizedRootMeanSquaredError	Normalizovaná střední kvadratická chyba (NRMSE) RMSE usnadňuje porovnání modelů s různými měřítky.
R2Score	Skóre R2 je jedním z měr hodnocení výkonu pro modely strojového učení založené na prognózách.
SpearmanCorrelation	Koeficient pořadí Spearmanovy korelace je neparametrická míra korelace pořadí.

ForecastingSettings

Objekt

Prognózování konkrétních parametrů

Name	Typ	Default value	Description
countryOrRegionForHolidays	string		Země nebo oblast pro svátky pro prognózování úkolů Měly by se jednat o dvoumísmenné kódy země/oblasti ISO 3166, například "USA" nebo "GB".
cvStepSize	integer (int32)		Početobdobíchch Pokud například CVStepSize = 3 pro denní data, bude čas původu každého přeložení tři dny od sebe.
featureLags	FeatureLags	None	Příznak pro generování prodlev pro číselné funkce s hodnotou auto nebo null
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon	{"Mode": "Custom", "Value": 1}	Požadovaný maximální horizont prognózy v jednotkách četnosti časových řad.
frequency	string		Při prognózování představuje tento parametr období, ve kterém je prognóza požadovaná, například denně, týdně, ročně atd. Frekvence prognózy je ve výchozím nastavení frekvence datových sad.
seasonality	Seasonality: AutoSeasonality CustomSeasonality	{"Mode": "Auto"}	Nastavte sezónnost časových řad jako celočíselnou násobek frekvence řady. Pokud je sezónnost nastavená na "auto", bude odvozena.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Parametr definující, jak by AutoML měl zpracovávat krátké časové řady.
targetAggregateFunction	TargetAggregationFunction	None	Funkce, která se má použít k agregaci cílového sloupce časové řady tak, aby odpovídala zadané frekvenci uživatele. Pokud je parametr TargetAggregateFunction nastavený, tj. ne None, ale není nastaven parametr freq, vyvolá se chyba. Možné cílové agregační funkce jsou: "sum", "max", "min" a "střední".
targetLags	TargetLags: AutoTargetLags CustomTargetLags		Počet minulých období, která se mají od cílového sloupce zpožďovat.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		Počet minulých období použitých k vytvoření průběžného intervalu cílového sloupce.
timeColumnName	string		Název sloupce času. Tento parametr se vyžaduje při prognózování pro zadání sloupce datetime ve vstupních datech použitých k sestavení časové řady a odvození jeho frekvence.
timeSeriesIdColumnNames	string[]		Názvy sloupců, které se používají k seskupení časových intervalů. Dá se použít k vytvoření více řad. Pokud není definováno agregační interval, předpokládá se, že datová sada je jednorázová. Tento parametr se používá s prognózou typu úlohy.
useStl	UseStl	None	Nakonfigurujte rozklad STL cílového sloupce časové řady.

ForecastingTrainingSettings

Objekt

Prognózování konfigurace související s trénováním

Name	Typ	Default value	Description
allowedTrainingAlgorithms	ForecastingModels[]		Povolené modely pro prognózování úkolu.
blockedTrainingAlgorithms	ForecastingModels[]		Blokované modely pro úlohu prognózování
enableDnnTraining	boolean	False	Povolte doporučení modelů DNN.
enableModelExplainability	boolean	True	Příznakem zapněte vysvětlitelnost nejlepšího modelu.
enableOnnxCompatibleModels	boolean	False	Příznak pro povolení kompatibilních modelů onnx.
enableStackEnsemble	boolean	True	Povolte spuštění souboru zásobníku.
enableVoteEnsemble	boolean	True	Povolte spuštění hlasovacího souboru.
ensembleModelDownloadTimeout	string (duration)	PT5M	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.
stackEnsembleSettings	StackEnsembleSettings		Stack ensemble nastavení pro štosový soubor běh.

Goal

Výčet

Definuje podporované cíle metrik pro ladění hyperparametrů.

Hodnota	Description
Maximize
Minimize

GridSamplingAlgorithm

Objekt

Definuje algoritmus vzorkování, který vyčerpávajícím způsobem generuje každou kombinaci hodnot v prostoru.

Name	Typ	Description
samplingAlgorithmType	string: Grid	[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace

IdentityConfigurationType

Výčet

Výčet k určení architektury identit.

Hodnota	Description
AMLToken
Managed
UserIdentity

ImageClassification

Objekt

Klasifikace obrázků. Klasifikace obrázků s více třídami se používá, když je obrázek klasifikovaný pouze s jedním popiskem ze sady tříd – například každý obrázek je klasifikován jako obrázek "kočky" nebo "pes" nebo "kachna".

Name	Typ	Default value	Description
limitSettings	ImageLimitSettings		[Povinné] Omezte nastavení pro úlohu AutoML.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
modelSettings	ImageModelSettingsClassification		Nastavení použitá pro trénování modelu.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Primární metrika pro optimalizaci pro tuto úlohu
searchSpace	ImageModelDistributionSettingsClassification[]		Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.
sweepSettings	ImageSweepSettings		Nastavení související s úklidem modelů a úklidem hyperparametrů
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: ImageClassification		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.

ImageClassificationMultilabel

Objekt

Multilabel klasifikace obrázků. Klasifikace obrázků s více popisky se používá, když může mít obrázek jeden nebo více popisků ze sady popisků – například obrázek může být označený jako "kočka" i "pes".

Name	Typ	Default value	Description
limitSettings	ImageLimitSettings		[Povinné] Omezte nastavení pro úlohu AutoML.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
modelSettings	ImageModelSettingsClassification		Nastavení použitá pro trénování modelu.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	Primární metrika pro optimalizaci pro tuto úlohu
searchSpace	ImageModelDistributionSettingsClassification[]		Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.
sweepSettings	ImageSweepSettings		Nastavení související s úklidem modelů a úklidem hyperparametrů
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: ImageClassificationMultilabel		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.

ImageInstanceSegmentation

Objekt

Segmentace instance image Segmentace instancí se používá k identifikaci objektů na obrázku na úrovni pixelů a nakreslení mnohoúhelníku kolem každého objektu na obrázku.

Name	Typ	Default value	Description
limitSettings	ImageLimitSettings		[Povinné] Omezte nastavení pro úlohu AutoML.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
modelSettings	ImageModelSettingsObjectDetection		Nastavení použitá pro trénování modelu.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	Primární metrika pro optimalizaci pro tuto úlohu
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.
sweepSettings	ImageSweepSettings		Nastavení související s úklidem modelů a úklidem hyperparametrů
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: ImageInstanceSegmentation		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.

ImageLimitSettings

Objekt

Omezte nastavení pro úlohu AutoML.

Name	Typ	Default value	Description
maxConcurrentTrials	integer (int32)	1	Maximální počet souběžných iterací AutoML
maxTrials	integer (int32)	1	Maximální počet iterací AutoML
timeout	string (duration)	P7D	Časový limit úlohy AutoML

ImageModelDistributionSettingsClassification

Objekt

Distribuční výrazy, které se mají přemístat nad hodnotami nastavení modelu Mezi příklady patří:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Description
amsGradient	string	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.
augmentations	string	Nastavení pro použití rozšíření
beta1	string	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
beta2	string	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
distributed	string	Zda se má použít trénování distribuátoru.
earlyStopping	string	Povolte logiku předčasného zastavení během trénování.
earlyStoppingDelay	string	Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před počátečním zastavením primární metriky. Musí to být kladné celé číslo.
earlyStoppingPatience	string	Minimální počet epoch nebo vyhodnocení ověření bez zlepšení primární metriky před zastavením spuštění. Musí to být kladné celé číslo.
enableOnnxNormalization	string	Povolte normalizaci při exportu modelu ONNX.
evaluationFrequency	string	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.
gradientAccumulationStep	string	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep, aniž by se aktualizovaly váhy modelu, zatímco se shromažďovaly přechody těchto kroků, a pak pomocí kumulovaných přechodů vypočítat aktualizace hmotnosti. Musí to být kladné celé číslo.
layersToFreeze	string	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená ukotvení vrstvy0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy najdete v tématu: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].
learningRateScheduler	string	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".
modelName	string	Název modelu, který se má použít pro trénování Další informace o dostupných modelech naleznete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].
nesterov	string	Povolte nesterov, pokud je optimalizátor sgd.
numberOfEpochs	string	Počet epoch trénování. Musí to být kladné celé číslo.
numberOfWorkers	string	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.
optimizer	string	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.
randomSeed	string	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.
stepLRGamma	string	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].
stepLRStepSize	string	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.
trainingBatchSize	string	Trénovací velikost dávky. Musí to být kladné celé číslo.
trainingCropSize	string	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.
validationBatchSize	string	Velikost dávky ověření. Musí to být kladné celé číslo.
validationCropSize	string	Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.
validationResizeSize	string	Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.
warmupCosineLRCycles	string	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].
warmupCosineLRWarmupEpochs	string	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.
weightDecay	string	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].
weightedLoss	string	Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.

ImageModelDistributionSettingsObjectDetection

Objekt

Distribuční výrazy, které se mají přemístat nad hodnotami nastavení modelu Mezi příklady patří:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Description
amsGradient	string	Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.
augmentations	string	Nastavení pro použití rozšíření
beta1	string	Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
beta2	string	Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
boxDetectionsPerImage	string	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
boxScoreThreshold	string	Během odvozování vrátí pouze návrhy s klasifikačním skóre větším než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].
distributed	string	Zda se má použít trénování distribuátoru.
earlyStopping	string	Povolte logiku předčasného zastavení během trénování.
earlyStoppingDelay	string	Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před počátečním zastavením primární metriky. Musí to být kladné celé číslo.
earlyStoppingPatience	string	Minimální počet epoch nebo vyhodnocení ověření bez zlepšení primární metriky před zastavením spuštění. Musí to být kladné celé číslo.
enableOnnxNormalization	string	Povolte normalizaci při exportu modelu ONNX.
evaluationFrequency	string	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.
gradientAccumulationStep	string	Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep, aniž by se aktualizovaly váhy modelu, zatímco se shromažďovaly přechody těchto kroků, a pak pomocí kumulovaných přechodů vypočítat aktualizace hmotnosti. Musí to být kladné celé číslo.
imageSize	string	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.
layersToFreeze	string	Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená ukotvení vrstvy0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy najdete v tématu: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].
learningRateScheduler	string	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".
maxSize	string	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to 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.
minSize	string	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to 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.
modelName	string	Název modelu, který se má použít pro trénování Další informace o dostupných modelech naleznete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.
momentum	string	Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].
multiScale	string	Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.
nesterov	string	Povolte nesterov, pokud je optimalizátor sgd.
nmsIouThreshold	string	Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být plovoucí v rozsahu [0, 1].
numberOfEpochs	string	Počet epoch trénování. Musí to být kladné celé číslo.
numberOfWorkers	string	Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.
optimizer	string	Typ optimalizátoru Musí to být buď 'sgd', 'adam', nebo 'adamw'.
randomSeed	string	Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.
stepLRGamma	string	Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].
stepLRStepSize	string	Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.
tileGridSize	string	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná, aby bylo možné povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
tileOverlapRatio	string	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
tilePredictionsNmsThreshold	string	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 plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5. NMS: Nevýkonné potlačení
trainingBatchSize	string	Trénovací velikost dávky. Musí to být kladné celé číslo.
validationBatchSize	string	Velikost dávky ověření. Musí to být kladné celé číslo.
validationIouThreshold	string	Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].
validationMetricType	string	Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí to být žádná, coco, voc nebo coco_voc.
warmupCosineLRCycles	string	Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].
warmupCosineLRWarmupEpochs	string	Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.
weightDecay	string	Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].

ImageModelSettingsClassification

Objekt

Nastavení použitá pro trénování modelu. Další informace o dostupných nastaveních najdete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Default value	Description
advancedSettings	string		Nastavení pro pokročilé scénáře
amsGradient	boolean		Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.
augmentations	string		Nastavení pro použití rozšíření
beta1	number (float)		Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
beta2	number (float)		Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
checkpointFrequency	integer (int32)		Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.
checkpointModel	MLFlowModelJobInput		Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.
checkpointRunId	string		ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.
distributed	boolean		Jestli se má používat distribuované trénování.
earlyStopping	boolean		Povolte logiku předčasného zastavení během trénování.
earlyStoppingDelay	integer (int32)		Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před počátečním zastavením primární metriky. Musí to být kladné celé číslo.
earlyStoppingPatience	integer (int32)		Minimální počet epoch nebo vyhodnocení ověření bez zlepšení primární metriky před zastavením spuštění. Musí to být kladné celé číslo.
enableOnnxNormalization	boolean		Povolte normalizaci při exportu modelu ONNX.
evaluationFrequency	integer (int32)		Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.
gradientAccumulationStep	integer (int32)		Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep, aniž by se aktualizovaly váhy modelu, zatímco se shromažďovaly přechody těchto kroků, a pak pomocí kumulovaných přechodů vypočítat aktualizace hmotnosti. Musí to být kladné celé číslo.
layersToFreeze	integer (int32)		Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená ukotvení vrstvy0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy najdete v tématu: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].
learningRateScheduler	LearningRateScheduler	None	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".
modelName	string		Název modelu, který se má použít pro trénování Další informace o dostupných modelech naleznete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].
nesterov	boolean		Povolte nesterov, pokud je optimalizátor sgd.
numberOfEpochs	integer (int32)		Počet epoch trénování. Musí to být kladné celé číslo.
numberOfWorkers	integer (int32)		Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.
optimizer	StochasticOptimizer	None	Typ optimalizátoru
randomSeed	integer (int32)		Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.
stepLRGamma	number (float)		Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].
stepLRStepSize	integer (int32)		Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.
trainingBatchSize	integer (int32)		Trénovací velikost dávky. Musí to být kladné celé číslo.
trainingCropSize	integer (int32)		Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénovací datovou sadu Musí to být kladné celé číslo.
validationBatchSize	integer (int32)		Velikost dávky ověření. Musí to být kladné celé číslo.
validationCropSize	integer (int32)		Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. Musí to být kladné celé číslo.
validationResizeSize	integer (int32)		Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu Musí to být kladné celé číslo.
warmupCosineLRCycles	number (float)		Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.
weightDecay	number (float)		Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].
weightedLoss	integer (int32)		Vážená ztráta. Přijaté hodnoty jsou 0 pro žádnou váženou ztrátu. 1 pro váženou ztrátu sqrtem. (class_weights). 2 pro váženou ztrátu s class_weights. Musí být 0 nebo 1 nebo 2.

ImageModelSettingsObjectDetection

Objekt

Nastavení použitá pro trénování modelu. Další informace o dostupných nastaveních najdete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Typ	Default value	Description
advancedSettings	string		Nastavení pro pokročilé scénáře
amsGradient	boolean		Povolte AMSGrad, pokud je optimalizátor adam nebo adamw.
augmentations	string		Nastavení pro použití rozšíření
beta1	number (float)		Hodnota beta1, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
beta2	number (float)		Hodnota beta2, pokud je optimalizátor "adam" nebo "adamw". Musí to být plovák v rozsahu [0, 1].
boxDetectionsPerImage	integer (int32)		Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
boxScoreThreshold	number (float)		Během odvozování vrátí pouze návrhy s klasifikačním skóre větším než BoxScoreThreshold. Musí to být plovák v rozsahu[0, 1].
checkpointFrequency	integer (int32)		Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.
checkpointModel	MLFlowModelJobInput		Předem natrénovaný model kontrolního bodu pro přírůstkové trénování.
checkpointRunId	string		ID předchozího spuštění s předem natrénovaným kontrolním bodem pro přírůstkové trénování.
distributed	boolean		Jestli se má používat distribuované trénování.
earlyStopping	boolean		Povolte logiku předčasného zastavení během trénování.
earlyStoppingDelay	integer (int32)		Minimální počet epoch nebo vyhodnocení ověření, která se mají čekat před počátečním zastavením primární metriky. Musí to být kladné celé číslo.
earlyStoppingPatience	integer (int32)		Minimální počet epoch nebo vyhodnocení ověření bez zlepšení primární metriky před zastavením spuštění. Musí to být kladné celé číslo.
enableOnnxNormalization	boolean		Povolte normalizaci při exportu modelu ONNX.
evaluationFrequency	integer (int32)		Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.
gradientAccumulationStep	integer (int32)		Akumulace přechodu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep, aniž by se aktualizovaly váhy modelu, zatímco se shromažďovaly přechody těchto kroků, a pak pomocí kumulovaných přechodů vypočítat aktualizace hmotnosti. Musí to být kladné celé číslo.
imageSize	integer (int32)		Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.
layersToFreeze	integer (int32)		Počet vrstev, které se mají u modelu ukotvit. Musí to být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená ukotvení vrstvy0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstvy najdete v tématu: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].
learningRateScheduler	LearningRateScheduler	None	Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "step".
maxSize	integer (int32)		Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to 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.
minSize	integer (int32)		Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to 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.
modelName	string		Název modelu, který se má použít pro trénování Další informace o dostupných modelech naleznete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Velikost modelu Musí být "small", "medium", "large" nebo "xlarge". Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.
momentum	number (float)		Hodnota dynamiky při optimalizaci je "sgd". Musí to být plovák v rozsahu [0, 1].
multiScale	boolean		Povolte vícenásobný obrázek tak, že se liší velikostí obrázku o velikosti +/- 50%. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus yolov5.
nesterov	boolean		Povolte nesterov, pokud je optimalizátor sgd.
nmsIouThreshold	number (float)		Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí to být plovák v rozsahu [0, 1].
numberOfEpochs	integer (int32)		Počet epoch trénování. Musí to být kladné celé číslo.
numberOfWorkers	integer (int32)		Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.
optimizer	StochasticOptimizer	None	Typ optimalizátoru
randomSeed	integer (int32)		Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.
stepLRGamma	number (float)		Hodnota gama při učení plánovače rychlosti je krok. Musí to být plovák v rozsahu [0, 1].
stepLRStepSize	integer (int32)		Hodnota velikosti kroku při plánování rychlosti učení je krok. Musí to být kladné celé číslo.
tileGridSize	string		Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádná, aby bylo možné povolit logiku detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
tileOverlapRatio	number (float)		Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
tilePredictionsNmsThreshold	number (float)		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 plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus yolov5.
trainingBatchSize	integer (int32)		Trénovací velikost dávky. Musí to být kladné celé číslo.
validationBatchSize	integer (int32)		Velikost dávky ověření. Musí to být kladné celé číslo.
validationIouThreshold	number (float)		Prahová hodnota IOU, která se má použít při výpočetní metrikě ověřování. Musí být plovoucí v rozsahu [0, 1].
validationMetricType	ValidationMetricType	None	Metoda výpočtů metrik, která se má použít pro ověřovací metriky.
warmupCosineLRCycles	number (float)		Hodnota kosinusového cyklu při plánování rychlosti učení je "warmup_cosine". Musí to být plovák v rozsahu [0, 1].
warmupCosineLRWarmupEpochs	integer (int32)		Hodnota epochy warmup při učení plánovače rychlosti je "warmup_cosine". Musí to být kladné celé číslo.
weightDecay	number (float)		Hodnota hmotnosti se rozpadne, když je optimalizátor 'sgd', 'adam' nebo 'adamw'. Musí to být plovák v rozsahu[0, 1].

ImageObjectDetection

Objekt

Rozpoznávání objektů obrázku Rozpoznávání objektů se používá k identifikaci objektů na obrázku a vyhledání každého objektu s ohraničujícím rámečkem, například vyhledání všech psů a koček na obrázku a vykreslení ohraničujícího rámečku kolem každého objektu.

Name	Typ	Default value	Description
limitSettings	ImageLimitSettings		[Povinné] Omezte nastavení pro úlohu AutoML.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
modelSettings	ImageModelSettingsObjectDetection		Nastavení použitá pro trénování modelu.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	Primární metrika pro optimalizaci pro tuto úlohu
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Prohledávejte prostor pro vzorkování různých kombinací modelů a jejich hyperparametrů.
sweepSettings	ImageSweepSettings		Nastavení související s úklidem modelů a úklidem hyperparametrů
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: ImageObjectDetection		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.

ImageSweepSettings

Objekt

Nastavení související s úklidem modelů a úklidem hyperparametrů

Name	Typ	Description
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	Typ zásad předčasného ukončení
samplingAlgorithm	SamplingAlgorithmType	[Povinné] Typ algoritmů vzorkování hyperparametrů

InputDeliveryMode

Výčet

Výčet určující režim doručení vstupních dat.

Hodnota	Description
Direct
Download
EvalDownload
EvalMount
ReadOnlyMount
ReadWriteMount

InstanceSegmentationPrimaryMetrics

Výčet

Primární metriky pro úlohy InstanceSegmentation

Hodnota	Description
MeanAveragePrecision	Střední průměrná přesnost (MAP) je průměr ap (Average Precision). Ap se vypočítá pro každou třídu a zprůměruje se pro získání mapy.

JobBaseResource

Objekt

Obálka prostředků Azure Resource Manageru

Name	Typ	Description
id	string	Plně kvalifikované ID prostředku pro prostředek. Příklad : /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	Název prostředku
properties	JobBase: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Povinné] Další atributy entity.
systemData	systemData	Metadata služby Azure Resource Manager obsahující informace o tom, kdo jej vytvořil a upravil.
type	string	Typ prostředku. Například Microsoft.Compute/virtualMachines nebo Microsoft.Storage/storageAccounts

JobInputType

Výčet

Výčet určující typ vstupu úlohy.

Hodnota	Description
custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder

JobLimitsType

Výčet

Hodnota	Description
Command
Sweep

JobOutputType

Výčet

Výčet určující typ výstupu úlohy.

Hodnota	Description
custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder

JobResourceConfiguration

Objekt

Name	Typ	Default value	Description
dockerArgs	string		Nadbytečné argumenty pro předání příkazu Docker Run. Tím by se přepsaly všechny parametry, které už systém nastavil, nebo v této části. Tento parametr je podporovaný pouze pro výpočetní typy Azure ML.
instanceCount	integer (int32)	1	Volitelný počet instancí nebo uzlů používaných cílovým výpočetním objektem.
instanceType	string		Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.
properties	object		Taška s dalšími vlastnostmi.
shmSize	string pattern: \d+[bBkKmMgG]	2g	Velikost bloku sdílené paměti kontejneru Dockeru To by mělo být ve formátu (číslo)(jednotka), kde číslo je větší než 0 a jednotka může být jedna z b(bajtů), k(kilobajtů), m(megabajty) nebo g(gigabajty).

JobService

Objekt

Definice koncového bodu úlohy

Name	Typ	Description
endpoint	string	Adresa URL koncového bodu
errorMessage	string	Jakákoli chyba ve službě.
jobServiceType	string	Typ koncového bodu.
nodes	Nodes: AllNodes	Uzly, na které chce uživatel službu spustit. Pokud uzly nejsou nastaveny nebo nastaveny na hodnotu null, služba se spustí pouze na vodicím uzlu.
port	integer (int32)	Port pro koncový bod
properties	object	Další vlastnosti, které se mají nastavit na koncovém bodu.
status	string	Stav koncového bodu

JobStatus

Výčet

Stav úlohy.

Hodnota	Description
CancelRequested	Pro úlohu bylo požadováno zrušení.
Canceled	Po žádosti o zrušení je úloha nyní úspěšně zrušena.
Completed	Úloha byla úspěšně dokončena. To odráží úspěšné dokončení stavu samotné úlohy i výstupní kolekce.
Failed	Úloha selhala.
Finalizing	Úloha je dokončena v cíli. Je teď ve stavu výstupní kolekce.
NotResponding	Pokud je povolený prezenční signál, pokud spuštění neaktualizuje žádné informace na RunHistory, pak spuštění přejde do stavu Nereagování. Nereagování je jediný stav, který je vyloučen z striktních převodních objednávek. Spuštění může přejít z nereagování na žádný z předchozích stavů.
NotStarted	Spuštění ještě nezačlo.
Paused	Úloha je pozastavena uživateli. Některé úpravy úloh označování je možné provést pouze v pozastaveném stavu.
Preparing	Prostředí spuštění se připravuje.
Provisioning	(Aktuálně se nepoužívá. Použije se, pokud ES vytváří cílový výpočetní objekt.
Queued	Úloha se zařadí do fronty v cílovém výpočetním objektu. Například ve službě BatchAI je úloha ve frontě a čeká se na dokončení všech požadovaných uzlů.
Running	Úloha začala běžet v cílovém výpočetním objektu.
Starting	Spuštění se spustilo. Uživatel má ID spuštění.
Unknown	Výchozí stav úlohy, pokud není namapovaný na všechny ostatní stavy

JobTier

Výčet

Výčet k určení úrovně úlohy

Hodnota	Description
Basic
Null
Premium
Spot
Standard

JobType

Výčet

Výčet určující typ úlohy.

Hodnota	Description
AutoML
Command
Pipeline
Spark
Sweep

LearningRateScheduler

Výčet

Výčet plánovače studijních sazeb

Hodnota	Description
None	Není vybraný žádný plánovač četnosti výuky.
Step	Krokovací plánovač četnosti.
WarmupCosine	Kosinus Žíhání s teplou.

LiteralJobInput

Objekt

Typ zadávání literálů.

Name	Typ	Description
description	string	Popis vstupu
jobInputType	string: literal	[Povinné] Určuje typ úlohy.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Povinné] Hodnota literálu pro vstup

LogVerbosity

Výčet

Výčet pro nastavení podrobností protokolu

Hodnota	Description
Critical	Protokolovaly se pouze kritické příkazy.
Debug	Protokolované příkazy protokolu ladění a vyšší.
Error	Protokolované příkazy protokolu a vyšší.
Info	Zaprotokolovány informace a výše uvedené příkazy protokolu.
NotSet	Nevygenerované žádné protokoly.
Warning	Protokolované příkazy s upozorněním a výše.

ManagedIdentity

Objekt

Konfigurace spravované identity

Name	Typ	Description
clientId	string (uuid)	Určuje identitu přiřazenou uživatelem podle ID klienta. Pro systém přiřazené pole nenastavujte toto pole.
identityType	string: Managed	[Povinné] Určuje typ architektury identit.
objectId	string (uuid)	Určuje identitu přiřazenou uživatelem podle ID objektu. Pro systém přiřazené pole nenastavujte toto pole.
resourceId	string	Určuje identitu přiřazenou uživatelem podle ID prostředku ARM. Pro systém přiřazené pole nenastavujte toto pole.

MedianStoppingPolicy

Objekt

Definuje zásadu předčasného ukončení na základě průběžných průměrů primární metriky všech spuštění.

Name	Typ	Default value	Description
delayEvaluation	integer (int32)	0	Početintervalch
evaluationInterval	integer (int32)	0	Interval (počet spuštění) mezi vyhodnoceními zásad
policyType	string: MedianStopping		[Povinné] Název konfigurace zásad

MLFlowModelJobInput

Objekt

Name	Typ	Default value	Description
description	string		Popis vstupu
jobInputType	string: mlflow_model		[Povinné] Určuje typ úlohy.
mode	InputDeliveryMode	ReadOnlyMount	Režim doručení vstupního majetku
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Identifikátor URI vstupního assetu

MLFlowModelJobOutput

Objekt

Name	Typ	Default value	Description
description	string		Popis výstupu
jobOutputType	string: mlflow_model		[Povinné] Určuje typ úlohy.
mode	OutputDeliveryMode	ReadWriteMount	Režim doručování výstupních prostředků
uri	string		Identifikátor URI výstupního prostředku

MLTableJobInput

Objekt

Name	Typ	Default value	Description
description	string		Popis vstupu
jobInputType	string: mltable		[Povinné] Určuje typ úlohy.
mode	InputDeliveryMode	ReadOnlyMount	Režim doručení vstupního majetku
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Identifikátor URI vstupního assetu

MLTableJobOutput

Objekt

Name	Typ	Default value	Description
description	string		Popis výstupu
jobOutputType	string: mltable		[Povinné] Určuje typ úlohy.
mode	OutputDeliveryMode	ReadWriteMount	Režim doručování výstupních prostředků
uri	string		Identifikátor URI výstupního prostředku

ModelSize

Výčet

Velikost modelu obrázku

Hodnota	Description
ExtraLarge	Větší velikost.
Large	Velká velikost.
Medium	Střední velikost.
None	Nebyla vybrána žádná hodnota.
Small	Malá velikost.

Mpi

Objekt

Konfigurace distribuce MPI.

Name	Typ	Description
distributionType	string: Mpi	[Povinné] Určuje typ distribuční architektury.
processCountPerInstance	integer (int32)	Počet procesů na uzel MPI

NCrossValidationsMode

Výčet

Určuje, jak se určuje hodnota N-Křížové ověřování.

Hodnota	Description
Auto	Automaticky určete hodnotu N-Křížové ověřování. Podporuje se pouze pro úlohu AutoML pro prognózování.
Custom	Použijte vlastní hodnotu ověřování N-Cross.

NlpVerticalFeaturizationSettings

Objekt

Name	Typ	Description
datasetLanguage	string	Jazyk datové sady, užitečný pro textová data.

NlpVerticalLimitSettings

Objekt

Omezení provádění úloh.

Name	Typ	Default value	Description
maxConcurrentTrials	integer (int32)	1	Maximální počet souběžných iterací AutoML
maxTrials	integer (int32)	1	Počet iterací AutoML
timeout	string (duration)	P7D	Časový limit úlohy AutoML

NodesValueType

Výčet

Výčtové typy pro hodnotu uzlů

Hodnota	Description
All

NotificationSetting

Objekt

Konfigurace pro oznámení

Name	Typ	Description
emailOn	EmailNotificationEnableType[]	Odeslání e-mailového oznámení uživateli u zadaného typu oznámení
emails	string[]	Toto je seznam příjemců e-mailů s omezením 499 znaků v celkovém počtu zřetězení s oddělovačem čárky.
webhooks	object	Odeslání zpětného volání webhooku do služby Klíč je uživatelské jméno webhooku.

ObjectDetectionPrimaryMetrics

Výčet

Primární metriky pro úlohu Image ObjectDetection.

Hodnota	Description
MeanAveragePrecision	Střední průměrná přesnost (MAP) je průměr ap (Average Precision). Ap se vypočítá pro každou třídu a zprůměruje se pro získání mapy.

Objective

Objekt

Cíl optimalizace

Name	Typ	Description
goal	Goal	[Povinné] Definuje podporované cíle metrik pro ladění hyperparametrů.
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Povinné] Název metriky pro optimalizaci

OutputDeliveryMode

Výčet

Výčty v režimu doručování výstupních dat

Hodnota	Description
Direct
ReadWriteMount
Upload

PipelineJob

Objekt

Definice úlohy kanálu: definuje obecné atributy MFE.

Name	Typ	Default value	Description
componentId	string		ID prostředku ARM prostředku komponenty
computeId	string		ID prostředku ARM výpočetního prostředku
description	string		Text popisu prostředku.
displayName	string		Zobrazovaný název úlohy.
experimentName	string	Default	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.
inputs	object		Vstupy pro úlohu kanálu.
isArchived	boolean	False	Archivuje se asset?
jobType	string: Pipeline		[Povinné] Určuje typ úlohy.
jobs	object		Úlohy sestavují úlohu kanálu.
notificationSetting	NotificationSetting		Nastavení oznámení pro úlohu
outputs	object		Výstupy pro úlohu kanálu
properties	object		Slovník vlastností assetu.
services	<string,  JobService>		Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.
settings	object		Nastavení kanálu, například ContinueRunOnStepFailure atd.
sourceJobId	string		ID prostředku ARM zdrojové úlohy.
status	JobStatus		Stav úlohy
tags	object		Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.

PyTorch

Objekt

Konfigurace distribuce PyTorch

Name	Typ	Description
distributionType	string: PyTorch	[Povinné] Určuje typ distribuční architektury.
processCountPerInstance	integer (int32)	Počet procesů na uzel

QueueSettings

Objekt

Name	Typ	Default value	Description
jobTier	JobTier	Null	Řídí úroveň výpočetní úlohy.

RandomSamplingAlgorithm

Objekt

Definuje algoritmus vzorkování, který náhodně generuje hodnoty.

Name	Typ	Default value	Description
rule	RandomSamplingAlgorithmRule	Random	Konkrétní typ náhodného algoritmu
samplingAlgorithmType	string: Random		[Povinné] Algoritmus používaný ke generování hodnot hyperparametrů spolu s vlastnostmi konfigurace
seed	integer (int32)		Volitelné celé číslo, které se použije jako počáteční hodnota pro generování náhodných čísel

RandomSamplingAlgorithmRule

Výčet

Konkrétní typ náhodného algoritmu

Hodnota	Description
Random
Sobol

Regression

Objekt

Regresní úloha ve svislé tabulce AutoML

Name	Typ	Default value	Description
cvSplitColumnNames	string[]		Sloupce, které se mají použít pro data CVSplit.
featurizationSettings	TableVerticalFeaturizationSettings		Vstupy featurizace potřebné pro úlohu AutoML
limitSettings	TableVerticalLimitSettings		Omezení spouštění pro AutoMLJob.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		Počet záhybů křížového ověření, které se použijí u trénovací datové sady, pokud není k dispozici ověřovací datová sada
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	Primární metrika pro regresní úlohu
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: Regression		[Povinné] Typ úlohy pro AutoMLJob
testData	MLTableJobInput		Otestujte vstup dat.
testDataSize	number (double)		Zlomek testovací datové sady, kterou je potřeba vyhradit pro účely ověření. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
trainingSettings	RegressionTrainingSettings		Vstupy pro trénovací fázi pro úlohu AutoML.
validationData	MLTableJobInput		Ověřovací vstupy dat.
validationDataSize	number (double)		Zlomek trénovací datové sady, kterou je potřeba pro účely ověřování vyhradit. Hodnoty mezi (0.0 , 1.0) Použity, pokud není zadána ověřovací datová sada.
weightColumnName	string		Název ukázkového sloupce hmotnosti. Automatizované strojové učení podporuje vážený sloupec jako vstup, což způsobuje, že řádky v datech se vážou nahoru nebo dolů.

RegressionModels

Výčet

Výčet pro všechny regresní modely podporované autoML

Hodnota	Description
DecisionTree	Rozhodovací stromy představují metodu učení, která není parametrická pod dohledem, která se používá pro úlohy klasifikace i regrese. Cílem je vytvořit model, který predikuje hodnotu cílové proměnné učením jednoduchých rozhodovacích pravidel odvozených z datových funkcí.
ElasticNet	Elastická síť je oblíbený typ regularizované lineární regrese, který kombinuje dvě oblíbené sankce, konkrétně funkce trestů L1 a L2.
ExtremeRandomTrees	Extreme Trees je algoritmus strojového učení, který kombinuje předpovědi z mnoha rozhodovacích stromů. Souvisí s široce používaným algoritmem náhodné doménové struktury.
GradientBoosting	Technika průchodu týdenních učení do silného učení se nazývá Boosting. Proces přechodu podporující algoritmus funguje na této teorii provádění.
KNN	Algoritmus K-nejbližších sousedů (KNN) používá k predikci hodnot nových datových bodů "podobnost funkce", což dále znamená, že nový datový bod bude přiřazen hodnotu na základě toho, jak přesně odpovídá bodům v trénovací sadě.
LassoLars	Nepravidelný model se vejde s regresí nejmenšího úhlu a.k.a. Lars. Jedná se o lineární model vytrénovaný pomocí L1 předchozího jako regularizátoru.
LightGBM	LightGBM je architektura pro zvýšení přechodu, která používá algoritmy učení založené na stromech.
RandomForest	Náhodná doménová struktura je algoritmus učení pod dohledem. "Les", který buduje, je souborem rozhodovacích stromů, obvykle trénovaných metodou "pytlování". Obecná myšlenka metody baggingu spočívá v tom, že kombinace modelů učení zvyšuje celkový výsledek.
SGD	SGD: Stochastic gradientní sestup je optimalizační algoritmus, který se často používá v aplikacích strojového učení k vyhledání parametrů modelu, které odpovídají nejlepšímu přizpůsobení mezi predikovanými a skutečnými výstupy. Je to nevýkonná, ale výkonná technika.
XGBoostRegressor	XGBoostRegressor: Extrémní gradient boosting Regressor je model strojového učení pod dohledem využívající soubor základních učení.

RegressionPrimaryMetrics

Výčet

Primární metriky pro regresní úlohu

Hodnota	Description
NormalizedMeanAbsoluteError	Normalizovaná střední absolutní chyba (NMAE) je ověřovací metrika pro porovnání střední absolutní chyby (MAE) řady (time) s různými stupnici.
NormalizedRootMeanSquaredError	Normalizovaná střední kvadratická chyba (NRMSE) RMSE usnadňuje porovnání modelů s různými měřítky.
R2Score	Skóre R2 je jedním z měr hodnocení výkonu pro modely strojového učení založené na prognózách.
SpearmanCorrelation	Spearmanův koeficient pořadí korelace je neparametrické měřítko korelace pořadí.

RegressionTrainingSettings

Objekt

Konfigurace související s regresí trénování

Name	Typ	Default value	Description
allowedTrainingAlgorithms	RegressionModels[]		Povolené modely pro regresní úlohu
blockedTrainingAlgorithms	RegressionModels[]		Blokované modely pro regresní úlohu
enableDnnTraining	boolean	False	Povolte doporučení modelů DNN.
enableModelExplainability	boolean	True	Příznakem zapněte vysvětlitelnost nejlepšího modelu.
enableOnnxCompatibleModels	boolean	False	Příznak pro povolení kompatibilních modelů onnx.
enableStackEnsemble	boolean	True	Povolte spuštění souboru zásobníku.
enableVoteEnsemble	boolean	True	Povolte spuštění hlasovacího souboru.
ensembleModelDownloadTimeout	string (duration)	PT5M	Během generování modelu VotingEnsemble a StackEnsemble se stáhne několik fitovaných modelů z předchozích podřízených spuštění. Pokud potřebujete více času, nakonfigurujte tento parametr s vyšší hodnotou než 300 sekund.
stackEnsembleSettings	StackEnsembleSettings		Stack ensemble nastavení pro štosový soubor běh.

SamplingAlgorithmType

Výčet

Hodnota	Description
Bayesian
Grid
Random

SeasonalityMode

Výčet

Režim prognózování sezónnosti

Hodnota	Description
Auto	Sezónnost, která se má určit automaticky.
Custom	Použijte vlastní hodnotu sezónnosti.

ShortSeriesHandlingConfiguration

Výčet

Parametr definující, jak by AutoML měl zpracovávat krátké časové řady.

Hodnota	Description
Auto	Krátká řada bude vycpaná, pokud neexistují dlouhé řady, jinak se krátká řada zahodí.
Drop	Všechny krátké řady budou vyřazeny.
None	Představuje hodnotu no/null.
Pad	Všechny krátké řady budou vycpané.

SparkJob

Objekt

Definice úlohy Sparku

Name	Typ	Default value	Description
archives	string[]		Archivovat soubory použité v úloze
args	string		Argumenty pro úlohu.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] ARM-ID prostředku kódu.
componentId	string		ID prostředku ARM prostředku komponenty
computeId	string		ID prostředku ARM výpočetního prostředku
conf	object		Nakonfigurované vlastnosti Sparku
description	string		Text popisu prostředku.
displayName	string		Zobrazovaný název úlohy.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Povinné] Položka, která se má provést při spuštění úlohy.
environmentId	string (arm-id)		ID prostředku ARM specifikace prostředí pro úlohu.
environmentVariables	object		Proměnné prostředí zahrnuté v úloze
experimentName	string	Default	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.
files	string[]		Soubory použité v úloze.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.
inputs	object		Mapování vstupních datových vazeb použitých v úloze
isArchived	boolean	False	Archivuje se asset?
jars	string[]		Soubory JAR použité v úloze.
jobType	string: Spark		[Povinné] Určuje typ úlohy.
notificationSetting	NotificationSetting		Nastavení oznámení pro úlohu
outputs	object		Mapování výstupních datových vazeb použitých v úloze
properties	object		Slovník vlastností assetu.
pyFiles	string[]		Soubory Pythonu používané v úloze
queueSettings	QueueSettings		Nastavení fronty pro úlohu
resources	SparkResourceConfiguration		Konfigurace výpočetního prostředku pro úlohu
services	<string,  JobService>		Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.
status	JobStatus		Stav úlohy
tags	object		Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.

SparkJobEntryType

Výčet

Hodnota	Description
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Objekt

Name	Typ	Description
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Povinné] Relativní cesta k souboru Pythonu pro vstupní bod úlohy
sparkJobEntryType	string: SparkJobPythonEntry	[Povinné] Typ vstupního bodu úlohy

SparkJobScalaEntry

Objekt

Name	Typ	Description
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Povinné] Název třídy Scala použitý jako vstupní bod
sparkJobEntryType	string: SparkJobScalaEntry	[Povinné] Typ vstupního bodu úlohy

SparkResourceConfiguration

Objekt

Name	Typ	Default value	Description
instanceType	string		Volitelný typ virtuálního počítače, který je podporovaný cílovým výpočetním objektem.
runtimeVersion	string	3.1	Verze modulu runtime Spark použitého pro úlohu.

StackEnsembleSettings

Objekt

Přejde na nastavení přizpůsobení spuštění StackEnsemble.

Name	Typ	Default value	Description
stackMetaLearnerKWargs	object		Volitelné parametry, které se mají předat inicializátoru metaučte.
stackMetaLearnerTrainPercentage	number (double)	0.2	Určuje poměr trénovací sady (při výběru typu trénování a ověřování trénování) pro trénování metaučovače. Výchozí hodnota je 0,2.
stackMetaLearnerType	StackMetaLearnerType	None	Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů.

StackMetaLearnerType

Výčet

Metauč je model natrénovaný na výstupu jednotlivých heterogenních modelů. Výchozí metaučovací moduly jsou LogisticRegression pro úlohy klasifikace (nebo LogisticRegressionCV, pokud je povolené křížové ověřování) a ElasticNet pro regresní a prognózovací úlohy (nebo ElasticNetCV, pokud je povolené křížové ověřování). Tento parametr může být jedním z následujících řetězců: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor nebo LinearRegression.

Hodnota	Description
ElasticNet	Výchozí metaučníci jsou LogisticRegression pro regresní úlohu.
ElasticNetCV	Výchozí metaučníci jsou LogisticRegression pro regresní úlohu, pokud je cv zapnuto.
LightGBMClassifier
LightGBMRegressor
LinearRegression
LogisticRegression	Výchozí metaučáci jsou LogisticRegression pro úlohy klasifikace.
LogisticRegressionCV	Výchozí metaučující jsou LogisticRegression pro úlohu klasifikace, pokud je cv zapnuté.
None

StochasticOptimizer

Výčet

Stochastický optimalizátor pro modely obrázků.

Hodnota	Description
Adam	Adam je algoritmus optimalizovaných stochastických objektivních funkcí na základě adaptivních odhadů momentů.
Adamw	AdamW je varianta optimalizátoru Adama, který má vylepšenou implementaci poklesu hmotnosti.
None	Není vybrán žádný optimalizátor.
Sgd	Optimalizátor stochastického gradientního sestupu.

SweepJob

Objekt

Definice úlohy uklidit

Name	Typ	Default value	Description
componentId	string		ID prostředku ARM prostředku komponenty
computeId	string		ID prostředku ARM výpočetního prostředku
description	string		Text popisu prostředku.
displayName	string		Zobrazovaný název úlohy.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		Zásady předčasného ukončení umožňují před dokončením zrušit spuštění s nízkým výkonem.
experimentName	string	Default	Název experimentu, do které úloha patří. Pokud není nastavená, úloha se umístí do výchozího experimentu.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Konfigurace identity. Pokud je tato možnost nastavená, měla by to být jedna z AmlToken, ManagedIdentity, UserIdentity nebo null. Výchozí hodnota AmlToken, pokud má hodnotu null.
inputs	object		Mapování vstupních datových vazeb použitých v úloze
isArchived	boolean	False	Archivuje se asset?
jobType	string: Sweep		[Povinné] Určuje typ úlohy.
limits	SweepJobLimits	{}	Limit úlohy uklidit.
notificationSetting	NotificationSetting		Nastavení oznámení pro úlohu
objective	Objective		[Povinné] Cíl optimalizace
outputs	object		Mapování výstupních datových vazeb použitých v úloze
properties	object		Slovník vlastností assetu.
queueSettings	QueueSettings		Nastavení fronty pro úlohu
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Povinné] Algoritmus vzorkování hyperparametrů
searchSpace	object		[Povinné] Slovník obsahující každý parametr a jeho distribuci. Klíč slovníku je název parametru.
services	<string,  JobService>		Seznam bodů JobEndpoints Pro místní úlohy bude mít koncový bod úlohy hodnotu koncového bodu FileStreamObject.
status	JobStatus		Stav úlohy
tags	object		Označení slovníku Značky je možné přidávat, odebírat a aktualizovat.
trial	TrialComponent		[Povinné] Definice zkušební komponenty.

SweepJobLimits

Objekt

Třída limitu úlohy uklidit.

Name	Typ	Description
jobLimitsType	string: Sweep	[Povinné] Typ JobLimit.
maxConcurrentTrials	integer (int32)	Maximální počet souběžných zkušebních verzí úlohy uklidit.
maxTotalTrials	integer (int32)	Uklidit job max total trials.
timeout	string (duration)	Maximální doba běhu ve formátu ISO 8601, po které bude úloha zrušena. Podporuje pouze dobu trvání s přesností v sekundách.
trialTimeout	string (duration)	Hodnota časového limitu zkušební verze úlohy uklidit

systemData

Objekt

Metadata týkající se vytvoření a poslední změny prostředku.

Name	Typ	Description
createdAt	string (date-time)	Časové razítko vytvoření prostředku (UTC).
createdBy	string	Identita, která prostředek vytvořila.
createdByType	createdByType	Typ identity, která prostředek vytvořila.
lastModifiedAt	string (date-time)	Časové razítko poslední změny zdroje (UTC)
lastModifiedBy	string	Identita, která naposledy změnila prostředek.
lastModifiedByType	createdByType	Typ identity, která naposledy změnila prostředek.

TableVerticalFeaturizationSettings

Objekt

Konfigurace featurizace

Name	Typ	Default value	Description
blockedTransformers	BlockedTransformers[]		Tyto transformátory se nesmí používat při featurizaci.
columnNameAndTypes	object		Slovník názvu sloupce a jeho typu (int, float, string, datetime atd.)
datasetLanguage	string		Jazyk datové sady, užitečný pro textová data.
enableDnnFeaturization	boolean	False	Určuje, zda se mají použít featurizátory založené na Dnnu pro funkciaturizace dat.
mode	FeaturizationMode	Auto	Režim featurizace – Uživatel může zachovat výchozí režim Auto a AutoML se postará o potřebnou transformaci dat ve fázi featurizace. Pokud je vybrána možnost Vypnuto, není dokončena žádná featurizace. Pokud je vybrána možnost Vlastní, může uživatel zadat další vstupy pro přizpůsobení způsobu provedení featurizace.
transformerParams	object		Uživatel může zadat další transformátory, které se mají použít spolu se sloupci, na které by byl použit, a parametry pro konstruktor transformátoru.

TableVerticalLimitSettings

Objekt

Omezení provádění úloh.

Name	Typ	Default value	Description
enableEarlyTermination	boolean	True	Povolení předčasného ukončení, určuje, jestli se autoMLJob ukončí brzy, pokud v posledních 20 iteracích nedojde k žádnému zlepšení skóre.
exitScore	number (double)		Výstupní skóre pro úlohu AutoML
maxConcurrentTrials	integer (int32)	1	Maximální počet souběžných iterací
maxCoresPerTrial	integer (int32)	-1	Maximální počet jader na iteraci
maxTrials	integer (int32)	1000	Počet iterací
timeout	string (duration)	PT6H	Časový limit úlohy AutoML
trialTimeout	string (duration)	PT30M	Časový limit iterace

TargetAggregationFunction

Výčet

Cílová agregační funkce.

Hodnota	Description
Max
Mean
Min
None	Představuje žádnou sadu hodnot.
Sum

TargetLagsMode

Výčet

Režimy výběru se zpožďují cíli.

Hodnota	Description
Auto	Cílové prodlevy, které se mají určit automaticky.
Custom	Použijte prodlevy vlastního cíle.

TargetRollingWindowSizeMode

Výčet

Cílová režim velikostí oken se zatáčem.

Hodnota	Description
Auto	Automaticky určete velikost posuvné oken.
Custom	Použijte zadanou velikost posuvné okno.

TaskType

Výčet

Typ úlohy AutoMLJob.

Hodnota	Description
Classification	Klasifikace ve strojovém učení a statistikách je přístup ke učení pod dohledem, ve kterém se počítačový program učí z dat, která jsou jim udělena, a provádí nové pozorování nebo klasifikace.
Forecasting	Prognózování je zvláštní druh regresní úlohy, která se zabývá daty časových řad a vytváří model prognózování, který lze použít k predikci téměř budoucích hodnot na základě vstupů.
ImageClassification	Klasifikace obrázků. Klasifikace obrázků s více třídami se používá, když je obrázek klasifikovaný pouze s jedním popiskem ze sady tříd – například každý obrázek je klasifikován jako obrázek "kočky" nebo "pes" nebo "kachna".
ImageClassificationMultilabel	Multilabel klasifikace obrázků. Klasifikace obrázků s více popisky se používá, když může mít obrázek jeden nebo více popisků ze sady popisků – například obrázek může být označený jako "kočka" i "pes".
ImageInstanceSegmentation	Segmentace instance image Segmentace instancí se používá k identifikaci objektů na obrázku na úrovni pixelů a nakreslení mnohoúhelníku kolem každého objektu na obrázku.
ImageObjectDetection	Rozpoznávání objektů obrázku Rozpoznávání objektů se používá k identifikaci objektů na obrázku a vyhledání každého objektu s ohraničujícím rámečkem, například vyhledání všech psů a koček na obrázku a vykreslení ohraničujícího rámečku kolem každého objektu.
Regression	Regrese znamená predikci hodnoty pomocí vstupních dat. Regresní modely se používají k predikci souvislé hodnoty.
TextClassification	Klasifikace textu (označovaná také jako označování textu nebo kategorizace textu) je proces řazení textu do kategorií. Kategorie se vzájemně vylučují.
TextClassificationMultilabel	Úloha klasifikace s více názvy přiřadí každou ukázku skupině (nula nebo více) cílových popisků.
TextNER	Rozpoznávání entit s názvem textu neboli TextNER. Pojmenované rozpoznávání entit (NER) je schopnost používat volný text a identifikovat výskyty entit, jako jsou lidé, místa, organizace a další.

TensorFlow

Objekt

Konfigurace distribuce TensorFlow

Name	Typ	Default value	Description
distributionType	string: TensorFlow		[Povinné] Určuje typ distribuční architektury.
parameterServerCount	integer (int32)	0	Počet úloh serveru parametrů
workerCount	integer (int32)		Počet pracovníků. Pokud není zadaný, nastaví se výchozí počet instancí.

TextClassification

Objekt

Úloha klasifikace textu ve svislé funkci AutoML NLP NLP – Zpracování přirozeného jazyka.

Name	Typ	Default value	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Vstupy featurizace potřebné pro úlohu AutoML
limitSettings	NlpVerticalLimitSettings		Omezení spouštění pro AutoMLJob.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Primární metrika pro Text-Classification úkol
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: TextClassification		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.

TextClassificationMultilabel

Objekt

Úloha Multilabel klasifikace textu ve svislé funkci AutoML NLP NLP – Zpracování přirozeného jazyka.

Name	Typ	Default value	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Vstupy featurizace potřebné pro úlohu AutoML
limitSettings	NlpVerticalLimitSettings		Omezení spouštění pro AutoMLJob.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
primaryMetric	ClassificationMultilabelPrimaryMetrics		Primární metrika pro úlohu Text –Classification-Multilabel V současné době je podporována pouze přesnost jako primární metrika, takže ji uživatel nemusí explicitně nastavit.
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: TextClassificationMultilabel		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.

TextNer

Objekt

Text-NER úkol ve svislé funkci AutoML NLP. NER – Rozpoznávání pojmenovaných entit. NLP – Zpracování přirozeného jazyka.

Name	Typ	Default value	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Vstupy featurizace potřebné pro úlohu AutoML
limitSettings	NlpVerticalLimitSettings		Omezení spouštění pro AutoMLJob.
logVerbosity	LogVerbosity	Info	Protokolování podrobností pro úlohu
primaryMetric	ClassificationPrimaryMetrics		Primární metrika pro Text-NER úkol Pro text-NER je podporována pouze hodnota Přesnost, takže uživatel tuto hodnotu explicitně nenastavuje.
targetColumnName	string		Název cílového sloupce: Jedná se o sloupec hodnot predikce. Označuje se také jako název sloupce popisku v kontextu úkolů klasifikace.
taskType	string: TextNER		[Povinné] Typ úlohy pro AutoMLJob
trainingData	MLTableJobInput		[Povinné] Trénování vstupu dat
validationData	MLTableJobInput		Ověřovací vstupy dat.

TrialComponent

Objekt

Definice zkušební komponenty.

Name	Typ	Default value	Description
codeId	string		ID prostředku ARM prostředku kódu
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Příkaz, který se spustí při spuštění úlohy. Např. Python train.py
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		Konfigurace distribuce úlohy Pokud je tato možnost nastavená, měla by to být jedna z mpi, Tensorflow, PyTorch nebo null.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] ID prostředku ARM specifikace prostředí pro úlohu.
environmentVariables	object		Proměnné prostředí zahrnuté v úloze
resources	JobResourceConfiguration	{}	Konfigurace výpočetního prostředku pro úlohu

TritonModelJobInput

Objekt

Name	Typ	Default value	Description
description	string		Popis vstupu
jobInputType	string: triton_model		[Povinné] Určuje typ úlohy.
mode	InputDeliveryMode	ReadOnlyMount	Režim doručení vstupního majetku
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Identifikátor URI vstupního assetu

TritonModelJobOutput

Objekt

Name	Typ	Default value	Description
description	string		Popis výstupu
jobOutputType	string: triton_model		[Povinné] Určuje typ úlohy.
mode	OutputDeliveryMode	ReadWriteMount	Režim doručování výstupních prostředků
uri	string		Identifikátor URI výstupního prostředku

TruncationSelectionPolicy

Objekt

Definuje zásadu předčasného ukončení, která zruší dané procento spuštění v každém intervalu vyhodnocení.

Name	Typ	Default value	Description
delayEvaluation	integer (int32)	0	Početintervalch
evaluationInterval	integer (int32)	0	Interval (počet spuštění) mezi vyhodnoceními zásad
policyType	string: TruncationSelection		[Povinné] Název konfigurace zásad
truncationPercentage	integer (int32)	0	Procento spuštění, která se mají zrušit v každém intervalu vyhodnocení.

UriFileJobInput

Objekt

Name	Typ	Default value	Description
description	string		Popis vstupu
jobInputType	string: uri_file		[Povinné] Určuje typ úlohy.
mode	InputDeliveryMode	ReadOnlyMount	Režim doručení vstupního majetku
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Identifikátor URI vstupního assetu

UriFileJobOutput

Objekt

Name	Typ	Default value	Description
description	string		Popis výstupu
jobOutputType	string: uri_file		[Povinné] Určuje typ úlohy.
mode	OutputDeliveryMode	ReadWriteMount	Režim doručování výstupních prostředků
uri	string		Identifikátor URI výstupního prostředku

UriFolderJobInput

Objekt

Name	Typ	Default value	Description
description	string		Popis vstupu
jobInputType	string: uri_folder		[Povinné] Určuje typ úlohy.
mode	InputDeliveryMode	ReadOnlyMount	Režim doručení vstupního majetku
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Povinné] Identifikátor URI vstupního assetu

UriFolderJobOutput

Objekt

Name	Typ	Default value	Description
description	string		Popis výstupu
jobOutputType	string: uri_folder		[Povinné] Určuje typ úlohy.
mode	OutputDeliveryMode	ReadWriteMount	Režim doručování výstupních prostředků
uri	string		Identifikátor URI výstupního prostředku

UserIdentity

Objekt

Konfigurace identity uživatele

Name	Typ	Description
identityType	string: UserIdentity	[Povinné] Určuje typ architektury identit.

UseStl

Výčet

Nakonfigurujte rozklad STL cílového sloupce časové řady.

Hodnota	Description
None	Žádná dekompozice stl.
Season
SeasonTrend

ValidationMetricType

Výčet

Metoda výpočtů metrik, která se má použít pro metriky ověřování v úlohách obrázků.

Hodnota	Description
Coco	Metrika Coco.
CocoVoc	Metrika CocoVoc.
None	Žádná metrika.
Voc	Metrika Voc.

WebhookType

Výčet

Výčet určující typ služby zpětného volání webhooku.

Hodnota	Description
AzureDevOps