Freigeben über

Microsoft.MachineLearningServices Arbeitsbereiche/Zeitpläne 2025-04-01

Bicep-Ressourcendefinition

Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:

Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.

Ressourcenformat

Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie ihrer Vorlage die folgende Bicep hinzu.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2025-04-01' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    action: {
      actionType: 'string'
      // For remaining properties, see ScheduleActionBase objects
    }
    description: 'string'
    displayName: 'string'
    isEnabled: bool
    properties: {
      {customized property}: 'string'
    }
    tags: {
      {customized property}: 'string'
    }
    trigger: {
      endTime: 'string'
      startTime: 'string'
      timeZone: 'string'
      triggerType: 'string'
      // For remaining properties, see TriggerBase objects
    }
  }
}

IdentityConfiguration-Objekte

Legen Sie die IdentityType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AMLToken Folgendes:

{
  identityType: 'AMLToken'
}

Verwenden Sie für "Verwaltet" Folgendes:

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

Verwenden Sie für UserIdentity Folgendes:

{
  identityType: 'UserIdentity'
}

MonitorComputeConfigurationBase-Objekte

Legen Sie die computeType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für ServerlessSpark Folgendes:

{
  computeIdentity: {
    computeIdentityType: 'string'
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  computeType: 'ServerlessSpark'
  instanceType: 'string'
  runtimeVersion: 'string'
}

NCrossValidations-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode: 'Auto'
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode: 'Custom'
  value: int
}

ScheduleActionBase-Objekte

Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für CreateJob Folgendes:

{
  actionType: 'CreateJob'
  jobDefinition: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Verwenden Sie für CreateMonitor Folgendes:

{
  actionType: 'CreateMonitor'
  monitorDefinition: {
    alertNotificationSettings: {
      emailNotificationSettings: {
        emails: [
          'string'
        ]
      }
    }
    computeConfiguration: {
      computeType: 'string'
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget: {
      deploymentId: 'string'
      modelId: 'string'
      taskType: 'string'
    }
    signals: {
      {customized property}: {
        notificationTypes: [
          'string'
        ]
        properties: {
          {customized property}: 'string'
        }
        signalType: 'string'
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

Verwenden Sie für InvokeBatchEndpoint Folgendes:

{
  actionType: 'InvokeBatchEndpoint'
  endpointInvocationDefinition: any(...)
}

EarlyTerminationPolicy-Objekte

Legen Sie die policyType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bandit Folgendes:

{
  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int
}

Verwenden Sie für MedianStopping Folgendes:

{
  policyType: 'MedianStopping'
}

Verwenden Sie für "TruncationSelection" Folgendes:

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

PredictionDriftMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  dataType: 'Categorical'
  metric: 'string'
}

Verwenden Sie für "Numerisch" Folgendes:

{
  dataType: 'Numerical'
  metric: 'string'
}

ForecastHorizon-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode: 'Auto'
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode: 'Custom'
  value: int
}

TriggerBase-Objekte

Legen Sie die triggerType-Eigenschaft fest, um den Objekttyp anzugeben.

Für Cron verwenden Sie:

{
  expression: 'string'
  triggerType: 'Cron'
}

Verwenden Sie für Serie Folgendes:

{
  frequency: 'string'
  interval: int
  schedule: {
    hours: [
      int
    ]
    minutes: [
      int
    ]
    monthDays: [
      int
    ]
    weekDays: [
      'string'
    ]
  }
  triggerType: 'Recurrence'
}

Knotenobjekte

Legen Sie die nodeValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für alle Folgendes:

{
  nodesValueType: 'All'
}

MonitorComputeIdentityBase-Objekte

Legen Sie die computeIdentityType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AmlToken Folgendes:

{
  computeIdentityType: 'AmlToken'
}

Verwenden Sie für ManagedIdentity-Folgendes:

{
  computeIdentityType: 'ManagedIdentity'
  identity: {
    type: 'string'
    userAssignedIdentities: {
      {customized property}: {}
    }
  }
}

AutoMLVertical-Objekte

Legen Sie die taskType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Klassifizierung Folgendes:

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

Verwenden Sie für Prognose:

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

Verwenden Sie für ImageClassification Folgendes:

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

Verwenden Sie für ImageClassificationMultilabel Folgendes:

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

Verwenden Sie für ImageInstanceSegmentation Folgendes:

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

Verwenden Sie für ImageObjectDetection Folgendes:

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

Verwenden Sie für Regression Folgendes:

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

Verwenden Sie für TextClassification Folgendes:

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

Verwenden Sie für TextClassificationMultilabel Folgendes:

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

Verwenden Sie für TextNER Folgendes:

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

DistributionConfiguration-Objekte

Legen Sie die distributionType-Eigenschaft fest, um den Objekttyp anzugeben.

Für Mpi:

{
  distributionType: 'Mpi'
  processCountPerInstance: int
}

Verwenden Sie für PyTorch Folgendes:

{
  distributionType: 'PyTorch'
  processCountPerInstance: int
}

Verwenden Sie für TensorFlow Folgendes:

{
  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int
}

MonitoringInputDataBase-Objekte

Legen Sie die inputDataType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Behoben" Folgendes:

{
  inputDataType: 'Fixed'
}

Verwenden Sie für rollierende Anwendungen:

{
  inputDataType: 'Rolling'
  preprocessingComponentId: 'string'
  windowOffset: 'string'
  windowSize: 'string'
}

Verwenden Sie für "Statisch" Folgendes:

{
  inputDataType: 'Static'
  preprocessingComponentId: 'string'
  windowEnd: 'string'
  windowStart: 'string'
}

JobBaseProperties-Objekte

Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AutoML Folgendes:

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

Verwenden Sie für Befehl Folgendes:

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

Verwenden Sie für Pipeline Folgendes:

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

Verwenden Sie für Spark Folgendes:

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

Verwenden Sie für "Aufräumen" Folgendes:

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

MonitoringFeatureFilterBase-Objekte

Legen Sie die filterType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AllFeatures Folgendes:

{
  filterType: 'AllFeatures'
}

Verwenden Sie für FeatureSubset Folgendes:

{
  features: [
    'string'
  ]
  filterType: 'FeatureSubset'
}

Verwenden Sie für TopNByAttribution Folgendes:

{
  filterType: 'TopNByAttribution'
  top: int
}

JobOutput-Objekte

Legen Sie die jobOutputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_model Folgendes:

{
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für mlflow_model Folgendes:

{
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für mltable:

{
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für triton_model Folgendes:

{
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für uri_file:

{
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für uri_folder:

{
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

MonitoringSignalBase-Objekte

Legen Sie die SignalType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  componentId: 'string'
  inputAssets: {
    {customized property}: {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds: [
    {
      metric: 'string'
      threshold: {
        value: int
      }
    }
  ]
  signalType: 'Custom'
}

Verwenden Sie für DataDrift Folgendes:

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'DataDrift'
}

Verwenden Sie für DataQuality Folgendes:

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  features: {
    filterType: 'string'
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'DataQuality'
}

Verwenden Sie für FeatureAttributionDrift Folgendes:

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  featureImportanceSettings: {
    mode: 'string'
    targetColumn: 'string'
  }
  metricThreshold: {
    metric: 'string'
    threshold: {
      value: int
    }
  }
  productionData: [
    {
      columns: {
        {customized property}: 'string'
      }
      dataContext: 'string'
      jobInputType: 'string'
      uri: 'string'
      inputDataType: 'string'
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'FeatureAttributionDrift'
}

Verwenden Sie für PredictionDrift Folgendes:

{
  featureDataTypeOverride: {
    {customized property}: 'string'
  }
  metricThresholds: [
    {
      threshold: {
        value: int
      }
      dataType: 'string'
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData: {
    columns: {
      {customized property}: 'string'
    }
    dataContext: 'string'
    jobInputType: 'string'
    uri: 'string'
    inputDataType: 'string'
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType: 'PredictionDrift'
}

TargetRollingWindowSize-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode: 'Auto'
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode: 'Custom'
  value: int
}

Webhook-Objekte

Legen Sie die WebhookType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureDevOps Folgendes:

{
  webhookType: 'AzureDevOps'
}

Saisonalitätsobjekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode: 'Auto'
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode: 'Custom'
  value: int
}

SparkJobEntry-Objekte

Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für SparkJobPythonEntry Folgendes:

{
  file: 'string'
  sparkJobEntryType: 'SparkJobPythonEntry'
}

Verwenden Sie für SparkJobScalaEntry Folgendes:

{
  className: 'string'
  sparkJobEntryType: 'SparkJobScalaEntry'
}

DataQualityMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  dataType: 'Categorical'
  metric: 'string'
}

Verwenden Sie für "Numerisch" Folgendes:

{
  dataType: 'Numerical'
  metric: 'string'
}

SamplingAlgorithm-Objekte

Legen Sie die SamplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bayesian Folgendes:

{
  samplingAlgorithmType: 'Bayesian'
}

Verwenden Sie für Grid Folgendes:

{
  samplingAlgorithmType: 'Grid'
}

Verwenden Sie für Random Folgendes:

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

DataDriftMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  dataType: 'Categorical'
  metric: 'string'
}

Verwenden Sie für "Numerisch" Folgendes:

{
  dataType: 'Numerical'
  metric: 'string'
}

JobInput-Objekte

Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_model Folgendes:

{
  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für Literal Folgendes:

{
  jobInputType: 'literal'
  value: 'string'
}

Verwenden Sie für mlflow_model Folgendes:

{
  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für mltable:

{
  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für triton_model Folgendes:

{
  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für uri_file:

{
  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Verwenden Sie für uri_folder:

{
  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

TargetLags-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode: 'Auto'
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode: 'Custom'
  values: [
    int
  ]
}

Eigenschaftswerte

Microsoft.MachineLearningServices/Arbeitsbereiche/Zeitpläne

Name BESCHREIBUNG Wert
Name Der Ressourcenname Zeichenfolge

Zwänge:
Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich)
Elternteil In Bicep können Sie die übergeordnete Ressource für eine untergeordnete Ressource angeben. Sie müssen diese Eigenschaft nur hinzufügen, wenn die untergeordnete Ressource außerhalb der übergeordneten Ressource deklariert wird.

Weitere Informationen finden Sie unter Untergeordnete Ressource außerhalb der übergeordneten Ressource.		 Symbolischer Name für Ressource des Typs: Arbeitsbereiche
Eigenschaften [Erforderlich] Zusätzliche Attribute der Entität. ScheduleProperties- (erforderlich)

AlleFunktionen

Name BESCHREIBUNG Wert
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. "AllFeatures" (erforderlich)

Alle Knoten

Name BESCHREIBUNG Wert
nodesValueType [Erforderlich] Typ des Knotenwerts "Alle" (erforderlich)

AmlToken

Name BESCHREIBUNG Wert
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "AMLToken" (erforderlich)

AmlTokenComputeIdentity

Name BESCHREIBUNG Wert
computeIdentityType [Erforderlich] Gibt den Identitätstyp an, der in den Überwachungsaufträgen verwendet werden soll. "AmlToken" (erforderlich)

AutoForecastHorizon

Name BESCHREIBUNG Wert
Modus [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. "Auto" (erforderlich)

AutoMLJob

Name BESCHREIBUNG Wert
Umgebungs-ID Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.
Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt.		 Schnur
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. AutoMLJobEnvironmentVariables
Jobtyp [Erforderlich] Gibt den Auftragstyp an. 'AutoML' (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. AutoMLJob-Ausgänge
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration
AufgabenDetails [Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann. AutoMLVertical (erforderlich)

AutoMLJobEnvironmentVariables

Name BESCHREIBUNG Wert

AutoMLJob-Ausgänge

Name BESCHREIBUNG Wert

AutoMLVertical

Name BESCHREIBUNG Wert
logAusführlichkeit Protokoll-Ausführlichkeit für den Auftrag. "Kritisch"
"Debuggen"
'Fehler'
'Infos'
'NotSet'
"Warnung"
targetColumnName Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten.
Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet.		 Schnur
Aufgabentyp Für die Typklassifizierung auf "Klassifizierung" festgelegt. Legen Sie für den Typ "Prognose" den Typ "Prognose" fest. Wird für den Typ ImageClassification auf 'ImageClassification' festgelegt. Wird für den Typ ImageClassificationMultilabel auf 'ImageClassificationMultilabel' festgelegt. 'ImageInstanceSegmentation' für den Typ 'ImageInstanceSegmentation' festgelegt. Legen Sie für den Typ ImageObjectDetection auf 'ImageObjectDetection' fest. Auf 'Regression' für die Typregression festgelegt. Auf 'TextClassification' für den Typ 'TextClassification' festgelegt. Legen Sie für den Typ "TextClassificationMultilabel" den Typ "TextClassificationMultilabel" fest. Legen Sie 'TextNER' für den Typ "TextNer" fest. "Klassifizierung"
"Prognose"
'Bild-Klassifizierung'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
"Rückschritt"
'Textklassifizierung'
'TextClassificationMultilabel'
'TextNER' (erforderlich)
Trainingsdaten [Erforderlich] Eingabe von Schulungsdaten. MLTableJobInput (erforderlich)

AutoNCrossValidierungen

Name BESCHREIBUNG Wert
Modus [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. "Auto" (erforderlich)

AutoSeasonalität

Name BESCHREIBUNG Wert
Modus [Erforderlich] Saisonalitätsmodus. "Auto" (erforderlich)

AutoTargetLags

Name BESCHREIBUNG Wert
Modus [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert "Auto" (erforderlich)

AutoTargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. "Auto" (erforderlich)

AzureDevOpsWebhook

Name BESCHREIBUNG Wert
webhookTyp [Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll. "AzureDevOps" (erforderlich)

Banditenpolitik

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "Bandit" (erforderlich)
SlackAmount Absoluter Abstand, der vom besten Lauf erlaubt ist. INT
slackFactor Verhältnis des zulässigen Abstands vom besten Lauf. INT

BayesianSamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Bayesian" (erforderlich)

CategoricalDataDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Datenabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
'PearsonsChiSquaredTest'
"PopulationStabilityIndex" (erforderlich)

CategoricalDataQualityMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Datenqualitätsmetrik, die berechnet werden soll. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (erforderlich)

CategoricalPredictionDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Vorhersageabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
'PearsonsChiSquaredTest'
"PopulationStabilityIndex" (erforderlich)

Klassifizierung

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
positivEtikett Positive Bezeichnung für die Berechnung binärer Metriken. Schnur
primaryMetric (englisch) Primäre Metrik für den Vorgang. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Klassifizierung" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. ClassificationTrainingSettings
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

ClassificationTrainingSettings

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für klassifizierungsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'BernoulliNaiveBayes'
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
'XGBoostKlassifikator'
blockedTrainingAlgorithms Blockierte Modelle für klassifizierungsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'BernoulliNaiveBayes'
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
'XGBoostKlassifikator'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

ColumnTransformer (Spalten-Transformator)

Name BESCHREIBUNG Wert
Felder Felder, auf die Transformatorlogik angewendet werden soll. Zeichenfolge[]
Parameter Verschiedene Eigenschaften, die an Transformator übergeben werden sollen.
Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format.		 jegliche

BefehlAuftrag

Name BESCHREIBUNG Wert
Code-ID ARM-Ressourcen-ID der Coderessource. Schnur
Befehl [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Verteilung Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. DistributionConfiguration (Verteilungskonfiguration)
Umgebungs-ID [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. BefehlJobUmgebungsvariablen
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. BefehlJobEingaben
Jobtyp [Erforderlich] Gibt den Auftragstyp an. 'Befehl' (erforderlich)
grenzen Befehlsauftragslimit. BefehlJobLimits
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. CommandJobOutputs
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration

BefehlJobUmgebungsvariablen

Name BESCHREIBUNG Wert

BefehlJobEingaben

Name BESCHREIBUNG Wert

BefehlJobLimits

Name BESCHREIBUNG Wert
jobLimitsTyp [Erforderlich] JobLimit-Typ. 'Befehl'
"Aufräumen" (erforderlich)
Zeitüberschreitung Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. Schnur

CommandJobOutputs

Name BESCHREIBUNG Wert

CreateMonitorAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'CreateMonitor' (erforderlich)
monitorDefinition [Erforderlich] Definiert den Monitor. MonitorDefinition (erforderlich)

CronTrigger (Englisch)

Name BESCHREIBUNG Wert
Ausdruck [Erforderlich] Gibt den Cronausdruck des Zeitplans an.
Der Ausdruck sollte dem NCronTab-Format folgen.		 Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
triggerTyp [Erforderlich] "Cron" (erforderlich)

CustomForecastHorizon

Name BESCHREIBUNG Wert
Modus [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] Prognosehorizontwert. int (erforderlich)

CustomMetricThreshold

Name BESCHREIBUNG Wert
Maß [Erforderlich] Die benutzerdefinierte Metrik, die berechnet werden soll. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

CustomModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

CustomModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "custom_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

CustomMonitoringSignal

Name BESCHREIBUNG Wert
Komponenten-ID [Erforderlich] Verweis auf die Komponentenressource, die zum Berechnen der benutzerdefinierten Metriken verwendet wird. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
inputAssets Überwachen von Ressourcen, die als Eingabe verwendet werden sollen. Der Schlüssel ist der Name des Komponenteneingabeports, der Wert ist die Datenressource. CustomMonitoringSignalInputAssets
Eingaben Zusätzliche Komponentenparameter, die als Eingabe verwendet werden sollen. Schlüssel ist der Name des Literaleingabeports der Komponente, der Wert ist der Parameterwert. CustomMonitoringSignalInputs
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. CustomMetricThreshold[] (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Benutzerdefiniert" (erforderlich)

CustomMonitoringSignalInputAssets

Name BESCHREIBUNG Wert

CustomMonitoringSignalInputs

Name BESCHREIBUNG Wert

CustomNCrossValidations

Name BESCHREIBUNG Wert
Modus [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] N-Kreuzüberprüfungswert. int (erforderlich)

GewohnheitSaisonalität

Name BESCHREIBUNG Wert
Modus [Erforderlich] Saisonalitätsmodus. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] Saisonalitätswert. int (erforderlich)

CustomTargetLags

Name BESCHREIBUNG Wert
Modus [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert "Benutzerdefiniert" (erforderlich)
Werte [Erforderlich] Festlegen von Zielverzögerungswerten int[] (erforderlich)

CustomTargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] TargetRollingWindowSize-Wert. int (erforderlich)

DataDriftMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Legen Sie den Wert auf ' Categorical' für den Typ CategoricalDataDriftMetricThreshold fest. Legen Sie für den Typ "NumericalDataDriftMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

DataDriftMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceEinstellungen
Funktionen Der Featurefilter, der angibt, welches Feature die Abweichung berechnen soll. ÜberwachungFeatureFilterBasis
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. DataDriftMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'DataDrift' (erforderlich)

DataDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

DataQualityMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Für den Typ "CategoricalDataQualityMetricThreshold" auf "CategoricalDataQualityMetricThreshold" festgelegt. Legen Sie für den Typ "NumericalDataQualityMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

DatenQualitätMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceEinstellungen
Funktionen Die Features zum Berechnen der Abweichung. ÜberwachungFeatureFilterBasis
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. DataQualityMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'DataQuality' (erforderlich)

DataQualityMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

DistributionConfiguration (Verteilungskonfiguration)

Name BESCHREIBUNG Wert
distributionType Legen Sie den Wert auf 'Mpi' für den Typ MPI fest. 'PyTorch' für den Typ 'PyTorch' festgelegt. Wird für den Typ TensorFlow auf 'TensorFlow' festgelegt. "Mpi"
"PyTorch"
"TensorFlow" (erforderlich)

Richtlinie zur vorzeitigen Beendigung

Name BESCHREIBUNG Wert
delayEvaluation Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll. INT
evaluationIntervall Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen. INT
policyType Für den Typ " BanditPolicy" auf "BanditPolicy" festgelegt. Wird für den Typ "MedianStoppingPolicy" auf "MedianStoppingPolicy" festgelegt. Legen Sie für den Typ "TruncationSelectionPolicy" auf "TruncationSelectionPolicy" fest. "Bandit"
"MedianStopping"
"TruncationSelection" (erforderlich)

EndpunktScheduleAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'InvokeBatchEndpoint' (erforderlich)
endpointInvocationDefinition [Erforderlich] Definiert Details zur Definition der Zeitplanaktion.
<siehe href="TBD" />		 beliebig (erforderlich)

FeatureAttributionDriftMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen [Erforderlich] Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceSettings (erforderlich)
MetrikThreshold [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. FeatureAttributionMetricThreshold (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase[] (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'FeatureAttributionDrift' (erforderlich)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

FeatureAttributionMetricThreshold

Name BESCHREIBUNG Wert
Maß [Erforderlich] Die Zuschreibungsmetrik der Funktion, die berechnet werden soll. "NormalizedDiscountedCumulativeGain" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

FeatureImportanceEinstellungen

Name BESCHREIBUNG Wert
Modus Der Betriebsmodus für die Wichtigkeit der Computerfunktion. "Deaktiviert"
"Aktiviert"
target-Spalte Der Name der Zielspalte innerhalb der Eingabedatenressource. Schnur

FeatureTeilmenge

Name BESCHREIBUNG Wert
Funktionen [Erforderlich] Die Liste der einzuschließden Features. string[] (erforderlich)
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. 'FeatureSubset' (erforderlich)

FixedInputData (FesteEingabedaten)

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Fixed" (erforderlich)

Prognosehorizont

Name BESCHREIBUNG Wert
Modus Für den Typ "AutoForecastHorizon" auf "Auto" festgelegt. Für den Typ CustomForecastHorizon auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

Prognose

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
PrognoseEinstellungen Vorhersageaufgabenspezifische Eingaben. Prognose-Einstellungen
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
primaryMetric (englisch) Primäre Metrik für den Prognosevorgang. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
'R2Score'
'Spearman-Korrelation'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Prognose" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. ForecastingTrainingSettings
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

Prognose-Einstellungen

Name BESCHREIBUNG Wert
countryOrRegionForHolidays Land oder Region für Feiertage für Prognosevorgänge.
Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt.		 Schnur
cvStepSize Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für
Wenn z. B. CVStepSize = 3 für tägliche Daten die Ursprungszeit für jede Faltung ist
drei Tage auseinander.		 INT
featureVerzögerungen Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL. "Auto"
"Keine"
PrognoseHorizont Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit. Prognosehorizont
Frequenz Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit. Schnur
saisonalität Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest.
Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet.		 Saisonalität
shortSeriesHandlingConfig Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll. "Auto"
"Fallen"
"Keine"
"Pad"
targetAggregateFunction Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen.
Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean".		 "Max"
"Mittelwert"
"Min"
"Keine"
"Summe"
targetLags Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen. Ziel-Verzögerungen
targetRollingWindowSize Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden. TargetRollingWindowSize
timeColumnName (ZeitSpaltenname) Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten. Schnur
timeSeriesIdColumnNames Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen.
Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet.		 Zeichenfolge[]
useStl Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe. "Keine"
"Saison"
"SeasonTrend"

ForecastingTrainingSettings

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für den Prognosevorgang. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'Arimax'
'AutoArima'
"Mittelwert"
"DecisionTree"
"ElasticNet"
"Exponentialsmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"Naiv"
"Prophet"
"RandomForest"
"Saisonalwert"
"Saisonnaive"
"SGD"
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Blockierte Modelle für den Prognosevorgang. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'Arimax'
'AutoArima'
"Mittelwert"
"DecisionTree"
"ElasticNet"
"Exponentialsmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"Naiv"
"Prophet"
"RandomForest"
"Saisonalwert"
"Saisonnaive"
"SGD"
'TCNForecaster'
'XGBoostRegressor'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

GridSamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Raster" (erforderlich)

IdentityConfiguration (Identität)

Name BESCHREIBUNG Wert
Identitätstyp Legen Sie den Wert auf 'AMLToken' für den Typ AmlToken fest. Für den Typ "ManagedIdentity" auf "Managed" festgelegt. Auf "UserIdentity" für den Typ "UserIdentity" festgelegt. "AMLToken"
"Verwaltet"
"UserIdentity" (erforderlich)

Bild-Klassifizierung

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsKlassifizierung
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsClassification[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageClassification' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageClassificationMultilabel

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsKlassifizierung
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
'PrecisionScoreGewichtet'
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsClassification[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageClassificationMultilabel' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageInstanceSegmentation

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsObjectDetection
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "MeanAveragePrecision"
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsObjectDetection[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageInstanceSegmentation' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageLimit-Einstellungen

Name BESCHREIBUNG Wert
maxConcurrentTrials Maximale Anzahl gleichzeitiger AutoML-Iterationen. INT
maxTrials Maximale Anzahl von AutoML-Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur

ImageModelDistributionSettingsKlassifizierung

Name BESCHREIBUNG Wert
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Schnur
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
verteilt Gibt an, ob die Verteilungsschulung verwendet werden soll. Schnur
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Schnur
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 Schnur
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 Schnur
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Schnur
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. Schnur
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 Schnur
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 Schnur
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. Schnur
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Schnur
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. Schnur
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. Schnur
Optimierer Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. Schnur
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. Schnur
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. Schnur
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. Schnur
trainingCropSize Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. Schnur
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. Schnur
validationCropSize Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. Schnur
validationResizeSizeSize Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. Schnur
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. Schnur
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. Schnur
weightedLoss Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust.
1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.		 Schnur

ImageModelDistributionSettingsObjectDetection

Name BESCHREIBUNG Wert
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Schnur
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
boxDetectionsPerImage Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
boxScoreSchwellenwert Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als
BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].		 Schnur
verteilt Gibt an, ob die Verteilungsschulung verwendet werden soll. Schnur
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Schnur
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 Schnur
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 Schnur
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Schnur
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. Schnur
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 Schnur
Bildgröße Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein.
Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 Schnur
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. Schnur
maxGröße Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
minGröße Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
ModellGröße Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein.
Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
MultiScale Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%.
Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Schnur
nmsIouThreshold IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten. Schnur
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. Schnur
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. Schnur
Optimierer Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. Schnur
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. Schnur
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. Schnur
tileGridSize Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein
Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tileOverlapRatio Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tilePredictionsNmsThreshold Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern.
Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.
NMS: Nicht maximale Unterdrückung		 Schnur
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. Schnur
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. Schnur
validationIouThreshold IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. Schnur
validationMetricType Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein. Schnur
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. Schnur
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. Schnur

ImageModelSettingsKlassifizierung

Name BESCHREIBUNG Wert
erweitertEinstellungen Einstellungen für erweiterte Szenarien. Schnur
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Boolesch
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
checkpointHäufigkeit Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. INT
PrüfpunktModell Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. MLFlowModelJobInput
checkpointRunId Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. Schnur
verteilt Gibt an, ob verteilte Schulungen verwendet werden sollen. Boolesch
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Boolesch
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 INT
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 INT
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Boolesch
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. INT
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 INT
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 INT
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. "Keine"
"Schritt"
"WarmupCosine"
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Boolesch
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. INT
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. INT
Optimierer Typ des Optimierrs. "Adam"
"Adamw"
"Keine"
'Sgd'
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. INT
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. INT
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. INT
trainingCropSize Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. INT
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. INT
validationCropSize Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. INT
validationResizeSizeSize Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. INT
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. INT
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. INT
weightedLoss Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust.
1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.		 INT

ImageModelSettingsObjectDetection

Name BESCHREIBUNG Wert
erweitertEinstellungen Einstellungen für erweiterte Szenarien. Schnur
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Boolesch
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
boxDetectionsPerImage Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
boxScoreSchwellenwert Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als
BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].		 INT
checkpointHäufigkeit Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. INT
PrüfpunktModell Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. MLFlowModelJobInput
checkpointRunId Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. Schnur
verteilt Gibt an, ob verteilte Schulungen verwendet werden sollen. Boolesch
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Boolesch
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 INT
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 INT
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Boolesch
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. INT
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 INT
Bildgröße Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein.
Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 INT
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 INT
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. "Keine"
"Schritt"
"WarmupCosine"
maxGröße Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
minGröße Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
ModellGröße Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein.
Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 "ExtraLarge"
"Groß"
"Mittel"
"Keine"
"Klein"
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
MultiScale Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%.
Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Boolesch
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Boolesch
nmsIouThreshold IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. INT
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. INT
Optimierer Typ des Optimierrs. "Adam"
"Adamw"
"Keine"
'Sgd'
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. INT
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. INT
tileGridSize Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein
Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tileOverlapRatio Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
tilePredictionsNmsThreshold Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern.
Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. INT
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. INT
validationIouThreshold IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. INT
validationMetricType Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. "Coco"
"CocoVoc"
"Keine"
"Voc"
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. INT
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. INT

ImageObjectDetection

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsObjectDetection
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "MeanAveragePrecision"
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsObjectDetection[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageObjectDetection' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageSweep-Einstellungen

Name BESCHREIBUNG Wert
vorzeitige Kündigung Art der Richtlinie zur vorzeitigen Beendigung. Richtlinie zur vorzeitigen Beendigung
samplingAlgorithmus [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. "Bayesian"
'Raster'
"Zufällig" (erforderlich)

JobBase-Eigenschaften

Name BESCHREIBUNG Wert
Komponenten-ID ARM-Ressourcen-ID der Komponentenressource. Schnur
computeId ARM-Ressourcen-ID der Computeressource. Schnur
Beschreibung Der Text der Objektbeschreibung. Schnur
Anzeigename Anzeigename des Auftrags. Schnur
Name des Experiments Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert. Schnur
Identität Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein.
Der Standardwert ist AmlToken, wenn null.		 IdentityConfiguration (Identität)
isArchiviert Ist die Ressource archiviert? Boolesch
Jobtyp Legen Sie für den Typ AutoMLJob auf 'AutoML' fest. Legen Sie für "CommandJob" den Typ "CommandJob" fest. Legen Sie für den Typ "PipelineJob" den Typ "PipelineJob" fest. Legen Sie den Wert auf "Spark" für den Typ "SparkJob" fest. Legen Sie "Aufräumen" für den Typ "SweepJob" fest. "AutoML"
'Befehl'
"Pipeline"
"Spark"
"Aufräumen" (erforderlich)
notificationEinstellung Benachrichtigungseinstellung für den Auftrag NotificationSetting-
Eigenschaften Das Objekteigenschaftenverzeichnis. ResourceBaseProperties-
Dienste Liste der JobEndpoints.
Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.		 JobBaseDienstleistungen
Schlagwörter Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. ResourceBaseTags-

JobBaseDienstleistungen

Name BESCHREIBUNG Wert

JobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType Legen Sie für den Typ CustomModelJobInput auf "custom_model" fest. Wird für den Typ "LiteralJobInput" auf "literal" festgelegt. Legen Sie für den Typ "MLFlowModelJobInput" auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobInput auf "mltable" fest. Legen Sie für den Typ TritonModelJobInput auf "triton_model" fest. Legen Sie für den Typ "UriFileJobInput" auf "uri_file" fest. Legen Sie für den Typ "UriFolderJobInput" auf "uri_folder" fest. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)

Job-Ausgabe

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Ausgabe. Schnur
jobOutputType Legen Sie für den Typ CustomModelJobOutput auf "custom_model" fest. Legen Sie für den Typ MLFlowModelJobOutput auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobOutput auf "mltable" fest. Legen Sie für den Typ TritonModelJobOutput auf "triton_model" fest. Legen Sie für den Typ "UriFileJobOutput" auf "uri_file" fest. Legen Sie für den Typ "UriFolderJobOutput" auf "uri_folder" fest. "custom_model"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)

JobResourceConfiguration

Name BESCHREIBUNG Wert
dockerArgs Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. Schnur
instanceCount (InstanzAnzahl) Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden. INT
instanceType Optionaler Vm-Typ, der vom Computeziel unterstützt wird. Schnur
Eigenschaften Zusätzlicher Eigenschaftenbehälter. ResourceConfigurationProperties-
shmGröße Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann. Zeichenfolge

Zwänge:
Muster = \d+[bBkKmMgG]

JobScheduleAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'CreateJob' (erforderlich)
jobDefinition [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. JobBaseProperties (erforderlich)

Arbeitsdienst

Name BESCHREIBUNG Wert
Endpunkt URL für Endpunkt. Schnur
jobServiceType Endpunkttyp. Schnur
Knoten Knoten, auf denen der Benutzer den Dienst starten möchte.
Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet.		 Knoten
Hafen Port für Endpunkt. INT
Eigenschaften Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen. JobServiceEigenschaften

JobServiceEigenschaften

Name BESCHREIBUNG Wert

LiteralJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "literal" (erforderlich)
Wert [Erforderlich] Literalwert für die Eingabe. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

ManagedComputeIdentity

Name BESCHREIBUNG Wert
computeIdentityType [Erforderlich] Gibt den Identitätstyp an, der in den Überwachungsaufträgen verwendet werden soll. "ManagedIdentity" (erforderlich)
Identität Die Identität, die von den Überwachungsaufträgen genutzt wird. ManagedServiceIdentity-

Verwaltete Identität

Name BESCHREIBUNG Wert
Kunden-ID Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Zeichenfolge

Zwänge:
Min. Länge = 36
Maximale Länge = 36
Muster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "Verwaltet" (erforderlich)
Objekt-ID Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Zeichenfolge

Zwänge:
Min. Länge = 36
Maximale Länge = 36
Muster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
Ressourcen-ID Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Schnur

Verwaltete Dienstidentität

Name BESCHREIBUNG Wert
Typ Typ der verwalteten Dienstidentität (wobei systemAssigned- und UserAssigned-Typen zulässig sind). "Keine"
'SystemZugewiesen'
"SystemAssigned,UserAssigned"
"UserAssigned" (erforderlich)
vom Benutzer zugewiesene Identitäten Die Gruppe der benutzerzuweisungen Identitäten, die der Ressource zugeordnet sind. Die Wörterbuchschlüssel "userAssignedIdentities" sind ARM-Ressourcen-IDs im Formular: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Die Wörterbuchwerte können leere Objekte ({}) in Anforderungen sein. UserAssignedIdentities-

MedianStoppingRichtlinie

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "MedianStopping" (erforderlich)

MLFlowModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "mlflow_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLFlowModelJobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLFlowModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "mlflow_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

MLTableJobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLTableJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "mltable" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLTableJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "mltable" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

MonitorComputeConfigurationBase

Name BESCHREIBUNG Wert
computeType Auf "ServerlessSpark" für den Typ "MonitorServerlessSparkCompute" festgelegt. 'ServerlessSpark' (erforderlich)

MonitorComputeIdentityBase

Name BESCHREIBUNG Wert
computeIdentityType Legen Sie für den Typ "AmlTokenComputeIdentity" auf "AmlTokenComputeIdentity" fest. Legen Sie für den Typ "ManagedComputeIdentity" auf "ManagedIdentity" fest. "AmlToken"
"ManagedIdentity" (erforderlich)

MonitorDefinition

Name BESCHREIBUNG Wert
alertNotificationSettings Die Benachrichtigungseinstellungen des Monitors. MonitorNotificationEinstellungen
computeConfiguration [Erforderlich] Die ARM-Ressourcen-ID der Computeressource, auf der der Überwachungsauftrag ausgeführt werden soll. MonitorComputeConfigurationBase (erforderlich)
monitoringZiel Die entitäten, die vom Monitor ausgerichtet sind. MonitoringZiel
Signale [Erforderlich] Die zu überwachenden Signale. MonitorDefinitionSignals (erforderlich)

MonitorDefinitionSignale

Name BESCHREIBUNG Wert

MonitorEmailNotificationEinstellungen

Name BESCHREIBUNG Wert
E-Mails Die E-Mail-Empfängerliste mit einer Beschränkung von insgesamt 499 Zeichen. Zeichenfolge[]

ÜberwachungFeatureFilterBasis

Name BESCHREIBUNG Wert
filterTyp Auf "AllFeatures" für den Typ "AllFeatures" festgelegt. Legen Sie diesen Wert auf 'FeatureSubset' für den Typ FeatureSubset fest. Legen Sie für den Typ "TopNFeaturesByAttribution" auf "TopNByAttribution" fest. "AllFeatures"
'FeatureTeilmenge'
"TopNByAttribution" (erforderlich)

MonitoringInputDataBase

Name BESCHREIBUNG Wert
Spalten Zuordnung von Spaltennamen zu speziellen Verwendungen. MonitoringInputDataBaseColumns
dataContext (englisch) Die Kontextmetadaten der Datenquelle. Schnur
inputDataType Für den Typ FixedInputData auf "Fixed" festgelegt. Legen Sie für " RollingInputData" den Typ "RollingInputData" fest. Legen Sie für den Typ StaticInputData auf "Static" fest. "Behoben"
'Roll'
"Statisch" (erforderlich)
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MonitoringInputDataBaseColumns

Name BESCHREIBUNG Wert

MonitoringSignalBase

Name BESCHREIBUNG Wert
notification-Typen Der aktuelle Benachrichtigungsmodus für dieses Signal. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"AmlNotification"
Eigenschaften Eigenschaftenwörterbuch. Eigenschaften können hinzugefügt, aber nicht entfernt oder geändert werden. MonitoringSignalBaseProperties
Signaltyp Für den Typ CustomMonitoringSignal auf "Benutzerdefiniert" festgelegt. Legen Sie 'DataDrift' für den Datentyp 'DataDriftMonitoringSignal' fest. Legen Sie 'DataQuality' für den Typ 'DataQualityMonitoringSignal' fest. Legen Sie den Wert auf 'FeatureAttributionDrift' für den Typ FeatureAttributionDriftMonitoringSignal fest. Legen Sie den Wert auf 'PredictionDrift' für den Typ PredictionDriftMonitoringSignal fest. 'Benutzerdefiniert'
"Datendrift"
"DataQuality"
'FeatureAttributionDrift'
"PredictionDrift" (erforderlich)

MonitoringSignalBaseProperties

Name BESCHREIBUNG Wert

MonitoringZiel

Name BESCHREIBUNG Wert
deployment-ID Verweisen Sie auf die Bereitstellungsressource, die von diesem Monitor gezielt ist. Schnur
Modell-ID Verweisen Sie auf die Modellressource, die von diesem Monitor gezielt ist. Schnur
Aufgabentyp [Erforderlich] Der Machine Learning-Aufgabentyp des überwachten Modells. "Klassifizierung"
"Regression" (erforderlich)

Monitoring-Schwellenwert

Name BESCHREIBUNG Wert
Wert Der Schwellenwert. Wenn NULL, ist der Setstandard vom Metriktyp abhängig. INT

MonitorNotificationEinstellungen

Name BESCHREIBUNG Wert
emailNotificationEinstellungen Die AML-Benachrichtigungs-E-Mail-Einstellungen. MonitorEmailNotificationEinstellungen

MonitorServerlessSparkCompute

Name BESCHREIBUNG Wert
computeIdentity (englisch) [Erforderlich] Das Identitätsschema, das von den Spark-Aufträgen verwendet wird, die auf serverlosen Spark ausgeführt werden. MonitorComputeIdentityBase (erforderlich)
computeType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'ServerlessSpark' (erforderlich)
instanceType [Erforderlich] Der Instanztyp, der den Spark-Auftrag ausführt. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
runtimeVersion [Erforderlich] Die Spark-Laufzeitversion. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = ^[0-9]+\.[0-9]+$ (erforderlich)

MPI

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. "Mpi" (erforderlich)
processCountPerInstance Anzahl der Prozesse pro MPI-Knoten. INT

NCrossValidierungen

Name BESCHREIBUNG Wert
Modus "Auto" für den Typ "AutoNCrossValidations" festgelegt. Für den Typ "CustomNCrossValidations" auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

NlpVerticalFeaturizationSettings

Name BESCHREIBUNG Wert
datasetSprache Datasetsprache, nützlich für die Textdaten. Schnur

NlpVerticalLimit-Einstellungen

Name BESCHREIBUNG Wert
maxConcurrentTrials Maximale anzahl gleichzeitige AutoML-Iterationen. INT
maxTrials Anzahl der AutoML-Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur

Knoten

Name BESCHREIBUNG Wert
nodesValueType Auf "Alle" für den Typ "AllNodes" festgelegt. "Alle" (erforderlich)

Notification-Einstellung

Name BESCHREIBUNG Wert
E-MailEin Senden einer E-Mail-Benachrichtigung an den Benutzer im angegebenen Benachrichtigungstyp Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"Job abgesagt"
'Job abgeschlossen'
'Job fehlgeschlagen'
E-Mails Dies ist die E-Mail-Empfängerliste, die eine Beschränkung von 499 Zeichen insgesamt mit Kommatrennzeichen hat. Zeichenfolge[]
Webhooks Senden eines Webhook-Rückrufs an einen Dienst. Der Schlüssel ist ein vom Benutzer bereitgestellter Name für den Webhook. NotificationSettingWebhooks

NotificationSettingWebhooks

Name BESCHREIBUNG Wert

NumerischDataDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die numerische Datenabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
"NormalizedWassersteinDistance"
'PopulationStabilitätsindex'
"TwoSampleKolmogorovSmirnovTest" (erforderlich)

NumerischDataQualityMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die zu berechnende numerische Datenqualitätsmetrik. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (erforderlich)

NumerischPredictionDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die zu berechnende numerische Vorhersageabweichungsmetrik. 'JensenShannonDistanz'
"NormalizedWassersteinDistance"
'PopulationStabilitätsindex'
"TwoSampleKolmogorovSmirnovTest" (erforderlich)

Zielsetzung

Name BESCHREIBUNG Wert
Ziel [Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung. "Maximieren"
"Minimieren" (erforderlich)
primaryMetric (englisch) [Erforderlich] Name der zu optimierenden Metrik. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

Pipeline-Auftrag

Name BESCHREIBUNG Wert
Eingaben Eingaben für den Pipelineauftrag. PipelineJobInputs
arbeitsplätze Aufträge konstruieren den Pipelineauftrag. PipelineJobJobs
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Pipeline" (erforderlich)
Ergebnisse Ausgaben für den Pipelineauftrag PipelineJobOutputs
Einstellungen Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw. jegliche
sourceJobId ARM-Ressourcen-ID des Quellauftrags. Schnur

PipelineJobInputs

Name BESCHREIBUNG Wert

PipelineJobJobs

Name BESCHREIBUNG Wert

PipelineJobOutputs

Name BESCHREIBUNG Wert

PredictionDriftMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Legen Sie den Wert auf ' Categorical' für den Typ CategoricalPredictionDriftMetricThreshold fest. Legen Sie für den Typ "NumericalPredictionDriftMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

VorhersageDriftÜberwachungSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. PredictionDriftMonitoringSignalFeatureDataTypeOverride
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. PredictionDriftMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "PredictionDrift" (erforderlich)

PredictionDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

PyTorch

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. 'PyTorch' (erforderlich)
processCountPerInstance Anzahl der Prozesse pro Knoten. INT

Queue-Einstellungen

Name BESCHREIBUNG Wert
jobTier Steuert die Berechnungsauftragsebene. "Einfach"
'Null'
"Premium"
"Spot"
"Standard"

RandomSamplingAlgorithmus

Name BESCHREIBUNG Wert
Regel Der spezifische Typ des Zufallsalgorithmus "Zufällig"
"Sobol"
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Zufällig" (erforderlich)
Seed Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll INT

Wiederholungszeitplan

Name BESCHREIBUNG Wert
Stunden [Erforderlich] Liste der Stunden für den Zeitplan. int[] (erforderlich)
Protokoll [Erforderlich] Liste der Minuten für den Zeitplan. int[] (erforderlich)
monthDays Liste der Monatstage für den Zeitplan int[]
Wochentage Liste der Tage für den Zeitplan. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"Freitag"
"Montag"
"Samstag"
"Sonntag"
"Donnerstag"
"Dienstag"
'Mittwoch'

Wiederholungs-Auslöser

Name BESCHREIBUNG Wert
Frequenz [Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans. "Tag"
"Stunde"
"Minute"
"Monat"
"Woche" (erforderlich)
Intervall [Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an. int (erforderlich)
Zeitplan Der Terminplan der Serie. Wiederholungszeitplan
triggerTyp [Erforderlich] "Serie" (erforderlich)

Rückentwicklung

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
primaryMetric (englisch) Primäre Metrik für Regressionsaufgabe. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
'R2Score'
'Spearman-Korrelation'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Regression" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. RegressionTrainingEinstellungen
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

RegressionTrainingEinstellungen

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für Regressionsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
'XGBoostRegressor'
blockedTrainingAlgorithms Blockierte Modelle für Regressionsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
'XGBoostRegressor'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

ResourceBase-Eigenschaften

Name BESCHREIBUNG Wert

ResourceBase-Eigenschaften

Name BESCHREIBUNG Wert

ResourceBaseTags

Name BESCHREIBUNG Wert

ResourceBaseTags

Name BESCHREIBUNG Wert

ResourceConfigurationProperties

Name BESCHREIBUNG Wert

RollingInputData

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Rollen" (erforderlich)
preprocessingComponentId Verweisen auf die Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. Schnur
windowOffset (englisch) [Erforderlich] Der Zeitversatz zwischen dem Ende des Datenfensters und der aktuellen Laufzeit des Monitors. Zeichenfolge (erforderlich)
windowSize [Erforderlich] Die Größe des rollierenden Datenfensters. Zeichenfolge (erforderlich)

SamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType Für den Typ BayesianSamplingAlgorithm auf 'Bayesian' festgelegt. Legen Sie für den Typ "GridSamplingAlgorithm" den Typ "GridsamplingAlgorithm" fest. Für den Typ RandomSamplingAlgorithm auf "Random" festgelegt. "Bayesian"
'Raster'
"Zufällig" (erforderlich)

ScheduleActionBase

Name BESCHREIBUNG Wert
Aktionstyp Legen Sie den Wert auf 'CreateJob' für den Typ JobScheduleAction fest. Legen Sie den Wert auf 'CreateMonitor' für den Typ CreateMonitorAction fest. Legen Sie für den Typ "EndpointScheduleAction" auf "InvokeBatchEndpoint" fest. 'CreateJob'
'CreateMonitor'
'InvokeBatchEndpoint' (erforderlich)

Schedule-Eigenschaften

Name BESCHREIBUNG Wert
Handlung [Erforderlich] Gibt die Aktion des Zeitplans an. ScheduleActionBase (erforderlich)
Beschreibung Der Text der Objektbeschreibung. Schnur
Anzeigename Anzeigename des Zeitplans. Schnur
isEnabled (Aktiviert) Ist der Zeitplan aktiviert? Boolesch
Eigenschaften Das Objekteigenschaftenverzeichnis. ResourceBaseProperties-
Schlagwörter Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. ResourceBaseTags-
Auslöser [Erforderlich] Gibt die Triggerdetails an. TriggerBase (erforderlich)

Saisonalität

Name BESCHREIBUNG Wert
Modus Für den Typ "AutoSeasonality" auf "Auto" festgelegt. Für den Typ CustomSeasonality auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

SparkJob (Englisch)

Name BESCHREIBUNG Wert
Archiv Archivdateien, die im Auftrag verwendet werden. Zeichenfolge[]
Args Argumente für den Auftrag. Schnur
Code-ID [Erforderlich] Arm-ID der Coderessource. Zeichenfolge (erforderlich)
Conf Konfigurierte Spark-Eigenschaften. SparkJobConf
Eintrag [Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll. SparkJobEntry (erforderlich)
Umgebungs-ID Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Schnur
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. SparkJobEnvironmentVariables
Dateien Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. SparkJobInputs
Krüge Jar-Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Spark" (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. SparkJobOutputs
pyDateien Python-Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. SparkResourceConfiguration

SparkJobConf

Name BESCHREIBUNG Wert

SparkJobEntry

Name BESCHREIBUNG Wert
sparkJobEntryType Legen Sie den Wert auf 'SparkJobPythonEntry' für den Typ SparkJobPythonEntry fest. Legen Sie für den Typ SparkJobScalaEntry auf "SparkJobScalaEntry" fest. 'SparkJobPythonEntry'
'SparkJobScalaEntry' (erforderlich)

SparkJobEnvironmentVariables

Name BESCHREIBUNG Wert

SparkJobInputs

Name BESCHREIBUNG Wert

SparkJobOutputs

Name BESCHREIBUNG Wert

SparkJobPython-Eintrag

Name BESCHREIBUNG Wert
Datei [Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
sparkJobEntryType [Erforderlich] Typ des Einstiegspunkts des Auftrags. "SparkJobPythonEntry" (erforderlich)

SparkJobScalaEntry

Name BESCHREIBUNG Wert
Klassenname [Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
sparkJobEntryType [Erforderlich] Typ des Einstiegspunkts des Auftrags. 'SparkJobScalaEntry' (erforderlich)

SparkResourceConfiguration

Name BESCHREIBUNG Wert
instanceType Optionaler Vm-Typ, der vom Computeziel unterstützt wird. Schnur
runtimeVersion Version der Spark-Runtime, die für den Auftrag verwendet wird. Schnur

StackEnsembleSettings

Name BESCHREIBUNG Wert
stackMetaLearnerKWargs Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen. jegliche
stackMetaLearnerTrainPercentage Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2. INT
stackMetaLearnerType Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Keine"

StaticInputData

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Statisch" (erforderlich)
preprocessingComponentId Verweisen auf die Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. Schnur
FensterEnde [Erforderlich] Das Enddatum des Datenfensters. Zeichenfolge (erforderlich)
FensterStarten [Erforderlich] Das Startdatum des Datenfensters. Zeichenfolge (erforderlich)

Sweep-Job

Name BESCHREIBUNG Wert
vorzeitige Kündigung Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind Richtlinie zur vorzeitigen Beendigung
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. SweepJobInputs
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Aufräumen" (erforderlich)
grenzen Grenzwert für "Aufräumen von Auftrag". SweepJobLimits
Ziel [Erforderlich] Optimierungsziel. Ziel (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. SweepJob-Ausgaben
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
samplingAlgorithmus [Erforderlich] Der Hyperparameter-Samplingalgorithmus SamplingAlgorithm (erforderlich)
searchSpace [Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters. beliebig (erforderlich)
Testversion [Erforderlich] Definition der Testkomponente. TrialComponent (erforderlich)

SweepJobInputs

Name BESCHREIBUNG Wert

SweepJobLimits

Name BESCHREIBUNG Wert
jobLimitsTyp [Erforderlich] JobLimit-Typ. 'Befehl'
"Aufräumen" (erforderlich)
maxConcurrentTrials Aufräumen des Auftrags max. gleichzeitige Testversionen. INT
maxTotalTrials "Auftrag aufräumen" max. Gesamtversuche. INT
Zeitüberschreitung Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. Schnur
trialTimeout Timeoutwert für "Testauftrag aufräumen". Schnur

SweepJob-Ausgaben

Name BESCHREIBUNG Wert

TableVerticalFeaturizationSettings

Name BESCHREIBUNG Wert
blockedTransformatoren Diese Transformatoren dürfen nicht bei der Reifung verwendet werden. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'CatTargetEncoder'
'CountVectorizer'
"HashOneHotEncoder"
"LabelEncoder"
"NaiveBayes"
"OneHotEncoder"
'TextTargetEncoder'
"TfIdf"
"WoETargetEncoder"
"WordEmbedding"
columnNameAndTypes Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetSprache Datasetsprache, nützlich für die Textdaten. Schnur
enableDnnFeaturisierung Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen. Boolesch
Modus Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase.
Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt.
Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt.		 "Auto"
'Benutzerdefiniert'
'Aus'
TransformatorParams Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor. TabelleVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Name BESCHREIBUNG Wert

TabelleVerticalFeaturizationSettingsTransformerParams

Name BESCHREIBUNG Wert

TableVerticalLimitSettings

Name BESCHREIBUNG Wert
enableEarlyTermination Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen. Boolesch
exitScore Beenden Sie die Bewertung für den AutoML-Auftrag. INT
maxConcurrentTrials Maximale gleichzeitige Iteration. INT
maxCoresPerTrial Max. Kerne pro Iteration. INT
maxTrials Anzahl der Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur
trialTimeout Iterationstimeout. Schnur

Ziel-Verzögerungen

Name BESCHREIBUNG Wert
Modus Festlegen auf "Auto" für den Typ "AutoTargetLags". Für den Typ CustomTargetLags auf 'Custom' festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

TargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus Legen Sie für den Typ AutoTargetRollingWindowSize auf "Auto" fest. Legen Sie für den Typ CustomTargetRollingWindowSize auf "Benutzerdefiniert" fest. "Auto"
"Benutzerdefiniert" (erforderlich)

TensorFlow

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. "TensorFlow" (erforderlich)
parameterServerAnzahl Anzahl der Parameterserveraufgaben. INT
Mitarbeiteranzahl Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet. INT

Textklassifizierung

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
primaryMetric (englisch) Primäre Metrik für Text-Classification Vorgang. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextClassification' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TextClassificationMultilabel

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextClassificationMultilabel' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TextNer

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextNER' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TopNFeaturesByAttribution

Name BESCHREIBUNG Wert
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. "TopNByAttribution" (erforderlich)
Nach oben Die Anzahl der wichtigsten Features, die einbezogen werden sollen. INT

Testkomponente

Name BESCHREIBUNG Wert
Code-ID ARM-Ressourcen-ID der Coderessource. Schnur
Befehl [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Verteilung Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. DistributionConfiguration (Verteilungskonfiguration)
Umgebungs-ID [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. TrialComponentEnvironmentVariables
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration

TrialComponentEnvironmentVariables

Name BESCHREIBUNG Wert

Auslöser-Basis

Name BESCHREIBUNG Wert
endZeit Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Verweisen Sie auf https://en.wikipedia.org/wiki/ISO_8601.
Rekommentiertes Format wäre "2022-06-01T00:00:01"
Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.		 Schnur
Startzeit Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset. Schnur
Zeitzone Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird.
TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11		 Schnur
triggerTyp Für den Typ "CronTrigger" auf "Cron" festgelegt. Legen Sie den Wert auf " Recurrence" für den Typ "RecurrenceTrigger" fest. "Cron"
"Serie" (erforderlich)

TritonModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "triton_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

TritonModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "triton_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

TruncationSelectionPolicy

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "TruncationSelection" (erforderlich)
trunkcationPercentage (in letzter Prozent) Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen. INT

UriFileJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "uri_file" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

UriFileJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "uri_file" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

UriFolderJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

UriFolderJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "uri_folder" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

UserAssignedIdentities

Name BESCHREIBUNG Wert

UserAssignedIdentity

Name BESCHREIBUNG Wert

Benutzeridentität

Name BESCHREIBUNG Wert
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "UserIdentity" (erforderlich)

Webhook (Webhook)

Name BESCHREIBUNG Wert
Ereignistyp Senden eines Rückrufs für ein angegebenes Benachrichtigungsereignis Schnur
webhookTyp Legen Sie für den Typ "AzureDevOpsWebhook" auf "AzureDevOpsWebhook" fest. "AzureDevOps" (erforderlich)

ARM-Vorlagenressourcendefinition

Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:

Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.

Ressourcenformat

Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie der Vorlage den folgenden JSON-Code hinzu.

{
  "type": "Microsoft.MachineLearningServices/workspaces/schedules",
  "apiVersion": "2025-04-01",
  "name": "string",
  "properties": {
    "action": {
      "actionType": "string"
      // For remaining properties, see ScheduleActionBase objects
    },
    "description": "string",
    "displayName": "string",
    "isEnabled": "bool",
    "properties": {
      "{customized property}": "string"
    },
    "tags": {
      "{customized property}": "string"
    },
    "trigger": {
      "endTime": "string",
      "startTime": "string",
      "timeZone": "string",
      "triggerType": "string"
      // For remaining properties, see TriggerBase objects
    }
  }
}

IdentityConfiguration-Objekte

Legen Sie die IdentityType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AMLToken Folgendes:

{
  "identityType": "AMLToken"
}

Verwenden Sie für "Verwaltet" Folgendes:

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

Verwenden Sie für UserIdentity Folgendes:

{
  "identityType": "UserIdentity"
}

MonitorComputeConfigurationBase-Objekte

Legen Sie die computeType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für ServerlessSpark Folgendes:

{
  "computeIdentity": {
    "computeIdentityType": "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  },
  "computeType": "ServerlessSpark",
  "instanceType": "string",
  "runtimeVersion": "string"
}

NCrossValidations-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  "mode": "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  "mode": "Custom",
  "value": "int"
}

ScheduleActionBase-Objekte

Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für CreateJob Folgendes:

{
  "actionType": "CreateJob",
  "jobDefinition": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Verwenden Sie für CreateMonitor Folgendes:

{
  "actionType": "CreateMonitor",
  "monitorDefinition": {
    "alertNotificationSettings": {
      "emailNotificationSettings": {
        "emails": [ "string" ]
      }
    },
    "computeConfiguration": {
      "computeType": "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    },
    "monitoringTarget": {
      "deploymentId": "string",
      "modelId": "string",
      "taskType": "string"
    },
    "signals": {
      "{customized property}": {
        "notificationTypes": [ "string" ],
        "properties": {
          "{customized property}": "string"
        },
        "signalType": "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

Verwenden Sie für InvokeBatchEndpoint Folgendes:

{
  "actionType": "InvokeBatchEndpoint",
  "endpointInvocationDefinition": {}
}

EarlyTerminationPolicy-Objekte

Legen Sie die policyType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bandit Folgendes:

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

Verwenden Sie für MedianStopping Folgendes:

{
  "policyType": "MedianStopping"
}

Verwenden Sie für "TruncationSelection" Folgendes:

{
  "policyType": "TruncationSelection",
  "truncationPercentage": "int"
}

PredictionDriftMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  "dataType": "Categorical",
  "metric": "string"
}

Verwenden Sie für "Numerisch" Folgendes:

{
  "dataType": "Numerical",
  "metric": "string"
}

ForecastHorizon-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  "mode": "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  "mode": "Custom",
  "value": "int"
}

TriggerBase-Objekte

Legen Sie die triggerType-Eigenschaft fest, um den Objekttyp anzugeben.

Für Cron verwenden Sie:

{
  "expression": "string",
  "triggerType": "Cron"
}

Verwenden Sie für Serie Folgendes:

{
  "frequency": "string",
  "interval": "int",
  "schedule": {
    "hours": [ "int" ],
    "minutes": [ "int" ],
    "monthDays": [ "int" ],
    "weekDays": [ "string" ]
  },
  "triggerType": "Recurrence"
}

Knotenobjekte

Legen Sie die nodeValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für alle Folgendes:

{
  "nodesValueType": "All"
}

MonitorComputeIdentityBase-Objekte

Legen Sie die computeIdentityType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AmlToken Folgendes:

{
  "computeIdentityType": "AmlToken"
}

Verwenden Sie für ManagedIdentity-Folgendes:

{
  "computeIdentityType": "ManagedIdentity",
  "identity": {
    "type": "string",
    "userAssignedIdentities": {
      "{customized property}": {
      }
    }
  }
}

AutoMLVertical-Objekte

Legen Sie die taskType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Klassifizierung Folgendes:

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

Verwenden Sie für Prognose:

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

Verwenden Sie für ImageClassification Folgendes:

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

Verwenden Sie für ImageClassificationMultilabel Folgendes:

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

Verwenden Sie für ImageInstanceSegmentation Folgendes:

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

Verwenden Sie für ImageObjectDetection Folgendes:

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

Verwenden Sie für Regression Folgendes:

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

Verwenden Sie für TextClassification Folgendes:

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

Verwenden Sie für TextClassificationMultilabel Folgendes:

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

Verwenden Sie für TextNER Folgendes:

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

DistributionConfiguration-Objekte

Legen Sie die distributionType-Eigenschaft fest, um den Objekttyp anzugeben.

Für Mpi:

{
  "distributionType": "Mpi",
  "processCountPerInstance": "int"
}

Verwenden Sie für PyTorch Folgendes:

{
  "distributionType": "PyTorch",
  "processCountPerInstance": "int"
}

Verwenden Sie für TensorFlow Folgendes:

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

MonitoringInputDataBase-Objekte

Legen Sie die inputDataType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Behoben" Folgendes:

{
  "inputDataType": "Fixed"
}

Verwenden Sie für rollierende Anwendungen:

{
  "inputDataType": "Rolling",
  "preprocessingComponentId": "string",
  "windowOffset": "string",
  "windowSize": "string"
}

Verwenden Sie für "Statisch" Folgendes:

{
  "inputDataType": "Static",
  "preprocessingComponentId": "string",
  "windowEnd": "string",
  "windowStart": "string"
}

JobBaseProperties-Objekte

Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AutoML Folgendes:

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

Verwenden Sie für Befehl Folgendes:

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

Verwenden Sie für Pipeline Folgendes:

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

Verwenden Sie für Spark Folgendes:

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

Verwenden Sie für "Aufräumen" Folgendes:

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

MonitoringFeatureFilterBase-Objekte

Legen Sie die filterType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AllFeatures Folgendes:

{
  "filterType": "AllFeatures"
}

Verwenden Sie für FeatureSubset Folgendes:

{
  "features": [ "string" ],
  "filterType": "FeatureSubset"
}

Verwenden Sie für TopNByAttribution Folgendes:

{
  "filterType": "TopNByAttribution",
  "top": "int"
}

JobOutput-Objekte

Legen Sie die jobOutputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_model Folgendes:

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

Verwenden Sie für mlflow_model Folgendes:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_model Folgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

MonitoringSignalBase-Objekte

Legen Sie die SignalType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  "componentId": "string",
  "inputAssets": {
    "{customized property}": {
      "columns": {
        "{customized property}": "string"
      },
      "dataContext": "string",
      "jobInputType": "string",
      "uri": "string",
      "inputDataType": "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "metricThresholds": [
    {
      "metric": "string",
      "threshold": {
        "value": "int"
      }
    }
  ],
  "signalType": "Custom"
}

Verwenden Sie für DataDrift Folgendes:

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see DataDriftMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "DataDrift"
}

Verwenden Sie für DataQuality Folgendes:

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "features": {
    "filterType": "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see DataQualityMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "DataQuality"
}

Verwenden Sie für FeatureAttributionDrift Folgendes:

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "featureImportanceSettings": {
    "mode": "string",
    "targetColumn": "string"
  },
  "metricThreshold": {
    "metric": "string",
    "threshold": {
      "value": "int"
    }
  },
  "productionData": [ {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  } ],
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "FeatureAttributionDrift"
}

Verwenden Sie für PredictionDrift Folgendes:

{
  "featureDataTypeOverride": {
    "{customized property}": "string"
  },
  "metricThresholds": [ {
    "threshold": {
      "value": "int"
    },
    "dataType": "string"
    // For remaining properties, see PredictionDriftMetricThresholdBase objects
  } ],
  "productionData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "referenceData": {
    "columns": {
      "{customized property}": "string"
    },
    "dataContext": "string",
    "jobInputType": "string",
    "uri": "string",
    "inputDataType": "string"
    // For remaining properties, see MonitoringInputDataBase objects
  },
  "signalType": "PredictionDrift"
}

TargetRollingWindowSize-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  "mode": "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  "mode": "Custom",
  "value": "int"
}

Webhook-Objekte

Legen Sie die WebhookType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureDevOps Folgendes:

{
  "webhookType": "AzureDevOps"
}

Saisonalitätsobjekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  "mode": "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  "mode": "Custom",
  "value": "int"
}

SparkJobEntry-Objekte

Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für SparkJobPythonEntry Folgendes:

{
  "file": "string",
  "sparkJobEntryType": "SparkJobPythonEntry"
}

Verwenden Sie für SparkJobScalaEntry Folgendes:

{
  "className": "string",
  "sparkJobEntryType": "SparkJobScalaEntry"
}

DataQualityMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  "dataType": "Categorical",
  "metric": "string"
}

Verwenden Sie für "Numerisch" Folgendes:

{
  "dataType": "Numerical",
  "metric": "string"
}

SamplingAlgorithm-Objekte

Legen Sie die SamplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bayesian Folgendes:

{
  "samplingAlgorithmType": "Bayesian"
}

Verwenden Sie für Grid Folgendes:

{
  "samplingAlgorithmType": "Grid"
}

Verwenden Sie für Random Folgendes:

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

DataDriftMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  "dataType": "Categorical",
  "metric": "string"
}

Verwenden Sie für "Numerisch" Folgendes:

{
  "dataType": "Numerical",
  "metric": "string"
}

JobInput-Objekte

Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_model Folgendes:

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

Verwenden Sie für Literal Folgendes:

{
  "jobInputType": "literal",
  "value": "string"
}

Verwenden Sie für mlflow_model Folgendes:

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

Verwenden Sie für mltable:

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

Verwenden Sie für triton_model Folgendes:

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

Verwenden Sie für uri_file:

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

Verwenden Sie für uri_folder:

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

TargetLags-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  "mode": "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

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

Eigenschaftswerte

Microsoft.MachineLearningServices/Arbeitsbereiche/Zeitpläne

Name BESCHREIBUNG Wert
apiVersion (Englisch) Die API-Version '2025-04-01'
Name Der Ressourcenname Zeichenfolge

Zwänge:
Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich)
Eigenschaften [Erforderlich] Zusätzliche Attribute der Entität. ScheduleProperties- (erforderlich)
Typ Der Ressourcentyp "Microsoft.MachineLearningServices/workspaces/schedules"

AlleFunktionen

Name BESCHREIBUNG Wert
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. "AllFeatures" (erforderlich)

Alle Knoten

Name BESCHREIBUNG Wert
nodesValueType [Erforderlich] Typ des Knotenwerts "Alle" (erforderlich)

AmlToken

Name BESCHREIBUNG Wert
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "AMLToken" (erforderlich)

AmlTokenComputeIdentity

Name BESCHREIBUNG Wert
computeIdentityType [Erforderlich] Gibt den Identitätstyp an, der in den Überwachungsaufträgen verwendet werden soll. "AmlToken" (erforderlich)

AutoForecastHorizon

Name BESCHREIBUNG Wert
Modus [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. "Auto" (erforderlich)

AutoMLJob

Name BESCHREIBUNG Wert
Umgebungs-ID Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.
Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt.		 Schnur
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. AutoMLJobEnvironmentVariables
Jobtyp [Erforderlich] Gibt den Auftragstyp an. 'AutoML' (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. AutoMLJob-Ausgänge
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration
AufgabenDetails [Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann. AutoMLVertical (erforderlich)

AutoMLJobEnvironmentVariables

Name BESCHREIBUNG Wert

AutoMLJob-Ausgänge

Name BESCHREIBUNG Wert

AutoMLVertical

Name BESCHREIBUNG Wert
logAusführlichkeit Protokoll-Ausführlichkeit für den Auftrag. "Kritisch"
"Debuggen"
'Fehler'
'Infos'
'NotSet'
"Warnung"
targetColumnName Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten.
Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet.		 Schnur
Aufgabentyp Für die Typklassifizierung auf "Klassifizierung" festgelegt. Legen Sie für den Typ "Prognose" den Typ "Prognose" fest. Wird für den Typ ImageClassification auf 'ImageClassification' festgelegt. Wird für den Typ ImageClassificationMultilabel auf 'ImageClassificationMultilabel' festgelegt. 'ImageInstanceSegmentation' für den Typ 'ImageInstanceSegmentation' festgelegt. Legen Sie für den Typ ImageObjectDetection auf 'ImageObjectDetection' fest. Auf 'Regression' für die Typregression festgelegt. Auf 'TextClassification' für den Typ 'TextClassification' festgelegt. Legen Sie für den Typ "TextClassificationMultilabel" den Typ "TextClassificationMultilabel" fest. Legen Sie 'TextNER' für den Typ "TextNer" fest. "Klassifizierung"
"Prognose"
'Bild-Klassifizierung'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
"Rückschritt"
'Textklassifizierung'
'TextClassificationMultilabel'
'TextNER' (erforderlich)
Trainingsdaten [Erforderlich] Eingabe von Schulungsdaten. MLTableJobInput (erforderlich)

AutoNCrossValidierungen

Name BESCHREIBUNG Wert
Modus [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. "Auto" (erforderlich)

AutoSeasonalität

Name BESCHREIBUNG Wert
Modus [Erforderlich] Saisonalitätsmodus. "Auto" (erforderlich)

AutoTargetLags

Name BESCHREIBUNG Wert
Modus [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert "Auto" (erforderlich)

AutoTargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. "Auto" (erforderlich)

AzureDevOpsWebhook

Name BESCHREIBUNG Wert
webhookTyp [Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll. "AzureDevOps" (erforderlich)

Banditenpolitik

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "Bandit" (erforderlich)
SlackAmount Absoluter Abstand, der vom besten Lauf erlaubt ist. INT
slackFactor Verhältnis des zulässigen Abstands vom besten Lauf. INT

BayesianSamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Bayesian" (erforderlich)

CategoricalDataDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Datenabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
'PearsonsChiSquaredTest'
"PopulationStabilityIndex" (erforderlich)

CategoricalDataQualityMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Datenqualitätsmetrik, die berechnet werden soll. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (erforderlich)

CategoricalPredictionDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Vorhersageabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
'PearsonsChiSquaredTest'
"PopulationStabilityIndex" (erforderlich)

Klassifizierung

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
positivEtikett Positive Bezeichnung für die Berechnung binärer Metriken. Schnur
primaryMetric (englisch) Primäre Metrik für den Vorgang. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Klassifizierung" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. ClassificationTrainingSettings
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

ClassificationTrainingSettings

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für klassifizierungsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'BernoulliNaiveBayes'
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
'XGBoostKlassifikator'
blockedTrainingAlgorithms Blockierte Modelle für klassifizierungsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'BernoulliNaiveBayes'
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
'XGBoostKlassifikator'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

ColumnTransformer (Spalten-Transformator)

Name BESCHREIBUNG Wert
Felder Felder, auf die Transformatorlogik angewendet werden soll. Zeichenfolge[]
Parameter Verschiedene Eigenschaften, die an Transformator übergeben werden sollen.
Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format.		 jegliche

BefehlAuftrag

Name BESCHREIBUNG Wert
Code-ID ARM-Ressourcen-ID der Coderessource. Schnur
Befehl [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Verteilung Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. DistributionConfiguration (Verteilungskonfiguration)
Umgebungs-ID [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. BefehlJobUmgebungsvariablen
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. BefehlJobEingaben
Jobtyp [Erforderlich] Gibt den Auftragstyp an. 'Befehl' (erforderlich)
grenzen Befehlsauftragslimit. BefehlJobLimits
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. CommandJobOutputs
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration

BefehlJobUmgebungsvariablen

Name BESCHREIBUNG Wert

BefehlJobEingaben

Name BESCHREIBUNG Wert

BefehlJobLimits

Name BESCHREIBUNG Wert
jobLimitsTyp [Erforderlich] JobLimit-Typ. 'Befehl'
"Aufräumen" (erforderlich)
Zeitüberschreitung Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. Schnur

CommandJobOutputs

Name BESCHREIBUNG Wert

CreateMonitorAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'CreateMonitor' (erforderlich)
monitorDefinition [Erforderlich] Definiert den Monitor. MonitorDefinition (erforderlich)

CronTrigger (Englisch)

Name BESCHREIBUNG Wert
Ausdruck [Erforderlich] Gibt den Cronausdruck des Zeitplans an.
Der Ausdruck sollte dem NCronTab-Format folgen.		 Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
triggerTyp [Erforderlich] "Cron" (erforderlich)

CustomForecastHorizon

Name BESCHREIBUNG Wert
Modus [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] Prognosehorizontwert. int (erforderlich)

CustomMetricThreshold

Name BESCHREIBUNG Wert
Maß [Erforderlich] Die benutzerdefinierte Metrik, die berechnet werden soll. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

CustomModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

CustomModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "custom_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

CustomMonitoringSignal

Name BESCHREIBUNG Wert
Komponenten-ID [Erforderlich] Verweis auf die Komponentenressource, die zum Berechnen der benutzerdefinierten Metriken verwendet wird. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
inputAssets Überwachen von Ressourcen, die als Eingabe verwendet werden sollen. Der Schlüssel ist der Name des Komponenteneingabeports, der Wert ist die Datenressource. CustomMonitoringSignalInputAssets
Eingaben Zusätzliche Komponentenparameter, die als Eingabe verwendet werden sollen. Schlüssel ist der Name des Literaleingabeports der Komponente, der Wert ist der Parameterwert. CustomMonitoringSignalInputs
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. CustomMetricThreshold[] (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Benutzerdefiniert" (erforderlich)

CustomMonitoringSignalInputAssets

Name BESCHREIBUNG Wert

CustomMonitoringSignalInputs

Name BESCHREIBUNG Wert

CustomNCrossValidations

Name BESCHREIBUNG Wert
Modus [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] N-Kreuzüberprüfungswert. int (erforderlich)

GewohnheitSaisonalität

Name BESCHREIBUNG Wert
Modus [Erforderlich] Saisonalitätsmodus. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] Saisonalitätswert. int (erforderlich)

CustomTargetLags

Name BESCHREIBUNG Wert
Modus [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert "Benutzerdefiniert" (erforderlich)
Werte [Erforderlich] Festlegen von Zielverzögerungswerten int[] (erforderlich)

CustomTargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] TargetRollingWindowSize-Wert. int (erforderlich)

DataDriftMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Legen Sie den Wert auf ' Categorical' für den Typ CategoricalDataDriftMetricThreshold fest. Legen Sie für den Typ "NumericalDataDriftMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

DataDriftMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceEinstellungen
Funktionen Der Featurefilter, der angibt, welches Feature die Abweichung berechnen soll. ÜberwachungFeatureFilterBasis
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. DataDriftMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'DataDrift' (erforderlich)

DataDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

DataQualityMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Für den Typ "CategoricalDataQualityMetricThreshold" auf "CategoricalDataQualityMetricThreshold" festgelegt. Legen Sie für den Typ "NumericalDataQualityMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

DatenQualitätMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceEinstellungen
Funktionen Die Features zum Berechnen der Abweichung. ÜberwachungFeatureFilterBasis
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. DataQualityMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'DataQuality' (erforderlich)

DataQualityMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

DistributionConfiguration (Verteilungskonfiguration)

Name BESCHREIBUNG Wert
distributionType Legen Sie den Wert auf 'Mpi' für den Typ MPI fest. 'PyTorch' für den Typ 'PyTorch' festgelegt. Wird für den Typ TensorFlow auf 'TensorFlow' festgelegt. "Mpi"
"PyTorch"
"TensorFlow" (erforderlich)

Richtlinie zur vorzeitigen Beendigung

Name BESCHREIBUNG Wert
delayEvaluation Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll. INT
evaluationIntervall Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen. INT
policyType Für den Typ " BanditPolicy" auf "BanditPolicy" festgelegt. Wird für den Typ "MedianStoppingPolicy" auf "MedianStoppingPolicy" festgelegt. Legen Sie für den Typ "TruncationSelectionPolicy" auf "TruncationSelectionPolicy" fest. "Bandit"
"MedianStopping"
"TruncationSelection" (erforderlich)

EndpunktScheduleAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'InvokeBatchEndpoint' (erforderlich)
endpointInvocationDefinition [Erforderlich] Definiert Details zur Definition der Zeitplanaktion.
<siehe href="TBD" />		 beliebig (erforderlich)

FeatureAttributionDriftMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen [Erforderlich] Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceSettings (erforderlich)
MetrikThreshold [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. FeatureAttributionMetricThreshold (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase[] (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'FeatureAttributionDrift' (erforderlich)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

FeatureAttributionMetricThreshold

Name BESCHREIBUNG Wert
Maß [Erforderlich] Die Zuschreibungsmetrik der Funktion, die berechnet werden soll. "NormalizedDiscountedCumulativeGain" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

FeatureImportanceEinstellungen

Name BESCHREIBUNG Wert
Modus Der Betriebsmodus für die Wichtigkeit der Computerfunktion. "Deaktiviert"
"Aktiviert"
target-Spalte Der Name der Zielspalte innerhalb der Eingabedatenressource. Schnur

FeatureTeilmenge

Name BESCHREIBUNG Wert
Funktionen [Erforderlich] Die Liste der einzuschließden Features. string[] (erforderlich)
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. 'FeatureSubset' (erforderlich)

FixedInputData (FesteEingabedaten)

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Fixed" (erforderlich)

Prognosehorizont

Name BESCHREIBUNG Wert
Modus Für den Typ "AutoForecastHorizon" auf "Auto" festgelegt. Für den Typ CustomForecastHorizon auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

Prognose

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
PrognoseEinstellungen Vorhersageaufgabenspezifische Eingaben. Prognose-Einstellungen
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
primaryMetric (englisch) Primäre Metrik für den Prognosevorgang. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
'R2Score'
'Spearman-Korrelation'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Prognose" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. ForecastingTrainingSettings
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

Prognose-Einstellungen

Name BESCHREIBUNG Wert
countryOrRegionForHolidays Land oder Region für Feiertage für Prognosevorgänge.
Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt.		 Schnur
cvStepSize Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für
Wenn z. B. CVStepSize = 3 für tägliche Daten die Ursprungszeit für jede Faltung ist
drei Tage auseinander.		 INT
featureVerzögerungen Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL. "Auto"
"Keine"
PrognoseHorizont Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit. Prognosehorizont
Frequenz Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit. Schnur
saisonalität Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest.
Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet.		 Saisonalität
shortSeriesHandlingConfig Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll. "Auto"
"Fallen"
"Keine"
"Pad"
targetAggregateFunction Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen.
Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean".		 "Max"
"Mittelwert"
"Min"
"Keine"
"Summe"
targetLags Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen. Ziel-Verzögerungen
targetRollingWindowSize Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden. TargetRollingWindowSize
timeColumnName (ZeitSpaltenname) Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten. Schnur
timeSeriesIdColumnNames Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen.
Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet.		 Zeichenfolge[]
useStl Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe. "Keine"
"Saison"
"SeasonTrend"

ForecastingTrainingSettings

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für den Prognosevorgang. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'Arimax'
'AutoArima'
"Mittelwert"
"DecisionTree"
"ElasticNet"
"Exponentialsmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"Naiv"
"Prophet"
"RandomForest"
"Saisonalwert"
"Saisonnaive"
"SGD"
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Blockierte Modelle für den Prognosevorgang. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'Arimax'
'AutoArima'
"Mittelwert"
"DecisionTree"
"ElasticNet"
"Exponentialsmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"Naiv"
"Prophet"
"RandomForest"
"Saisonalwert"
"Saisonnaive"
"SGD"
'TCNForecaster'
'XGBoostRegressor'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

GridSamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Raster" (erforderlich)

IdentityConfiguration (Identität)

Name BESCHREIBUNG Wert
Identitätstyp Legen Sie den Wert auf 'AMLToken' für den Typ AmlToken fest. Für den Typ "ManagedIdentity" auf "Managed" festgelegt. Auf "UserIdentity" für den Typ "UserIdentity" festgelegt. "AMLToken"
"Verwaltet"
"UserIdentity" (erforderlich)

Bild-Klassifizierung

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsKlassifizierung
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsClassification[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageClassification' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageClassificationMultilabel

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsKlassifizierung
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
'PrecisionScoreGewichtet'
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsClassification[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageClassificationMultilabel' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageInstanceSegmentation

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsObjectDetection
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "MeanAveragePrecision"
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsObjectDetection[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageInstanceSegmentation' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageLimit-Einstellungen

Name BESCHREIBUNG Wert
maxConcurrentTrials Maximale Anzahl gleichzeitiger AutoML-Iterationen. INT
maxTrials Maximale Anzahl von AutoML-Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur

ImageModelDistributionSettingsKlassifizierung

Name BESCHREIBUNG Wert
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Schnur
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
verteilt Gibt an, ob die Verteilungsschulung verwendet werden soll. Schnur
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Schnur
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 Schnur
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 Schnur
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Schnur
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. Schnur
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 Schnur
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 Schnur
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. Schnur
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Schnur
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. Schnur
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. Schnur
Optimierer Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. Schnur
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. Schnur
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. Schnur
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. Schnur
trainingCropSize Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. Schnur
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. Schnur
validationCropSize Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. Schnur
validationResizeSizeSize Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. Schnur
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. Schnur
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. Schnur
weightedLoss Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust.
1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.		 Schnur

ImageModelDistributionSettingsObjectDetection

Name BESCHREIBUNG Wert
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Schnur
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
boxDetectionsPerImage Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
boxScoreSchwellenwert Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als
BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].		 Schnur
verteilt Gibt an, ob die Verteilungsschulung verwendet werden soll. Schnur
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Schnur
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 Schnur
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 Schnur
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Schnur
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. Schnur
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 Schnur
Bildgröße Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein.
Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 Schnur
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. Schnur
maxGröße Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
minGröße Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
ModellGröße Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein.
Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
MultiScale Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%.
Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Schnur
nmsIouThreshold IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten. Schnur
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. Schnur
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. Schnur
Optimierer Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. Schnur
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. Schnur
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. Schnur
tileGridSize Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein
Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tileOverlapRatio Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tilePredictionsNmsThreshold Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern.
Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.
NMS: Nicht maximale Unterdrückung		 Schnur
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. Schnur
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. Schnur
validationIouThreshold IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. Schnur
validationMetricType Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein. Schnur
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. Schnur
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. Schnur

ImageModelSettingsKlassifizierung

Name BESCHREIBUNG Wert
erweitertEinstellungen Einstellungen für erweiterte Szenarien. Schnur
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Boolesch
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
checkpointHäufigkeit Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. INT
PrüfpunktModell Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. MLFlowModelJobInput
checkpointRunId Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. Schnur
verteilt Gibt an, ob verteilte Schulungen verwendet werden sollen. Boolesch
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Boolesch
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 INT
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 INT
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Boolesch
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. INT
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 INT
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 INT
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. "Keine"
"Schritt"
"WarmupCosine"
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Boolesch
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. INT
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. INT
Optimierer Typ des Optimierrs. "Adam"
"Adamw"
"Keine"
'Sgd'
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. INT
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. INT
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. INT
trainingCropSize Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. INT
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. INT
validationCropSize Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. INT
validationResizeSizeSize Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. INT
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. INT
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. INT
weightedLoss Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust.
1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.		 INT

ImageModelSettingsObjectDetection

Name BESCHREIBUNG Wert
erweitertEinstellungen Einstellungen für erweiterte Szenarien. Schnur
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Boolesch
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
boxDetectionsPerImage Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
boxScoreSchwellenwert Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als
BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].		 INT
checkpointHäufigkeit Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. INT
PrüfpunktModell Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. MLFlowModelJobInput
checkpointRunId Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. Schnur
verteilt Gibt an, ob verteilte Schulungen verwendet werden sollen. Boolesch
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Boolesch
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 INT
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 INT
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Boolesch
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. INT
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 INT
Bildgröße Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein.
Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 INT
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 INT
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. "Keine"
"Schritt"
"WarmupCosine"
maxGröße Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
minGröße Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
ModellGröße Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein.
Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 "ExtraLarge"
"Groß"
"Mittel"
"Keine"
"Klein"
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
MultiScale Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%.
Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Boolesch
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Boolesch
nmsIouThreshold IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. INT
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. INT
Optimierer Typ des Optimierrs. "Adam"
"Adamw"
"Keine"
'Sgd'
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. INT
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. INT
tileGridSize Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein
Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tileOverlapRatio Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
tilePredictionsNmsThreshold Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern.
Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. INT
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. INT
validationIouThreshold IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. INT
validationMetricType Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. "Coco"
"CocoVoc"
"Keine"
"Voc"
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. INT
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. INT

ImageObjectDetection

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsObjectDetection
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "MeanAveragePrecision"
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsObjectDetection[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageObjectDetection' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageSweep-Einstellungen

Name BESCHREIBUNG Wert
vorzeitige Kündigung Art der Richtlinie zur vorzeitigen Beendigung. Richtlinie zur vorzeitigen Beendigung
samplingAlgorithmus [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. "Bayesian"
'Raster'
"Zufällig" (erforderlich)

JobBase-Eigenschaften

Name BESCHREIBUNG Wert
Komponenten-ID ARM-Ressourcen-ID der Komponentenressource. Schnur
computeId ARM-Ressourcen-ID der Computeressource. Schnur
Beschreibung Der Text der Objektbeschreibung. Schnur
Anzeigename Anzeigename des Auftrags. Schnur
Name des Experiments Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert. Schnur
Identität Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein.
Der Standardwert ist AmlToken, wenn null.		 IdentityConfiguration (Identität)
isArchiviert Ist die Ressource archiviert? Boolesch
Jobtyp Legen Sie für den Typ AutoMLJob auf 'AutoML' fest. Legen Sie für "CommandJob" den Typ "CommandJob" fest. Legen Sie für den Typ "PipelineJob" den Typ "PipelineJob" fest. Legen Sie den Wert auf "Spark" für den Typ "SparkJob" fest. Legen Sie "Aufräumen" für den Typ "SweepJob" fest. "AutoML"
'Befehl'
"Pipeline"
"Spark"
"Aufräumen" (erforderlich)
notificationEinstellung Benachrichtigungseinstellung für den Auftrag NotificationSetting-
Eigenschaften Das Objekteigenschaftenverzeichnis. ResourceBaseProperties-
Dienste Liste der JobEndpoints.
Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.		 JobBaseDienstleistungen
Schlagwörter Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. ResourceBaseTags-

JobBaseDienstleistungen

Name BESCHREIBUNG Wert

JobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType Legen Sie für den Typ CustomModelJobInput auf "custom_model" fest. Wird für den Typ "LiteralJobInput" auf "literal" festgelegt. Legen Sie für den Typ "MLFlowModelJobInput" auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobInput auf "mltable" fest. Legen Sie für den Typ TritonModelJobInput auf "triton_model" fest. Legen Sie für den Typ "UriFileJobInput" auf "uri_file" fest. Legen Sie für den Typ "UriFolderJobInput" auf "uri_folder" fest. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)

Job-Ausgabe

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Ausgabe. Schnur
jobOutputType Legen Sie für den Typ CustomModelJobOutput auf "custom_model" fest. Legen Sie für den Typ MLFlowModelJobOutput auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobOutput auf "mltable" fest. Legen Sie für den Typ TritonModelJobOutput auf "triton_model" fest. Legen Sie für den Typ "UriFileJobOutput" auf "uri_file" fest. Legen Sie für den Typ "UriFolderJobOutput" auf "uri_folder" fest. "custom_model"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)

JobResourceConfiguration

Name BESCHREIBUNG Wert
dockerArgs Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. Schnur
instanceCount (InstanzAnzahl) Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden. INT
instanceType Optionaler Vm-Typ, der vom Computeziel unterstützt wird. Schnur
Eigenschaften Zusätzlicher Eigenschaftenbehälter. ResourceConfigurationProperties-
shmGröße Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann. Zeichenfolge

Zwänge:
Muster = \d+[bBkKmMgG]

JobScheduleAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'CreateJob' (erforderlich)
jobDefinition [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. JobBaseProperties (erforderlich)

Arbeitsdienst

Name BESCHREIBUNG Wert
Endpunkt URL für Endpunkt. Schnur
jobServiceType Endpunkttyp. Schnur
Knoten Knoten, auf denen der Benutzer den Dienst starten möchte.
Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet.		 Knoten
Hafen Port für Endpunkt. INT
Eigenschaften Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen. JobServiceEigenschaften

JobServiceEigenschaften

Name BESCHREIBUNG Wert

LiteralJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "literal" (erforderlich)
Wert [Erforderlich] Literalwert für die Eingabe. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

ManagedComputeIdentity

Name BESCHREIBUNG Wert
computeIdentityType [Erforderlich] Gibt den Identitätstyp an, der in den Überwachungsaufträgen verwendet werden soll. "ManagedIdentity" (erforderlich)
Identität Die Identität, die von den Überwachungsaufträgen genutzt wird. ManagedServiceIdentity-

Verwaltete Identität

Name BESCHREIBUNG Wert
Kunden-ID Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Zeichenfolge

Zwänge:
Min. Länge = 36
Maximale Länge = 36
Muster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "Verwaltet" (erforderlich)
Objekt-ID Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Zeichenfolge

Zwänge:
Min. Länge = 36
Maximale Länge = 36
Muster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
Ressourcen-ID Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Schnur

Verwaltete Dienstidentität

Name BESCHREIBUNG Wert
Typ Typ der verwalteten Dienstidentität (wobei systemAssigned- und UserAssigned-Typen zulässig sind). "Keine"
'SystemZugewiesen'
"SystemAssigned,UserAssigned"
"UserAssigned" (erforderlich)
vom Benutzer zugewiesene Identitäten Die Gruppe der benutzerzuweisungen Identitäten, die der Ressource zugeordnet sind. Die Wörterbuchschlüssel "userAssignedIdentities" sind ARM-Ressourcen-IDs im Formular: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Die Wörterbuchwerte können leere Objekte ({}) in Anforderungen sein. UserAssignedIdentities-

MedianStoppingRichtlinie

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "MedianStopping" (erforderlich)

MLFlowModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "mlflow_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLFlowModelJobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLFlowModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "mlflow_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

MLTableJobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLTableJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "mltable" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLTableJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "mltable" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

MonitorComputeConfigurationBase

Name BESCHREIBUNG Wert
computeType Auf "ServerlessSpark" für den Typ "MonitorServerlessSparkCompute" festgelegt. 'ServerlessSpark' (erforderlich)

MonitorComputeIdentityBase

Name BESCHREIBUNG Wert
computeIdentityType Legen Sie für den Typ "AmlTokenComputeIdentity" auf "AmlTokenComputeIdentity" fest. Legen Sie für den Typ "ManagedComputeIdentity" auf "ManagedIdentity" fest. "AmlToken"
"ManagedIdentity" (erforderlich)

MonitorDefinition

Name BESCHREIBUNG Wert
alertNotificationSettings Die Benachrichtigungseinstellungen des Monitors. MonitorNotificationEinstellungen
computeConfiguration [Erforderlich] Die ARM-Ressourcen-ID der Computeressource, auf der der Überwachungsauftrag ausgeführt werden soll. MonitorComputeConfigurationBase (erforderlich)
monitoringZiel Die entitäten, die vom Monitor ausgerichtet sind. MonitoringZiel
Signale [Erforderlich] Die zu überwachenden Signale. MonitorDefinitionSignals (erforderlich)

MonitorDefinitionSignale

Name BESCHREIBUNG Wert

MonitorEmailNotificationEinstellungen

Name BESCHREIBUNG Wert
E-Mails Die E-Mail-Empfängerliste mit einer Beschränkung von insgesamt 499 Zeichen. Zeichenfolge[]

ÜberwachungFeatureFilterBasis

Name BESCHREIBUNG Wert
filterTyp Auf "AllFeatures" für den Typ "AllFeatures" festgelegt. Legen Sie diesen Wert auf 'FeatureSubset' für den Typ FeatureSubset fest. Legen Sie für den Typ "TopNFeaturesByAttribution" auf "TopNByAttribution" fest. "AllFeatures"
'FeatureTeilmenge'
"TopNByAttribution" (erforderlich)

MonitoringInputDataBase

Name BESCHREIBUNG Wert
Spalten Zuordnung von Spaltennamen zu speziellen Verwendungen. MonitoringInputDataBaseColumns
dataContext (englisch) Die Kontextmetadaten der Datenquelle. Schnur
inputDataType Für den Typ FixedInputData auf "Fixed" festgelegt. Legen Sie für " RollingInputData" den Typ "RollingInputData" fest. Legen Sie für den Typ StaticInputData auf "Static" fest. "Behoben"
'Roll'
"Statisch" (erforderlich)
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MonitoringInputDataBaseColumns

Name BESCHREIBUNG Wert

MonitoringSignalBase

Name BESCHREIBUNG Wert
notification-Typen Der aktuelle Benachrichtigungsmodus für dieses Signal. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"AmlNotification"
Eigenschaften Eigenschaftenwörterbuch. Eigenschaften können hinzugefügt, aber nicht entfernt oder geändert werden. MonitoringSignalBaseProperties
Signaltyp Für den Typ CustomMonitoringSignal auf "Benutzerdefiniert" festgelegt. Legen Sie 'DataDrift' für den Datentyp 'DataDriftMonitoringSignal' fest. Legen Sie 'DataQuality' für den Typ 'DataQualityMonitoringSignal' fest. Legen Sie den Wert auf 'FeatureAttributionDrift' für den Typ FeatureAttributionDriftMonitoringSignal fest. Legen Sie den Wert auf 'PredictionDrift' für den Typ PredictionDriftMonitoringSignal fest. 'Benutzerdefiniert'
"Datendrift"
"DataQuality"
'FeatureAttributionDrift'
"PredictionDrift" (erforderlich)

MonitoringSignalBaseProperties

Name BESCHREIBUNG Wert

MonitoringZiel

Name BESCHREIBUNG Wert
deployment-ID Verweisen Sie auf die Bereitstellungsressource, die von diesem Monitor gezielt ist. Schnur
Modell-ID Verweisen Sie auf die Modellressource, die von diesem Monitor gezielt ist. Schnur
Aufgabentyp [Erforderlich] Der Machine Learning-Aufgabentyp des überwachten Modells. "Klassifizierung"
"Regression" (erforderlich)

Monitoring-Schwellenwert

Name BESCHREIBUNG Wert
Wert Der Schwellenwert. Wenn NULL, ist der Setstandard vom Metriktyp abhängig. INT

MonitorNotificationEinstellungen

Name BESCHREIBUNG Wert
emailNotificationEinstellungen Die AML-Benachrichtigungs-E-Mail-Einstellungen. MonitorEmailNotificationEinstellungen

MonitorServerlessSparkCompute

Name BESCHREIBUNG Wert
computeIdentity (englisch) [Erforderlich] Das Identitätsschema, das von den Spark-Aufträgen verwendet wird, die auf serverlosen Spark ausgeführt werden. MonitorComputeIdentityBase (erforderlich)
computeType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'ServerlessSpark' (erforderlich)
instanceType [Erforderlich] Der Instanztyp, der den Spark-Auftrag ausführt. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
runtimeVersion [Erforderlich] Die Spark-Laufzeitversion. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = ^[0-9]+\.[0-9]+$ (erforderlich)

MPI

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. "Mpi" (erforderlich)
processCountPerInstance Anzahl der Prozesse pro MPI-Knoten. INT

NCrossValidierungen

Name BESCHREIBUNG Wert
Modus "Auto" für den Typ "AutoNCrossValidations" festgelegt. Für den Typ "CustomNCrossValidations" auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

NlpVerticalFeaturizationSettings

Name BESCHREIBUNG Wert
datasetSprache Datasetsprache, nützlich für die Textdaten. Schnur

NlpVerticalLimit-Einstellungen

Name BESCHREIBUNG Wert
maxConcurrentTrials Maximale anzahl gleichzeitige AutoML-Iterationen. INT
maxTrials Anzahl der AutoML-Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur

Knoten

Name BESCHREIBUNG Wert
nodesValueType Auf "Alle" für den Typ "AllNodes" festgelegt. "Alle" (erforderlich)

Notification-Einstellung

Name BESCHREIBUNG Wert
E-MailEin Senden einer E-Mail-Benachrichtigung an den Benutzer im angegebenen Benachrichtigungstyp Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"Job abgesagt"
'Job abgeschlossen'
'Job fehlgeschlagen'
E-Mails Dies ist die E-Mail-Empfängerliste, die eine Beschränkung von 499 Zeichen insgesamt mit Kommatrennzeichen hat. Zeichenfolge[]
Webhooks Senden eines Webhook-Rückrufs an einen Dienst. Der Schlüssel ist ein vom Benutzer bereitgestellter Name für den Webhook. NotificationSettingWebhooks

NotificationSettingWebhooks

Name BESCHREIBUNG Wert

NumerischDataDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die numerische Datenabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
"NormalizedWassersteinDistance"
'PopulationStabilitätsindex'
"TwoSampleKolmogorovSmirnovTest" (erforderlich)

NumerischDataQualityMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die zu berechnende numerische Datenqualitätsmetrik. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (erforderlich)

NumerischPredictionDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die zu berechnende numerische Vorhersageabweichungsmetrik. 'JensenShannonDistanz'
"NormalizedWassersteinDistance"
'PopulationStabilitätsindex'
"TwoSampleKolmogorovSmirnovTest" (erforderlich)

Zielsetzung

Name BESCHREIBUNG Wert
Ziel [Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung. "Maximieren"
"Minimieren" (erforderlich)
primaryMetric (englisch) [Erforderlich] Name der zu optimierenden Metrik. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

Pipeline-Auftrag

Name BESCHREIBUNG Wert
Eingaben Eingaben für den Pipelineauftrag. PipelineJobInputs
arbeitsplätze Aufträge konstruieren den Pipelineauftrag. PipelineJobJobs
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Pipeline" (erforderlich)
Ergebnisse Ausgaben für den Pipelineauftrag PipelineJobOutputs
Einstellungen Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw. jegliche
sourceJobId ARM-Ressourcen-ID des Quellauftrags. Schnur

PipelineJobInputs

Name BESCHREIBUNG Wert

PipelineJobJobs

Name BESCHREIBUNG Wert

PipelineJobOutputs

Name BESCHREIBUNG Wert

PredictionDriftMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Legen Sie den Wert auf ' Categorical' für den Typ CategoricalPredictionDriftMetricThreshold fest. Legen Sie für den Typ "NumericalPredictionDriftMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

VorhersageDriftÜberwachungSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. PredictionDriftMonitoringSignalFeatureDataTypeOverride
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. PredictionDriftMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "PredictionDrift" (erforderlich)

PredictionDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

PyTorch

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. 'PyTorch' (erforderlich)
processCountPerInstance Anzahl der Prozesse pro Knoten. INT

Queue-Einstellungen

Name BESCHREIBUNG Wert
jobTier Steuert die Berechnungsauftragsebene. "Einfach"
'Null'
"Premium"
"Spot"
"Standard"

RandomSamplingAlgorithmus

Name BESCHREIBUNG Wert
Regel Der spezifische Typ des Zufallsalgorithmus "Zufällig"
"Sobol"
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Zufällig" (erforderlich)
Seed Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll INT

Wiederholungszeitplan

Name BESCHREIBUNG Wert
Stunden [Erforderlich] Liste der Stunden für den Zeitplan. int[] (erforderlich)
Protokoll [Erforderlich] Liste der Minuten für den Zeitplan. int[] (erforderlich)
monthDays Liste der Monatstage für den Zeitplan int[]
Wochentage Liste der Tage für den Zeitplan. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"Freitag"
"Montag"
"Samstag"
"Sonntag"
"Donnerstag"
"Dienstag"
'Mittwoch'

Wiederholungs-Auslöser

Name BESCHREIBUNG Wert
Frequenz [Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans. "Tag"
"Stunde"
"Minute"
"Monat"
"Woche" (erforderlich)
Intervall [Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an. int (erforderlich)
Zeitplan Der Terminplan der Serie. Wiederholungszeitplan
triggerTyp [Erforderlich] "Serie" (erforderlich)

Rückentwicklung

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
primaryMetric (englisch) Primäre Metrik für Regressionsaufgabe. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
'R2Score'
'Spearman-Korrelation'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Regression" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. RegressionTrainingEinstellungen
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

RegressionTrainingEinstellungen

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für Regressionsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
'XGBoostRegressor'
blockedTrainingAlgorithms Blockierte Modelle für Regressionsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
'XGBoostRegressor'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

ResourceBase-Eigenschaften

Name BESCHREIBUNG Wert

ResourceBase-Eigenschaften

Name BESCHREIBUNG Wert

ResourceBaseTags

Name BESCHREIBUNG Wert

ResourceBaseTags

Name BESCHREIBUNG Wert

ResourceConfigurationProperties

Name BESCHREIBUNG Wert

RollingInputData

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Rollen" (erforderlich)
preprocessingComponentId Verweisen auf die Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. Schnur
windowOffset (englisch) [Erforderlich] Der Zeitversatz zwischen dem Ende des Datenfensters und der aktuellen Laufzeit des Monitors. Zeichenfolge (erforderlich)
windowSize [Erforderlich] Die Größe des rollierenden Datenfensters. Zeichenfolge (erforderlich)

SamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType Für den Typ BayesianSamplingAlgorithm auf 'Bayesian' festgelegt. Legen Sie für den Typ "GridSamplingAlgorithm" den Typ "GridsamplingAlgorithm" fest. Für den Typ RandomSamplingAlgorithm auf "Random" festgelegt. "Bayesian"
'Raster'
"Zufällig" (erforderlich)

ScheduleActionBase

Name BESCHREIBUNG Wert
Aktionstyp Legen Sie den Wert auf 'CreateJob' für den Typ JobScheduleAction fest. Legen Sie den Wert auf 'CreateMonitor' für den Typ CreateMonitorAction fest. Legen Sie für den Typ "EndpointScheduleAction" auf "InvokeBatchEndpoint" fest. 'CreateJob'
'CreateMonitor'
'InvokeBatchEndpoint' (erforderlich)

Schedule-Eigenschaften

Name BESCHREIBUNG Wert
Handlung [Erforderlich] Gibt die Aktion des Zeitplans an. ScheduleActionBase (erforderlich)
Beschreibung Der Text der Objektbeschreibung. Schnur
Anzeigename Anzeigename des Zeitplans. Schnur
isEnabled (Aktiviert) Ist der Zeitplan aktiviert? Boolesch
Eigenschaften Das Objekteigenschaftenverzeichnis. ResourceBaseProperties-
Schlagwörter Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. ResourceBaseTags-
Auslöser [Erforderlich] Gibt die Triggerdetails an. TriggerBase (erforderlich)

Saisonalität

Name BESCHREIBUNG Wert
Modus Für den Typ "AutoSeasonality" auf "Auto" festgelegt. Für den Typ CustomSeasonality auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

SparkJob (Englisch)

Name BESCHREIBUNG Wert
Archiv Archivdateien, die im Auftrag verwendet werden. Zeichenfolge[]
Args Argumente für den Auftrag. Schnur
Code-ID [Erforderlich] Arm-ID der Coderessource. Zeichenfolge (erforderlich)
Conf Konfigurierte Spark-Eigenschaften. SparkJobConf
Eintrag [Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll. SparkJobEntry (erforderlich)
Umgebungs-ID Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Schnur
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. SparkJobEnvironmentVariables
Dateien Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. SparkJobInputs
Krüge Jar-Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Spark" (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. SparkJobOutputs
pyDateien Python-Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. SparkResourceConfiguration

SparkJobConf

Name BESCHREIBUNG Wert

SparkJobEntry

Name BESCHREIBUNG Wert
sparkJobEntryType Legen Sie den Wert auf 'SparkJobPythonEntry' für den Typ SparkJobPythonEntry fest. Legen Sie für den Typ SparkJobScalaEntry auf "SparkJobScalaEntry" fest. 'SparkJobPythonEntry'
'SparkJobScalaEntry' (erforderlich)

SparkJobEnvironmentVariables

Name BESCHREIBUNG Wert

SparkJobInputs

Name BESCHREIBUNG Wert

SparkJobOutputs

Name BESCHREIBUNG Wert

SparkJobPython-Eintrag

Name BESCHREIBUNG Wert
Datei [Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
sparkJobEntryType [Erforderlich] Typ des Einstiegspunkts des Auftrags. "SparkJobPythonEntry" (erforderlich)

SparkJobScalaEntry

Name BESCHREIBUNG Wert
Klassenname [Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
sparkJobEntryType [Erforderlich] Typ des Einstiegspunkts des Auftrags. 'SparkJobScalaEntry' (erforderlich)

SparkResourceConfiguration

Name BESCHREIBUNG Wert
instanceType Optionaler Vm-Typ, der vom Computeziel unterstützt wird. Schnur
runtimeVersion Version der Spark-Runtime, die für den Auftrag verwendet wird. Schnur

StackEnsembleSettings

Name BESCHREIBUNG Wert
stackMetaLearnerKWargs Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen. jegliche
stackMetaLearnerTrainPercentage Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2. INT
stackMetaLearnerType Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Keine"

StaticInputData

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Statisch" (erforderlich)
preprocessingComponentId Verweisen auf die Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. Schnur
FensterEnde [Erforderlich] Das Enddatum des Datenfensters. Zeichenfolge (erforderlich)
FensterStarten [Erforderlich] Das Startdatum des Datenfensters. Zeichenfolge (erforderlich)

Sweep-Job

Name BESCHREIBUNG Wert
vorzeitige Kündigung Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind Richtlinie zur vorzeitigen Beendigung
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. SweepJobInputs
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Aufräumen" (erforderlich)
grenzen Grenzwert für "Aufräumen von Auftrag". SweepJobLimits
Ziel [Erforderlich] Optimierungsziel. Ziel (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. SweepJob-Ausgaben
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
samplingAlgorithmus [Erforderlich] Der Hyperparameter-Samplingalgorithmus SamplingAlgorithm (erforderlich)
searchSpace [Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters. beliebig (erforderlich)
Testversion [Erforderlich] Definition der Testkomponente. TrialComponent (erforderlich)

SweepJobInputs

Name BESCHREIBUNG Wert

SweepJobLimits

Name BESCHREIBUNG Wert
jobLimitsTyp [Erforderlich] JobLimit-Typ. 'Befehl'
"Aufräumen" (erforderlich)
maxConcurrentTrials Aufräumen des Auftrags max. gleichzeitige Testversionen. INT
maxTotalTrials "Auftrag aufräumen" max. Gesamtversuche. INT
Zeitüberschreitung Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. Schnur
trialTimeout Timeoutwert für "Testauftrag aufräumen". Schnur

SweepJob-Ausgaben

Name BESCHREIBUNG Wert

TableVerticalFeaturizationSettings

Name BESCHREIBUNG Wert
blockedTransformatoren Diese Transformatoren dürfen nicht bei der Reifung verwendet werden. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'CatTargetEncoder'
'CountVectorizer'
"HashOneHotEncoder"
"LabelEncoder"
"NaiveBayes"
"OneHotEncoder"
'TextTargetEncoder'
"TfIdf"
"WoETargetEncoder"
"WordEmbedding"
columnNameAndTypes Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetSprache Datasetsprache, nützlich für die Textdaten. Schnur
enableDnnFeaturisierung Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen. Boolesch
Modus Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase.
Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt.
Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt.		 "Auto"
'Benutzerdefiniert'
'Aus'
TransformatorParams Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor. TabelleVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Name BESCHREIBUNG Wert

TabelleVerticalFeaturizationSettingsTransformerParams

Name BESCHREIBUNG Wert

TableVerticalLimitSettings

Name BESCHREIBUNG Wert
enableEarlyTermination Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen. Boolesch
exitScore Beenden Sie die Bewertung für den AutoML-Auftrag. INT
maxConcurrentTrials Maximale gleichzeitige Iteration. INT
maxCoresPerTrial Max. Kerne pro Iteration. INT
maxTrials Anzahl der Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur
trialTimeout Iterationstimeout. Schnur

Ziel-Verzögerungen

Name BESCHREIBUNG Wert
Modus Festlegen auf "Auto" für den Typ "AutoTargetLags". Für den Typ CustomTargetLags auf 'Custom' festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

TargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus Legen Sie für den Typ AutoTargetRollingWindowSize auf "Auto" fest. Legen Sie für den Typ CustomTargetRollingWindowSize auf "Benutzerdefiniert" fest. "Auto"
"Benutzerdefiniert" (erforderlich)

TensorFlow

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. "TensorFlow" (erforderlich)
parameterServerAnzahl Anzahl der Parameterserveraufgaben. INT
Mitarbeiteranzahl Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet. INT

Textklassifizierung

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
primaryMetric (englisch) Primäre Metrik für Text-Classification Vorgang. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextClassification' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TextClassificationMultilabel

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextClassificationMultilabel' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TextNer

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextNER' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TopNFeaturesByAttribution

Name BESCHREIBUNG Wert
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. "TopNByAttribution" (erforderlich)
Nach oben Die Anzahl der wichtigsten Features, die einbezogen werden sollen. INT

Testkomponente

Name BESCHREIBUNG Wert
Code-ID ARM-Ressourcen-ID der Coderessource. Schnur
Befehl [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Verteilung Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. DistributionConfiguration (Verteilungskonfiguration)
Umgebungs-ID [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. TrialComponentEnvironmentVariables
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration

TrialComponentEnvironmentVariables

Name BESCHREIBUNG Wert

Auslöser-Basis

Name BESCHREIBUNG Wert
endZeit Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Verweisen Sie auf https://en.wikipedia.org/wiki/ISO_8601.
Rekommentiertes Format wäre "2022-06-01T00:00:01"
Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.		 Schnur
Startzeit Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset. Schnur
Zeitzone Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird.
TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11		 Schnur
triggerTyp Für den Typ "CronTrigger" auf "Cron" festgelegt. Legen Sie den Wert auf " Recurrence" für den Typ "RecurrenceTrigger" fest. "Cron"
"Serie" (erforderlich)

TritonModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "triton_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

TritonModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "triton_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

TruncationSelectionPolicy

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "TruncationSelection" (erforderlich)
trunkcationPercentage (in letzter Prozent) Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen. INT

UriFileJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "uri_file" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

UriFileJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "uri_file" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

UriFolderJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

UriFolderJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "uri_folder" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

UserAssignedIdentities

Name BESCHREIBUNG Wert

UserAssignedIdentity

Name BESCHREIBUNG Wert

Benutzeridentität

Name BESCHREIBUNG Wert
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "UserIdentity" (erforderlich)

Webhook (Webhook)

Name BESCHREIBUNG Wert
Ereignistyp Senden eines Rückrufs für ein angegebenes Benachrichtigungsereignis Schnur
webhookTyp Legen Sie für den Typ "AzureDevOpsWebhook" auf "AzureDevOpsWebhook" fest. "AzureDevOps" (erforderlich)

Verwendungsbeispiele

Terraform -Ressourcendefinition (AzAPI-Anbieter)

Der Ressourcentyp "Arbeitsbereiche/Zeitpläne" kann mit Vorgängen bereitgestellt werden, die auf Folgendes abzielen:

  • Ressourcengruppen

Eine Liste der geänderten Eigenschaften in jeder API-Version finden Sie unter Änderungsprotokoll.

Ressourcenformat

Um eine Microsoft.MachineLearningServices/workspaces/schedules-Ressource zu erstellen, fügen Sie Ihrer Vorlage die folgende Terraform hinzu.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/schedules@2025-04-01"
  name = "string"
  parent_id = "string"
  body = {
    properties = {
      action = {
        actionType = "string"
        // For remaining properties, see ScheduleActionBase objects
      }
      description = "string"
      displayName = "string"
      isEnabled = bool
      properties = {
        {customized property} = "string"
      }
      tags = {
        {customized property} = "string"
      }
      trigger = {
        endTime = "string"
        startTime = "string"
        timeZone = "string"
        triggerType = "string"
        // For remaining properties, see TriggerBase objects
      }
    }
  }
}

IdentityConfiguration-Objekte

Legen Sie die IdentityType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AMLToken Folgendes:

{
  identityType = "AMLToken"
}

Verwenden Sie für "Verwaltet" Folgendes:

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

Verwenden Sie für UserIdentity Folgendes:

{
  identityType = "UserIdentity"
}

MonitorComputeConfigurationBase-Objekte

Legen Sie die computeType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für ServerlessSpark Folgendes:

{
  computeIdentity = {
    computeIdentityType = "string"
    // For remaining properties, see MonitorComputeIdentityBase objects
  }
  computeType = "ServerlessSpark"
  instanceType = "string"
  runtimeVersion = "string"
}

NCrossValidations-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode = "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode = "Custom"
  value = int
}

ScheduleActionBase-Objekte

Legen Sie die actionType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für CreateJob Folgendes:

{
  actionType = "CreateJob"
  jobDefinition = {
    componentId = "string"
    computeId = "string"
    description = "string"
    displayName = "string"
    experimentName = "string"
    identity = {
      identityType = "string"
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived = bool
    notificationSetting = {
      emailOn = [
        "string"
      ]
      emails = [
        "string"
      ]
      webhooks = {
        {customized property} = {
          eventType = "string"
          webhookType = "string"
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties = {
      {customized property} = "string"
    }
    services = {
      {customized property} = {
        endpoint = "string"
        jobServiceType = "string"
        nodes = {
          nodesValueType = "string"
          // For remaining properties, see Nodes objects
        }
        port = int
        properties = {
          {customized property} = "string"
        }
      }
    }
    tags = {
      {customized property} = "string"
    }
    jobType = "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Verwenden Sie für CreateMonitor Folgendes:

{
  actionType = "CreateMonitor"
  monitorDefinition = {
    alertNotificationSettings = {
      emailNotificationSettings = {
        emails = [
          "string"
        ]
      }
    }
    computeConfiguration = {
      computeType = "string"
      // For remaining properties, see MonitorComputeConfigurationBase objects
    }
    monitoringTarget = {
      deploymentId = "string"
      modelId = "string"
      taskType = "string"
    }
    signals = {
      {customized property} = {
        notificationTypes = [
          "string"
        ]
        properties = {
          {customized property} = "string"
        }
        signalType = "string"
        // For remaining properties, see MonitoringSignalBase objects
      }
    }
  }
}

Verwenden Sie für InvokeBatchEndpoint Folgendes:

{
  actionType = "InvokeBatchEndpoint"
  endpointInvocationDefinition = ?
}

EarlyTerminationPolicy-Objekte

Legen Sie die policyType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bandit Folgendes:

{
  policyType = "Bandit"
  slackAmount = int
  slackFactor = int
}

Verwenden Sie für MedianStopping Folgendes:

{
  policyType = "MedianStopping"
}

Verwenden Sie für "TruncationSelection" Folgendes:

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

PredictionDriftMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  dataType = "Categorical"
  metric = "string"
}

Verwenden Sie für "Numerisch" Folgendes:

{
  dataType = "Numerical"
  metric = "string"
}

ForecastHorizon-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode = "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode = "Custom"
  value = int
}

TriggerBase-Objekte

Legen Sie die triggerType-Eigenschaft fest, um den Objekttyp anzugeben.

Für Cron verwenden Sie:

{
  expression = "string"
  triggerType = "Cron"
}

Verwenden Sie für Serie Folgendes:

{
  frequency = "string"
  interval = int
  schedule = {
    hours = [
      int
    ]
    minutes = [
      int
    ]
    monthDays = [
      int
    ]
    weekDays = [
      "string"
    ]
  }
  triggerType = "Recurrence"
}

Knotenobjekte

Legen Sie die nodeValueType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für alle Folgendes:

{
  nodesValueType = "All"
}

MonitorComputeIdentityBase-Objekte

Legen Sie die computeIdentityType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AmlToken Folgendes:

{
  computeIdentityType = "AmlToken"
}

Verwenden Sie für ManagedIdentity-Folgendes:

{
  computeIdentityType = "ManagedIdentity"
  identity = {
    type = "string"
    userAssignedIdentities = {
      {customized property} = {
      }
    }
  }
}

AutoMLVertical-Objekte

Legen Sie die taskType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Klassifizierung Folgendes:

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

Verwenden Sie für Prognose:

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

Verwenden Sie für ImageClassification Folgendes:

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

Verwenden Sie für ImageClassificationMultilabel Folgendes:

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

Verwenden Sie für ImageInstanceSegmentation Folgendes:

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

Verwenden Sie für ImageObjectDetection Folgendes:

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

Verwenden Sie für Regression Folgendes:

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

Verwenden Sie für TextClassification Folgendes:

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

Verwenden Sie für TextClassificationMultilabel Folgendes:

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

Verwenden Sie für TextNER Folgendes:

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

DistributionConfiguration-Objekte

Legen Sie die distributionType-Eigenschaft fest, um den Objekttyp anzugeben.

Für Mpi:

{
  distributionType = "Mpi"
  processCountPerInstance = int
}

Verwenden Sie für PyTorch Folgendes:

{
  distributionType = "PyTorch"
  processCountPerInstance = int
}

Verwenden Sie für TensorFlow Folgendes:

{
  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int
}

MonitoringInputDataBase-Objekte

Legen Sie die inputDataType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Behoben" Folgendes:

{
  inputDataType = "Fixed"
}

Verwenden Sie für rollierende Anwendungen:

{
  inputDataType = "Rolling"
  preprocessingComponentId = "string"
  windowOffset = "string"
  windowSize = "string"
}

Verwenden Sie für "Statisch" Folgendes:

{
  inputDataType = "Static"
  preprocessingComponentId = "string"
  windowEnd = "string"
  windowStart = "string"
}

JobBaseProperties-Objekte

Legen Sie die jobType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AutoML Folgendes:

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

Verwenden Sie für Befehl Folgendes:

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

Verwenden Sie für Pipeline Folgendes:

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

Verwenden Sie für Spark Folgendes:

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

Verwenden Sie für "Aufräumen" Folgendes:

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

MonitoringFeatureFilterBase-Objekte

Legen Sie die filterType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AllFeatures Folgendes:

{
  filterType = "AllFeatures"
}

Verwenden Sie für FeatureSubset Folgendes:

{
  features = [
    "string"
  ]
  filterType = "FeatureSubset"
}

Verwenden Sie für TopNByAttribution Folgendes:

{
  filterType = "TopNByAttribution"
  top = int
}

JobOutput-Objekte

Legen Sie die jobOutputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_model Folgendes:

{
  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"
}

Verwenden Sie für mlflow_model Folgendes:

{
  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Verwenden Sie für mltable:

{
  jobOutputType = "mltable"
  mode = "string"
  uri = "string"
}

Verwenden Sie für triton_model Folgendes:

{
  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"
}

Verwenden Sie für uri_file:

{
  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"
}

Verwenden Sie für uri_folder:

{
  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"
}

MonitoringSignalBase-Objekte

Legen Sie die SignalType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  componentId = "string"
  inputAssets = {
    {customized property} = {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  metricThresholds = [
    {
      metric = "string"
      threshold = {
        value = int
      }
    }
  ]
  signalType = "Custom"
}

Verwenden Sie für DataDrift Folgendes:

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "DataDrift"
}

Verwenden Sie für DataQuality Folgendes:

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  features = {
    filterType = "string"
    // For remaining properties, see MonitoringFeatureFilterBase objects
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see DataQualityMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "DataQuality"
}

Verwenden Sie für FeatureAttributionDrift Folgendes:

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  featureImportanceSettings = {
    mode = "string"
    targetColumn = "string"
  }
  metricThreshold = {
    metric = "string"
    threshold = {
      value = int
    }
  }
  productionData = [
    {
      columns = {
        {customized property} = "string"
      }
      dataContext = "string"
      jobInputType = "string"
      uri = "string"
      inputDataType = "string"
      // For remaining properties, see MonitoringInputDataBase objects
    }
  ]
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "FeatureAttributionDrift"
}

Verwenden Sie für PredictionDrift Folgendes:

{
  featureDataTypeOverride = {
    {customized property} = "string"
  }
  metricThresholds = [
    {
      threshold = {
        value = int
      }
      dataType = "string"
      // For remaining properties, see PredictionDriftMetricThresholdBase objects
    }
  ]
  productionData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  referenceData = {
    columns = {
      {customized property} = "string"
    }
    dataContext = "string"
    jobInputType = "string"
    uri = "string"
    inputDataType = "string"
    // For remaining properties, see MonitoringInputDataBase objects
  }
  signalType = "PredictionDrift"
}

TargetRollingWindowSize-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode = "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode = "Custom"
  value = int
}

Webhook-Objekte

Legen Sie die WebhookType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für AzureDevOps Folgendes:

{
  webhookType = "AzureDevOps"
}

Saisonalitätsobjekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode = "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode = "Custom"
  value = int
}

SparkJobEntry-Objekte

Legen Sie die sparkJobEntryType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für SparkJobPythonEntry Folgendes:

{
  file = "string"
  sparkJobEntryType = "SparkJobPythonEntry"
}

Verwenden Sie für SparkJobScalaEntry Folgendes:

{
  className = "string"
  sparkJobEntryType = "SparkJobScalaEntry"
}

DataQualityMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  dataType = "Categorical"
  metric = "string"
}

Verwenden Sie für "Numerisch" Folgendes:

{
  dataType = "Numerical"
  metric = "string"
}

SamplingAlgorithm-Objekte

Legen Sie die SamplingAlgorithmType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Bayesian Folgendes:

{
  samplingAlgorithmType = "Bayesian"
}

Verwenden Sie für Grid Folgendes:

{
  samplingAlgorithmType = "Grid"
}

Verwenden Sie für Random Folgendes:

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

DataDriftMetricThresholdBase-Objekte

Legen Sie den dataType--Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für Kategorisierung Folgendes:

{
  dataType = "Categorical"
  metric = "string"
}

Verwenden Sie für "Numerisch" Folgendes:

{
  dataType = "Numerical"
  metric = "string"
}

JobInput-Objekte

Legen Sie die jobInputType-Eigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für custom_model Folgendes:

{
  jobInputType = "custom_model"
  mode = "string"
  uri = "string"
}

Verwenden Sie für Literal Folgendes:

{
  jobInputType = "literal"
  value = "string"
}

Verwenden Sie für mlflow_model Folgendes:

{
  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Verwenden Sie für mltable:

{
  jobInputType = "mltable"
  mode = "string"
  uri = "string"
}

Verwenden Sie für triton_model Folgendes:

{
  jobInputType = "triton_model"
  mode = "string"
  uri = "string"
}

Verwenden Sie für uri_file:

{
  jobInputType = "uri_file"
  mode = "string"
  uri = "string"
}

Verwenden Sie für uri_folder:

{
  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"
}

TargetLags-Objekte

Legen Sie die Moduseigenschaft fest, um den Objekttyp anzugeben.

Verwenden Sie für "Auto" Folgendes:

{
  mode = "Auto"
}

Verwenden Sie für "Benutzerdefiniert" Folgendes:

{
  mode = "Custom"
  values = [
    int
  ]
}

Eigenschaftswerte

Microsoft.MachineLearningServices/Arbeitsbereiche/Zeitpläne

Name BESCHREIBUNG Wert
Name Der Ressourcenname Zeichenfolge

Zwänge:
Pattern = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (erforderlich)
Eltern-ID Die ID der Ressource, die das übergeordnete Element für diese Ressource ist. ID für Ressource des Typs: Arbeitsbereiche
Eigenschaften [Erforderlich] Zusätzliche Attribute der Entität. ScheduleProperties- (erforderlich)
Typ Der Ressourcentyp "Microsoft.MachineLearningServices/workspaces/schedules@2025-04-01"

AlleFunktionen

Name BESCHREIBUNG Wert
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. "AllFeatures" (erforderlich)

Alle Knoten

Name BESCHREIBUNG Wert
nodesValueType [Erforderlich] Typ des Knotenwerts "Alle" (erforderlich)

AmlToken

Name BESCHREIBUNG Wert
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "AMLToken" (erforderlich)

AmlTokenComputeIdentity

Name BESCHREIBUNG Wert
computeIdentityType [Erforderlich] Gibt den Identitätstyp an, der in den Überwachungsaufträgen verwendet werden soll. "AmlToken" (erforderlich)

AutoForecastHorizon

Name BESCHREIBUNG Wert
Modus [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. "Auto" (erforderlich)

AutoMLJob

Name BESCHREIBUNG Wert
Umgebungs-ID Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag.
Dies ist optionaler Wert, der bei Ausführung des Auftrags bei der Ausführung des Auftrags standardmäßig autoML für die Produktions-AutoML-zusammengestellte Umgebungsversion bereitstellt.		 Schnur
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. AutoMLJobEnvironmentVariables
Jobtyp [Erforderlich] Gibt den Auftragstyp an. 'AutoML' (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. AutoMLJob-Ausgänge
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration
AufgabenDetails [Erforderlich] Dies stellt ein Szenario dar, das einer der Tabellen/NLP/Image sein kann. AutoMLVertical (erforderlich)

AutoMLJobEnvironmentVariables

Name BESCHREIBUNG Wert

AutoMLJob-Ausgänge

Name BESCHREIBUNG Wert

AutoMLVertical

Name BESCHREIBUNG Wert
logAusführlichkeit Protokoll-Ausführlichkeit für den Auftrag. "Kritisch"
"Debuggen"
'Fehler'
'Infos'
'NotSet'
"Warnung"
targetColumnName Name der Zielspalte: Dies ist die Spalte mit Vorhersagewerten.
Auch als Bezeichnungsspaltenname im Kontext von Klassifizierungsaufgaben bezeichnet.		 Schnur
Aufgabentyp Für die Typklassifizierung auf "Klassifizierung" festgelegt. Legen Sie für den Typ "Prognose" den Typ "Prognose" fest. Wird für den Typ ImageClassification auf 'ImageClassification' festgelegt. Wird für den Typ ImageClassificationMultilabel auf 'ImageClassificationMultilabel' festgelegt. 'ImageInstanceSegmentation' für den Typ 'ImageInstanceSegmentation' festgelegt. Legen Sie für den Typ ImageObjectDetection auf 'ImageObjectDetection' fest. Auf 'Regression' für die Typregression festgelegt. Auf 'TextClassification' für den Typ 'TextClassification' festgelegt. Legen Sie für den Typ "TextClassificationMultilabel" den Typ "TextClassificationMultilabel" fest. Legen Sie 'TextNER' für den Typ "TextNer" fest. "Klassifizierung"
"Prognose"
'Bild-Klassifizierung'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
"Rückschritt"
'Textklassifizierung'
'TextClassificationMultilabel'
'TextNER' (erforderlich)
Trainingsdaten [Erforderlich] Eingabe von Schulungsdaten. MLTableJobInput (erforderlich)

AutoNCrossValidierungen

Name BESCHREIBUNG Wert
Modus [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. "Auto" (erforderlich)

AutoSeasonalität

Name BESCHREIBUNG Wert
Modus [Erforderlich] Saisonalitätsmodus. "Auto" (erforderlich)

AutoTargetLags

Name BESCHREIBUNG Wert
Modus [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert "Auto" (erforderlich)

AutoTargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. "Auto" (erforderlich)

AzureDevOpsWebhook

Name BESCHREIBUNG Wert
webhookTyp [Erforderlich] Gibt den Typ des Diensts an, der einen Rückruf senden soll. "AzureDevOps" (erforderlich)

Banditenpolitik

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "Bandit" (erforderlich)
SlackAmount Absoluter Abstand, der vom besten Lauf erlaubt ist. INT
slackFactor Verhältnis des zulässigen Abstands vom besten Lauf. INT

BayesianSamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Bayesian" (erforderlich)

CategoricalDataDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Datenabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
'PearsonsChiSquaredTest'
"PopulationStabilityIndex" (erforderlich)

CategoricalDataQualityMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Datenqualitätsmetrik, die berechnet werden soll. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (erforderlich)

CategoricalPredictionDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Kategorisieren" (erforderlich)
Maß [Erforderlich] Die kategorisierte Vorhersageabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
'PearsonsChiSquaredTest'
"PopulationStabilityIndex" (erforderlich)

Klassifizierung

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
positivEtikett Positive Bezeichnung für die Berechnung binärer Metriken. Schnur
primaryMetric (englisch) Primäre Metrik für den Vorgang. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Klassifizierung" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. ClassificationTrainingSettings
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

ClassificationTrainingSettings

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für klassifizierungsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'BernoulliNaiveBayes'
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
'XGBoostKlassifikator'
blockedTrainingAlgorithms Blockierte Modelle für klassifizierungsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'BernoulliNaiveBayes'
"DecisionTree"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LightGBM"
"LinearSVM"
"LogisticRegression"
"MultinomialNaiveBayes"
"RandomForest"
"SGD"
"SVM"
'XGBoostKlassifikator'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

ColumnTransformer (Spalten-Transformator)

Name BESCHREIBUNG Wert
Felder Felder, auf die Transformatorlogik angewendet werden soll. Zeichenfolge[]
Parameter Verschiedene Eigenschaften, die an Transformator übergeben werden sollen.
Die erwartete Eingabe ist das Wörterbuch von Schlüssel-Wert-Paaren im JSON-Format.		 jegliche

BefehlAuftrag

Name BESCHREIBUNG Wert
Code-ID ARM-Ressourcen-ID der Coderessource. Schnur
Befehl [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Verteilung Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. DistributionConfiguration (Verteilungskonfiguration)
Umgebungs-ID [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. BefehlJobUmgebungsvariablen
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. BefehlJobEingaben
Jobtyp [Erforderlich] Gibt den Auftragstyp an. 'Befehl' (erforderlich)
grenzen Befehlsauftragslimit. BefehlJobLimits
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. CommandJobOutputs
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration

BefehlJobUmgebungsvariablen

Name BESCHREIBUNG Wert

BefehlJobEingaben

Name BESCHREIBUNG Wert

BefehlJobLimits

Name BESCHREIBUNG Wert
jobLimitsTyp [Erforderlich] JobLimit-Typ. 'Befehl'
"Aufräumen" (erforderlich)
Zeitüberschreitung Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. Schnur

CommandJobOutputs

Name BESCHREIBUNG Wert

CreateMonitorAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'CreateMonitor' (erforderlich)
monitorDefinition [Erforderlich] Definiert den Monitor. MonitorDefinition (erforderlich)

CronTrigger (Englisch)

Name BESCHREIBUNG Wert
Ausdruck [Erforderlich] Gibt den Cronausdruck des Zeitplans an.
Der Ausdruck sollte dem NCronTab-Format folgen.		 Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
triggerTyp [Erforderlich] "Cron" (erforderlich)

CustomForecastHorizon

Name BESCHREIBUNG Wert
Modus [Erforderlich] Legen Sie den Auswahlmodus für den Prognosehorizont fest. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] Prognosehorizontwert. int (erforderlich)

CustomMetricThreshold

Name BESCHREIBUNG Wert
Maß [Erforderlich] Die benutzerdefinierte Metrik, die berechnet werden soll. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

CustomModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

CustomModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "custom_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

CustomMonitoringSignal

Name BESCHREIBUNG Wert
Komponenten-ID [Erforderlich] Verweis auf die Komponentenressource, die zum Berechnen der benutzerdefinierten Metriken verwendet wird. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
inputAssets Überwachen von Ressourcen, die als Eingabe verwendet werden sollen. Der Schlüssel ist der Name des Komponenteneingabeports, der Wert ist die Datenressource. CustomMonitoringSignalInputAssets
Eingaben Zusätzliche Komponentenparameter, die als Eingabe verwendet werden sollen. Schlüssel ist der Name des Literaleingabeports der Komponente, der Wert ist der Parameterwert. CustomMonitoringSignalInputs
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. CustomMetricThreshold[] (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Benutzerdefiniert" (erforderlich)

CustomMonitoringSignalInputAssets

Name BESCHREIBUNG Wert

CustomMonitoringSignalInputs

Name BESCHREIBUNG Wert

CustomNCrossValidations

Name BESCHREIBUNG Wert
Modus [Erforderlich] Modus zum Ermitteln von N-Kreuzüberprüfungen. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] N-Kreuzüberprüfungswert. int (erforderlich)

GewohnheitSaisonalität

Name BESCHREIBUNG Wert
Modus [Erforderlich] Saisonalitätsmodus. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] Saisonalitätswert. int (erforderlich)

CustomTargetLags

Name BESCHREIBUNG Wert
Modus [Erforderlich] Festlegen des Zielverzögerungsmodus – Auto/Benutzerdefiniert "Benutzerdefiniert" (erforderlich)
Werte [Erforderlich] Festlegen von Zielverzögerungswerten int[] (erforderlich)

CustomTargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus [Erforderlich] TargetRollingWindowSiz-Erkennungsmodus. "Benutzerdefiniert" (erforderlich)
Wert [Erforderlich] TargetRollingWindowSize-Wert. int (erforderlich)

DataDriftMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Legen Sie den Wert auf ' Categorical' für den Typ CategoricalDataDriftMetricThreshold fest. Legen Sie für den Typ "NumericalDataDriftMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

DataDriftMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. DataDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceEinstellungen
Funktionen Der Featurefilter, der angibt, welches Feature die Abweichung berechnen soll. ÜberwachungFeatureFilterBasis
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. DataDriftMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'DataDrift' (erforderlich)

DataDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

DataQualityMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Für den Typ "CategoricalDataQualityMetricThreshold" auf "CategoricalDataQualityMetricThreshold" festgelegt. Legen Sie für den Typ "NumericalDataQualityMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

DatenQualitätMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. DataQualityMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceEinstellungen
Funktionen Die Features zum Berechnen der Abweichung. ÜberwachungFeatureFilterBasis
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. DataQualityMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die von der Produktionsleistung erzeugten Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'DataQuality' (erforderlich)

DataQualityMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

DistributionConfiguration (Verteilungskonfiguration)

Name BESCHREIBUNG Wert
distributionType Legen Sie den Wert auf 'Mpi' für den Typ MPI fest. 'PyTorch' für den Typ 'PyTorch' festgelegt. Wird für den Typ TensorFlow auf 'TensorFlow' festgelegt. "Mpi"
"PyTorch"
"TensorFlow" (erforderlich)

Richtlinie zur vorzeitigen Beendigung

Name BESCHREIBUNG Wert
delayEvaluation Anzahl der Intervalle, um die die erste Auswertung verzögert werden soll. INT
evaluationIntervall Intervall (Anzahl der Ausführungen) zwischen Richtlinienauswertungen. INT
policyType Für den Typ " BanditPolicy" auf "BanditPolicy" festgelegt. Wird für den Typ "MedianStoppingPolicy" auf "MedianStoppingPolicy" festgelegt. Legen Sie für den Typ "TruncationSelectionPolicy" auf "TruncationSelectionPolicy" fest. "Bandit"
"MedianStopping"
"TruncationSelection" (erforderlich)

EndpunktScheduleAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'InvokeBatchEndpoint' (erforderlich)
endpointInvocationDefinition [Erforderlich] Definiert Details zur Definition der Zeitplanaktion.
<siehe href="TBD" />		 beliebig (erforderlich)

FeatureAttributionDriftMonitoringSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride
featureImportanceEinstellungen [Erforderlich] Die Einstellungen für die Wichtigkeit der Computerfunktion. FeatureImportanceSettings (erforderlich)
MetrikThreshold [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. FeatureAttributionMetricThreshold (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase[] (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'FeatureAttributionDrift' (erforderlich)

FeatureAttributionDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

FeatureAttributionMetricThreshold

Name BESCHREIBUNG Wert
Maß [Erforderlich] Die Zuschreibungsmetrik der Funktion, die berechnet werden soll. "NormalizedDiscountedCumulativeGain" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

FeatureImportanceEinstellungen

Name BESCHREIBUNG Wert
Modus Der Betriebsmodus für die Wichtigkeit der Computerfunktion. "Deaktiviert"
"Aktiviert"
target-Spalte Der Name der Zielspalte innerhalb der Eingabedatenressource. Schnur

FeatureTeilmenge

Name BESCHREIBUNG Wert
Funktionen [Erforderlich] Die Liste der einzuschließden Features. string[] (erforderlich)
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. 'FeatureSubset' (erforderlich)

FixedInputData (FesteEingabedaten)

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Fixed" (erforderlich)

Prognosehorizont

Name BESCHREIBUNG Wert
Modus Für den Typ "AutoForecastHorizon" auf "Auto" festgelegt. Für den Typ CustomForecastHorizon auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

Prognose

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
PrognoseEinstellungen Vorhersageaufgabenspezifische Eingaben. Prognose-Einstellungen
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
primaryMetric (englisch) Primäre Metrik für den Prognosevorgang. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
'R2Score'
'Spearman-Korrelation'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Prognose" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. ForecastingTrainingSettings
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

Prognose-Einstellungen

Name BESCHREIBUNG Wert
countryOrRegionForHolidays Land oder Region für Feiertage für Prognosevorgänge.
Dabei sollte es sich um ISO 3166-Länder-/Regionscodes mit zwei Buchstaben, z. B. "US" oder "GB", handelt.		 Schnur
cvStepSize Anzahl der Perioden zwischen der Ursprungszeit einer CV-Faltung und der nächsten Faltung. Für
Wenn z. B. CVStepSize = 3 für tägliche Daten die Ursprungszeit für jede Faltung ist
drei Tage auseinander.		 INT
featureVerzögerungen Flag zum Generieren von Verzögerungen für die numerischen Features mit "auto" oder NULL. "Auto"
"Keine"
PrognoseHorizont Der gewünschte maximale Prognosehorizont in Einheiten der Zeitreihenhäufigkeit. Prognosehorizont
Frequenz Bei der Prognose stellt dieser Parameter den Zeitraum dar, mit dem die Prognose gewünscht wird, z. B. täglich, wöchentlich, jährlich usw. Die Prognosehäufigkeit ist standardmäßig die Datasethäufigkeit. Schnur
saisonalität Legen Sie die Saisonalität der Zeitreihen als ganzzahliges Vielfaches der Datenreihenhäufigkeit fest.
Wenn die Saisonalität auf "auto" festgelegt ist, wird sie abgeleitet.		 Saisonalität
shortSeriesHandlingConfig Der Parameter, der definiert, wie AutoML kurze Zeitreihen verarbeiten soll. "Auto"
"Fallen"
"Keine"
"Pad"
targetAggregateFunction Die Funktion, die verwendet werden soll, um die Zielspalte der Zeitreihe zu aggregieren, um einer vom Benutzer angegebenen Häufigkeit zu entsprechen.
Wenn die TargetAggregateFunction festgelegt ist, d. h. nicht 'None', aber der Freq-Parameter nicht festgelegt ist, wird der Fehler ausgelöst. Die möglichen Zielaggregationsfunktionen sind: "summe", "max", "min" und "mean".		 "Max"
"Mittelwert"
"Min"
"Keine"
"Summe"
targetLags Die Anzahl der letzten Perioden, die von der Zielspalte liegen sollen. Ziel-Verzögerungen
targetRollingWindowSize Die Anzahl der letzten Zeiträume, die zum Erstellen eines rollierenden Fensterdurchschnitts der Zielspalte verwendet werden. TargetRollingWindowSize
timeColumnName (ZeitSpaltenname) Der Name der Zeitspalte. Dieser Parameter ist erforderlich, wenn die Prognose die Datetime-Spalte in den Eingabedaten angibt, die zum Erstellen der Zeitreihe verwendet werden, und die Häufigkeit ableiten. Schnur
timeSeriesIdColumnNames Die Namen von Spalten, die zum Gruppieren einer Zeitserie verwendet werden. Sie kann verwendet werden, um mehrere Serien zu erstellen.
Wenn Korn nicht definiert ist, wird davon ausgegangen, dass es sich um eine Zeitreihe handelt. Dieser Parameter wird für die Prognose des Vorgangstyps verwendet.		 Zeichenfolge[]
useStl Konfigurieren sie die STL-Analyse der Zielspalte der Zeitreihe. "Keine"
"Saison"
"SeasonTrend"

ForecastingTrainingSettings

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für den Prognosevorgang. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'Arimax'
'AutoArima'
"Mittelwert"
"DecisionTree"
"ElasticNet"
"Exponentialsmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"Naiv"
"Prophet"
"RandomForest"
"Saisonalwert"
"Saisonnaive"
"SGD"
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Blockierte Modelle für den Prognosevorgang. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'Arimax'
'AutoArima'
"Mittelwert"
"DecisionTree"
"ElasticNet"
"Exponentialsmoothing"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"Naiv"
"Prophet"
"RandomForest"
"Saisonalwert"
"Saisonnaive"
"SGD"
'TCNForecaster'
'XGBoostRegressor'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

GridSamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Raster" (erforderlich)

IdentityConfiguration (Identität)

Name BESCHREIBUNG Wert
Identitätstyp Legen Sie den Wert auf 'AMLToken' für den Typ AmlToken fest. Für den Typ "ManagedIdentity" auf "Managed" festgelegt. Auf "UserIdentity" für den Typ "UserIdentity" festgelegt. "AMLToken"
"Verwaltet"
"UserIdentity" (erforderlich)

Bild-Klassifizierung

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsKlassifizierung
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsClassification[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageClassification' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageClassificationMultilabel

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsKlassifizierung
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"IOU"
"NormMacroRecall"
'PrecisionScoreGewichtet'
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsClassification[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageClassificationMultilabel' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageInstanceSegmentation

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsObjectDetection
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "MeanAveragePrecision"
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsObjectDetection[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageInstanceSegmentation' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageLimit-Einstellungen

Name BESCHREIBUNG Wert
maxConcurrentTrials Maximale Anzahl gleichzeitiger AutoML-Iterationen. INT
maxTrials Maximale Anzahl von AutoML-Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur

ImageModelDistributionSettingsKlassifizierung

Name BESCHREIBUNG Wert
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Schnur
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
verteilt Gibt an, ob die Verteilungsschulung verwendet werden soll. Schnur
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Schnur
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 Schnur
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 Schnur
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Schnur
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. Schnur
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 Schnur
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 Schnur
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. Schnur
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Schnur
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. Schnur
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. Schnur
Optimierer Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. Schnur
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. Schnur
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. Schnur
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. Schnur
trainingCropSize Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. Schnur
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. Schnur
validationCropSize Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. Schnur
validationResizeSizeSize Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. Schnur
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. Schnur
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. Schnur
weightedLoss Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust.
1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.		 Schnur

ImageModelDistributionSettingsObjectDetection

Name BESCHREIBUNG Wert
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Schnur
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
boxDetectionsPerImage Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
boxScoreSchwellenwert Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als
BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].		 Schnur
verteilt Gibt an, ob die Verteilungsschulung verwendet werden soll. Schnur
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Schnur
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 Schnur
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 Schnur
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Schnur
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. Schnur
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 Schnur
Bildgröße Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein.
Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 Schnur
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. Schnur
maxGröße Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
minGröße Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
ModellGröße Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein.
Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
MultiScale Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%.
Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Schnur
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Schnur
nmsIouThreshold IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss im Bereich [0, 1] gleiten. Schnur
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. Schnur
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. Schnur
Optimierer Typ des Optimierrs. Muss entweder 'sgd', 'adam' oder 'adamw' sein. Schnur
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. Schnur
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. Schnur
tileGridSize Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein
Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tileOverlapRatio Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tilePredictionsNmsThreshold Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern.
Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.
NMS: Nicht maximale Unterdrückung		 Schnur
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. Schnur
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. Schnur
validationIouThreshold IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. Schnur
validationMetricType Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. Muss "none", "coco", "voc" oder "coco_voc" sein. Schnur
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. Schnur
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. Schnur
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. Schnur

ImageModelSettingsKlassifizierung

Name BESCHREIBUNG Wert
erweitertEinstellungen Einstellungen für erweiterte Szenarien. Schnur
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Boolesch
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
checkpointHäufigkeit Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. INT
PrüfpunktModell Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. MLFlowModelJobInput
checkpointRunId Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. Schnur
verteilt Gibt an, ob verteilte Schulungen verwendet werden sollen. Boolesch
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Boolesch
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 INT
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 INT
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Boolesch
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. INT
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 INT
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 INT
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. "Keine"
"Schritt"
"WarmupCosine"
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Boolesch
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. INT
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. INT
Optimierer Typ des Optimierrs. "Adam"
"Adamw"
"Keine"
'Sgd'
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. INT
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. INT
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. INT
trainingCropSize Bildzuschneidegröße, die in das neurale Netzwerk für das Schulungsdatenset eingegeben wird. Muss eine positive ganze Zahl sein. INT
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. INT
validationCropSize Bildzuschneidegröße, die für das Validierungsdatenset in das neurale Netzwerk eingegeben wird. Muss eine positive ganze Zahl sein. INT
validationResizeSizeSize Bildgröße, für die die Größe vor dem Zuschneiden des Gültigkeits-Datasets geändert werden soll. Muss eine positive ganze Zahl sein. INT
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. INT
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. INT
weightedLoss Gewichtete Verlust. Die akzeptierten Werte sind 0 für keinen gewichteten Verlust.
1 für gewichteten Verlust mit sqrt. (class_weights). 2 für gewichtete Verlust mit class_weights. Muss 0 oder 1 oder 2 sein.		 INT

ImageModelSettingsObjectDetection

Name BESCHREIBUNG Wert
erweitertEinstellungen Einstellungen für erweiterte Szenarien. Schnur
amsGradient Aktivieren Sie AMSGrad, wenn der Optimierer "adam" oder "adamw" ist. Boolesch
Vergrößerungen Einstellungen für die Verwendung von Augmentations. Schnur
Beta1 Wert von "Beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
Beta2 Wert von 'Beta2', wenn der Optimierer 'adam' oder 'adamw' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
boxDetectionsPerImage Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Muss eine positive ganze Zahl sein.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
boxScoreSchwellenwert Während des Rückschlusses geben nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als
BoxScoreThreshold. Muss ein Gleitkomma im Bereich sein[0, 1].		 INT
checkpointHäufigkeit Häufigkeit zum Speichern von Modellprüfpunkten. Muss eine positive ganze Zahl sein. INT
PrüfpunktModell Das vortrainierte Prüfpunktmodell für inkrementelle Schulungen. MLFlowModelJobInput
checkpointRunId Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für inkrementelle Schulungen. Schnur
verteilt Gibt an, ob verteilte Schulungen verwendet werden sollen. Boolesch
earlyStopping Aktivieren Sie die Logik während der Schulung frühzeitig beenden. Boolesch
earlyStoppingVerzögerung Minimale Anzahl von Epochen oder Validierungsauswertungen, die vor der primären Metrikverbesserung warten
wird für einen frühen Stopp nachverfolgt. Muss eine positive ganze Zahl sein.		 INT
frühAnhaltenGeduld Mindestanzahl von Epochen oder Validierungsbewertungen ohne primäre Metrikverbesserung vor
die Ausführung wird beendet. Muss eine positive ganze Zahl sein.		 INT
enableOnnxNormalisierung Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells. Boolesch
evaluationHäufigkeit Häufigkeit zum Auswerten des Validierungsdatensets zum Abrufen von Metrikergebnissen. Muss eine positive ganze Zahl sein. INT
gradientAccumulationSchritt Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ohne
Aktualisieren der Modellgewichte beim Akkumulieren der Farbverläufe dieser Schritte und anschließendes Verwenden von
die akkumulierten Farbverläufe, um die Gewichtungsaktualisierungen zu berechnen. Muss eine positive ganze Zahl sein.		 INT
Bildgröße Bildgröße für Train und Validierung. Muss eine positive ganze Zahl sein.
Hinweis: Der Trainingslauf kann in CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 INT
layersToFreeze Anzahl der Ebenen, die für das Modell fixiert werden sollen. Muss eine positive ganze Zahl sein.
Beispielsweise bedeutet die Übergabe von 2 als Wert für "seresnext"
Einfrieren von Schicht0 und Ebene1. Eine vollständige Liste der unterstützten Modelle und Details zum Fixieren der Ebene finden Sie bitte
siehe: /azure/machine-learning/how-to-auto-train-image-models.		 INT
learningRate Anfängliche Lernrate. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
learningRateScheduler Typ des Lernrate-Zeitplans. Muss "warmup_cosine" oder "Schritt" sein. "Keine"
"Schritt"
"WarmupCosine"
maxGröße Maximale Größe des Bilds, das neu skaliert werden soll, bevor es in das Backbone verschoben wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
minGröße Mindestgröße des Bilds, das neu skaliert werden soll, bevor es in das Backbone eingespeist wird.
Muss eine positive ganze Zahl sein. Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Größe zu groß ist.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
Modellname Der Name des Modells, das für die Schulung verwendet werden soll.
Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation:
/azure/machine-learning/how-to-auto-train-image-models.		 Schnur
ModellGröße Modellgröße. Muss "klein", "mittel", "groß" oder "xlarge" sein.
Hinweis: Der Trainingslauf kann zu CUDA OOM kommen, wenn die Modellgröße zu groß ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 "ExtraLarge"
"Groß"
"Mittel"
"Keine"
"Klein"
Impuls Wert der Dynamik, wenn Optimierer 'sgd' ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
MultiScale Aktivieren Sie das Bild mit mehreren Skalierungen durch unterschiedliche Bildgröße um +/- 50%.
Hinweis: Der Schulungslauf kann in CUDA OOM erfolgen, wenn kein ausreichender GPU-Speicher vorhanden ist.
Hinweis: Diese Einstellungen werden nur für den Algorithmus "yolov5" unterstützt.		 Boolesch
Nesterov Aktivieren Sie nesterov, wenn der Optimierer "sgd" ist. Boolesch
nmsIouThreshold IOU-Schwellenwert, der während der Ableitung in der NMS-Nachbearbeitung verwendet wird. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
AnzahlVonEpochen Anzahl der Ausbildungszeiten. Muss eine positive ganze Zahl sein. INT
AnzahlDerArbeiter Anzahl der Datenlademitarbeiter. Muss eine nicht negative ganze Zahl sein. INT
Optimierer Typ des Optimierrs. "Adam"
"Adamw"
"Keine"
'Sgd'
randomSeed Zufälliger Seed, der bei Verwendung deterministischer Schulungen verwendet werden soll. INT
SchrittLRGamma Der Wert des Gammawerts, wenn der Lernrate-Scheduler "Schritt" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
SchrittLRStepSize Der Wert der Schrittgröße, wenn der Lernrateplaner "Schritt" ist. Muss eine positive ganze Zahl sein. INT
tileGridSize Die Rastergröße, die zum Nebeneinander der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht sein
Keines, um kleine Objekterkennungslogik zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im Mxn-Format enthält.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 Schnur
tileOverlapRatio Überlappungsverhältnis zwischen angrenzenden Kacheln in jeder Dimension. Muss im Bereich [0, 1) gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
tilePredictionsNmsThreshold Der IOU-Schwellenwert zum Ausführen von NMS beim Zusammenführen von Vorhersagen von Kacheln und Bildern.
Wird in Überprüfung/Rückschluss verwendet. Muss im Bereich [0, 1] gleiten.
Hinweis: Diese Einstellungen werden für den Algorithmus "yolov5" nicht unterstützt.		 INT
trainingBatchSize Schulungsbatchgröße. Muss eine positive ganze Zahl sein. INT
validationBatchSize Batchgröße der Überprüfung. Muss eine positive ganze Zahl sein. INT
validationIouThreshold IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] gleiten. INT
validationMetricType Metrische Berechnungsmethode, die für Validierungsmetriken verwendet werden soll. "Coco"
"CocoVoc"
"Keine"
"Voc"
AufwärmenCosinusLRKykel Der Wert des Kosinuszyklus, wenn der Lernrateplaner "warmup_cosine" ist. Muss ein Gleitkomma im Bereich [0, 1] sein. INT
warmupCosineLRWarmupEpochen Wert der Warmup-Epochen, wenn der Lernratenplaner "warmup_cosine" ist. Muss eine positive ganze Zahl sein. INT
GewichtZerfall Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" lautet. Muss ein Gleitkomma im Bereich sein[0, 1]. INT

ImageObjectDetection

Name BESCHREIBUNG Wert
limitEinstellungen [Erforderlich] Beschränken Sie die Einstellungen für den AutoML-Auftrag. ImageLimitSettings (erforderlich)
Modell-Einstellungen Einstellungen, die für die Schulung des Modells verwendet werden. ImageModelSettingsObjectDetection
primaryMetric (englisch) Primäre Metrik, die für diesen Vorgang optimiert werden soll. "MeanAveragePrecision"
searchSpace Suchbereich zum Sampling verschiedener Kombinationen von Modellen und deren Hyperparametern. ImageModelDistributionSettingsObjectDetection[]
sweep-Einstellungen Modellüberräumung und hyperparameterbezogene Einstellungen. ImageSweep-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'ImageObjectDetection' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT

ImageSweep-Einstellungen

Name BESCHREIBUNG Wert
vorzeitige Kündigung Art der Richtlinie zur vorzeitigen Beendigung. Richtlinie zur vorzeitigen Beendigung
samplingAlgorithmus [Erforderlich] Typ der Hyperparameter-Samplingalgorithmen. "Bayesian"
'Raster'
"Zufällig" (erforderlich)

JobBase-Eigenschaften

Name BESCHREIBUNG Wert
Komponenten-ID ARM-Ressourcen-ID der Komponentenressource. Schnur
computeId ARM-Ressourcen-ID der Computeressource. Schnur
Beschreibung Der Text der Objektbeschreibung. Schnur
Anzeigename Anzeigename des Auftrags. Schnur
Name des Experiments Der Name des Experiments, zu dem der Auftrag gehört. Wenn nicht festgelegt, wird der Auftrag im Experiment "Standard" platziert. Schnur
Identität Identitätskonfiguration. Wenn festgelegt, sollte dies eine von AmlToken, ManagedIdentity, UserIdentity oder NULL sein.
Der Standardwert ist AmlToken, wenn null.		 IdentityConfiguration (Identität)
isArchiviert Ist die Ressource archiviert? Boolesch
Jobtyp Legen Sie für den Typ AutoMLJob auf 'AutoML' fest. Legen Sie für "CommandJob" den Typ "CommandJob" fest. Legen Sie für den Typ "PipelineJob" den Typ "PipelineJob" fest. Legen Sie den Wert auf "Spark" für den Typ "SparkJob" fest. Legen Sie "Aufräumen" für den Typ "SweepJob" fest. "AutoML"
'Befehl'
"Pipeline"
"Spark"
"Aufräumen" (erforderlich)
notificationEinstellung Benachrichtigungseinstellung für den Auftrag NotificationSetting-
Eigenschaften Das Objekteigenschaftenverzeichnis. ResourceBaseProperties-
Dienste Liste der JobEndpoints.
Für lokale Aufträge verfügt ein Auftragsendpunkt über einen Endpunktwert von FileStreamObject.		 JobBaseDienstleistungen
Schlagwörter Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. ResourceBaseTags-

JobBaseDienstleistungen

Name BESCHREIBUNG Wert

JobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType Legen Sie für den Typ CustomModelJobInput auf "custom_model" fest. Wird für den Typ "LiteralJobInput" auf "literal" festgelegt. Legen Sie für den Typ "MLFlowModelJobInput" auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobInput auf "mltable" fest. Legen Sie für den Typ TritonModelJobInput auf "triton_model" fest. Legen Sie für den Typ "UriFileJobInput" auf "uri_file" fest. Legen Sie für den Typ "UriFolderJobInput" auf "uri_folder" fest. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)

Job-Ausgabe

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Ausgabe. Schnur
jobOutputType Legen Sie für den Typ CustomModelJobOutput auf "custom_model" fest. Legen Sie für den Typ MLFlowModelJobOutput auf "mlflow_model" fest. Legen Sie für den Typ MLTableJobOutput auf "mltable" fest. Legen Sie für den Typ TritonModelJobOutput auf "triton_model" fest. Legen Sie für den Typ "UriFileJobOutput" auf "uri_file" fest. Legen Sie für den Typ "UriFolderJobOutput" auf "uri_folder" fest. "custom_model"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)

JobResourceConfiguration

Name BESCHREIBUNG Wert
dockerArgs Zusätzliche Argumente, die an den Docker-Ausführungsbefehl übergeben werden sollen. Dadurch würden alle Parameter außer Kraft gesetzt, die bereits vom System oder in diesem Abschnitt festgelegt wurden. Dieser Parameter wird nur für Azure ML-Computetypen unterstützt. Schnur
instanceCount (InstanzAnzahl) Optionale Anzahl von Instanzen oder Knoten, die vom Computeziel verwendet werden. INT
instanceType Optionaler Vm-Typ, der vom Computeziel unterstützt wird. Schnur
Eigenschaften Zusätzlicher Eigenschaftenbehälter. ResourceConfigurationProperties-
shmGröße Größe des freigegebenen Speicherblocks des Docker-Containers. Dies sollte im Format (Zahl) (Einheit) liegen, wobei die Zahl größer als 0 sein soll und die Einheit eine von b(Bytes), k(Kilobyte), m(Megabyte) oder g(Gigabyte) sein kann. Zeichenfolge

Zwänge:
Muster = \d+[bBkKmMgG]

JobScheduleAktion

Name BESCHREIBUNG Wert
Aktionstyp [Erforderlich] Gibt den Aktionstyp des Zeitplans an. 'CreateJob' (erforderlich)
jobDefinition [Erforderlich] Definiert Details zur Definition der Zeitplanaktion. JobBaseProperties (erforderlich)

Arbeitsdienst

Name BESCHREIBUNG Wert
Endpunkt URL für Endpunkt. Schnur
jobServiceType Endpunkttyp. Schnur
Knoten Knoten, auf denen der Benutzer den Dienst starten möchte.
Wenn Knoten nicht auf NULL festgelegt oder festgelegt sind, wird der Dienst nur auf Füllzeichenknoten gestartet.		 Knoten
Hafen Port für Endpunkt. INT
Eigenschaften Zusätzliche Eigenschaften, die für den Endpunkt festgelegt werden sollen. JobServiceEigenschaften

JobServiceEigenschaften

Name BESCHREIBUNG Wert

LiteralJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "literal" (erforderlich)
Wert [Erforderlich] Literalwert für die Eingabe. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

ManagedComputeIdentity

Name BESCHREIBUNG Wert
computeIdentityType [Erforderlich] Gibt den Identitätstyp an, der in den Überwachungsaufträgen verwendet werden soll. "ManagedIdentity" (erforderlich)
Identität Die Identität, die von den Überwachungsaufträgen genutzt wird. ManagedServiceIdentity-

Verwaltete Identität

Name BESCHREIBUNG Wert
Kunden-ID Gibt eine vom Benutzer zugewiesene Identität nach Client-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Zeichenfolge

Zwänge:
Min. Länge = 36
Maximale Länge = 36
Muster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "Verwaltet" (erforderlich)
Objekt-ID Gibt eine vom Benutzer zugewiesene Identität nach Objekt-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Zeichenfolge

Zwänge:
Min. Länge = 36
Maximale Länge = 36
Muster = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
Ressourcen-ID Gibt eine vom Benutzer zugewiesene Identität durch ARM-Ressourcen-ID an. Legen Sie für das vom System zugewiesene Feld nicht fest. Schnur

Verwaltete Dienstidentität

Name BESCHREIBUNG Wert
Typ Typ der verwalteten Dienstidentität (wobei systemAssigned- und UserAssigned-Typen zulässig sind). "Keine"
'SystemZugewiesen'
"SystemAssigned,UserAssigned"
"UserAssigned" (erforderlich)
vom Benutzer zugewiesene Identitäten Die Gruppe der benutzerzuweisungen Identitäten, die der Ressource zugeordnet sind. Die Wörterbuchschlüssel "userAssignedIdentities" sind ARM-Ressourcen-IDs im Formular: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Die Wörterbuchwerte können leere Objekte ({}) in Anforderungen sein. UserAssignedIdentities-

MedianStoppingRichtlinie

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "MedianStopping" (erforderlich)

MLFlowModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "mlflow_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLFlowModelJobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLFlowModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "mlflow_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

MLTableJobInput

Name BESCHREIBUNG Wert
Beschreibung Beschreibung für die Eingabe. Schnur
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLTableJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "mltable" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MLTableJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "mltable" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

MonitorComputeConfigurationBase

Name BESCHREIBUNG Wert
computeType Auf "ServerlessSpark" für den Typ "MonitorServerlessSparkCompute" festgelegt. 'ServerlessSpark' (erforderlich)

MonitorComputeIdentityBase

Name BESCHREIBUNG Wert
computeIdentityType Legen Sie für den Typ "AmlTokenComputeIdentity" auf "AmlTokenComputeIdentity" fest. Legen Sie für den Typ "ManagedComputeIdentity" auf "ManagedIdentity" fest. "AmlToken"
"ManagedIdentity" (erforderlich)

MonitorDefinition

Name BESCHREIBUNG Wert
alertNotificationSettings Die Benachrichtigungseinstellungen des Monitors. MonitorNotificationEinstellungen
computeConfiguration [Erforderlich] Die ARM-Ressourcen-ID der Computeressource, auf der der Überwachungsauftrag ausgeführt werden soll. MonitorComputeConfigurationBase (erforderlich)
monitoringZiel Die entitäten, die vom Monitor ausgerichtet sind. MonitoringZiel
Signale [Erforderlich] Die zu überwachenden Signale. MonitorDefinitionSignals (erforderlich)

MonitorDefinitionSignale

Name BESCHREIBUNG Wert

MonitorEmailNotificationEinstellungen

Name BESCHREIBUNG Wert
E-Mails Die E-Mail-Empfängerliste mit einer Beschränkung von insgesamt 499 Zeichen. Zeichenfolge[]

ÜberwachungFeatureFilterBasis

Name BESCHREIBUNG Wert
filterTyp Auf "AllFeatures" für den Typ "AllFeatures" festgelegt. Legen Sie diesen Wert auf 'FeatureSubset' für den Typ FeatureSubset fest. Legen Sie für den Typ "TopNFeaturesByAttribution" auf "TopNByAttribution" fest. "AllFeatures"
'FeatureTeilmenge'
"TopNByAttribution" (erforderlich)

MonitoringInputDataBase

Name BESCHREIBUNG Wert
Spalten Zuordnung von Spaltennamen zu speziellen Verwendungen. MonitoringInputDataBaseColumns
dataContext (englisch) Die Kontextmetadaten der Datenquelle. Schnur
inputDataType Für den Typ FixedInputData auf "Fixed" festgelegt. Legen Sie für " RollingInputData" den Typ "RollingInputData" fest. Legen Sie für den Typ StaticInputData auf "Static" fest. "Behoben"
'Roll'
"Statisch" (erforderlich)
jobInputType [Erforderlich] Gibt den Auftragstyp an. "custom_model"
"Literal"
"mlflow_model"
"mltable"
"triton_model"
"uri_file"
"uri_folder" (erforderlich)
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

MonitoringInputDataBaseColumns

Name BESCHREIBUNG Wert

MonitoringSignalBase

Name BESCHREIBUNG Wert
notification-Typen Der aktuelle Benachrichtigungsmodus für dieses Signal. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"AmlNotification"
Eigenschaften Eigenschaftenwörterbuch. Eigenschaften können hinzugefügt, aber nicht entfernt oder geändert werden. MonitoringSignalBaseProperties
Signaltyp Für den Typ CustomMonitoringSignal auf "Benutzerdefiniert" festgelegt. Legen Sie 'DataDrift' für den Datentyp 'DataDriftMonitoringSignal' fest. Legen Sie 'DataQuality' für den Typ 'DataQualityMonitoringSignal' fest. Legen Sie den Wert auf 'FeatureAttributionDrift' für den Typ FeatureAttributionDriftMonitoringSignal fest. Legen Sie den Wert auf 'PredictionDrift' für den Typ PredictionDriftMonitoringSignal fest. 'Benutzerdefiniert'
"Datendrift"
"DataQuality"
'FeatureAttributionDrift'
"PredictionDrift" (erforderlich)

MonitoringSignalBaseProperties

Name BESCHREIBUNG Wert

MonitoringZiel

Name BESCHREIBUNG Wert
deployment-ID Verweisen Sie auf die Bereitstellungsressource, die von diesem Monitor gezielt ist. Schnur
Modell-ID Verweisen Sie auf die Modellressource, die von diesem Monitor gezielt ist. Schnur
Aufgabentyp [Erforderlich] Der Machine Learning-Aufgabentyp des überwachten Modells. "Klassifizierung"
"Regression" (erforderlich)

Monitoring-Schwellenwert

Name BESCHREIBUNG Wert
Wert Der Schwellenwert. Wenn NULL, ist der Setstandard vom Metriktyp abhängig. INT

MonitorNotificationEinstellungen

Name BESCHREIBUNG Wert
emailNotificationEinstellungen Die AML-Benachrichtigungs-E-Mail-Einstellungen. MonitorEmailNotificationEinstellungen

MonitorServerlessSparkCompute

Name BESCHREIBUNG Wert
computeIdentity (englisch) [Erforderlich] Das Identitätsschema, das von den Spark-Aufträgen verwendet wird, die auf serverlosen Spark ausgeführt werden. MonitorComputeIdentityBase (erforderlich)
computeType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. 'ServerlessSpark' (erforderlich)
instanceType [Erforderlich] Der Instanztyp, der den Spark-Auftrag ausführt. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
runtimeVersion [Erforderlich] Die Spark-Laufzeitversion. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = ^[0-9]+\.[0-9]+$ (erforderlich)

MPI

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. "Mpi" (erforderlich)
processCountPerInstance Anzahl der Prozesse pro MPI-Knoten. INT

NCrossValidierungen

Name BESCHREIBUNG Wert
Modus "Auto" für den Typ "AutoNCrossValidations" festgelegt. Für den Typ "CustomNCrossValidations" auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

NlpVerticalFeaturizationSettings

Name BESCHREIBUNG Wert
datasetSprache Datasetsprache, nützlich für die Textdaten. Schnur

NlpVerticalLimit-Einstellungen

Name BESCHREIBUNG Wert
maxConcurrentTrials Maximale anzahl gleichzeitige AutoML-Iterationen. INT
maxTrials Anzahl der AutoML-Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur

Knoten

Name BESCHREIBUNG Wert
nodesValueType Auf "Alle" für den Typ "AllNodes" festgelegt. "Alle" (erforderlich)

Notification-Einstellung

Name BESCHREIBUNG Wert
E-MailEin Senden einer E-Mail-Benachrichtigung an den Benutzer im angegebenen Benachrichtigungstyp Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"Job abgesagt"
'Job abgeschlossen'
'Job fehlgeschlagen'
E-Mails Dies ist die E-Mail-Empfängerliste, die eine Beschränkung von 499 Zeichen insgesamt mit Kommatrennzeichen hat. Zeichenfolge[]
Webhooks Senden eines Webhook-Rückrufs an einen Dienst. Der Schlüssel ist ein vom Benutzer bereitgestellter Name für den Webhook. NotificationSettingWebhooks

NotificationSettingWebhooks

Name BESCHREIBUNG Wert

NumerischDataDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die numerische Datenabweichungsmetrik, die berechnet werden soll. 'JensenShannonDistanz'
"NormalizedWassersteinDistance"
'PopulationStabilitätsindex'
"TwoSampleKolmogorovSmirnovTest" (erforderlich)

NumerischDataQualityMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die zu berechnende numerische Datenqualitätsmetrik. 'DataTypeErrorRate'
'NullValueRate'
'OutOfBoundsRate' (erforderlich)

NumerischPredictionDriftMetricThreshold

Name BESCHREIBUNG Wert
Datentyp [Erforderlich] Gibt den Datentyp des Metrikschwellenwerts an. "Numerisch" (erforderlich)
Maß [Erforderlich] Die zu berechnende numerische Vorhersageabweichungsmetrik. 'JensenShannonDistanz'
"NormalizedWassersteinDistance"
'PopulationStabilitätsindex'
"TwoSampleKolmogorovSmirnovTest" (erforderlich)

Zielsetzung

Name BESCHREIBUNG Wert
Ziel [Erforderlich] Definiert unterstützte Metrikziele für die Hyperparameteroptimierung. "Maximieren"
"Minimieren" (erforderlich)
primaryMetric (englisch) [Erforderlich] Name der zu optimierenden Metrik. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

Pipeline-Auftrag

Name BESCHREIBUNG Wert
Eingaben Eingaben für den Pipelineauftrag. PipelineJobInputs
arbeitsplätze Aufträge konstruieren den Pipelineauftrag. PipelineJobJobs
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Pipeline" (erforderlich)
Ergebnisse Ausgaben für den Pipelineauftrag PipelineJobOutputs
Einstellungen Pipelineeinstellungen für Dinge wie ContinueRunOnStepFailure usw. jegliche
sourceJobId ARM-Ressourcen-ID des Quellauftrags. Schnur

PipelineJobInputs

Name BESCHREIBUNG Wert

PipelineJobJobs

Name BESCHREIBUNG Wert

PipelineJobOutputs

Name BESCHREIBUNG Wert

PredictionDriftMetricThresholdBase

Name BESCHREIBUNG Wert
Datentyp Legen Sie den Wert auf ' Categorical' für den Typ CategoricalPredictionDriftMetricThreshold fest. Legen Sie für den Typ "NumericalPredictionDriftMetricThreshold" den Wert "Numerisch" fest. "Kategorisieren"
"Numerisch" (erforderlich)
Schwelle Der Schwellenwert. Wenn NULL, wird je nach ausgewählter Metrik ein Standardwert festgelegt. Monitoring-Schwellenwert

VorhersageDriftÜberwachungSignal

Name BESCHREIBUNG Wert
featureDataTypeOverride Ein Wörterbuch, das Featurenamen ihren jeweiligen Datentypen zuordnet. PredictionDriftMonitoringSignalFeatureDataTypeOverride
MetrikThresholds [Erforderlich] Eine Liste der zu berechnenden Metriken und deren zugeordneten Schwellenwerte. PredictionDriftMetricThresholdBase[] (erforderlich)
Produktionsdaten [Erforderlich] Die Daten, für die die Abweichung berechnet wird. MonitoringInputDataBase (erforderlich)
Referenz-Daten [Erforderlich] Die Zu berechnenden Daten zum Berechnen der Abweichung. MonitoringInputDataBase (erforderlich)
Signaltyp [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "PredictionDrift" (erforderlich)

PredictionDriftMonitoringSignalFeatureDataTypeOverride

Name BESCHREIBUNG Wert

PyTorch

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. 'PyTorch' (erforderlich)
processCountPerInstance Anzahl der Prozesse pro Knoten. INT

Queue-Einstellungen

Name BESCHREIBUNG Wert
jobTier Steuert die Berechnungsauftragsebene. "Einfach"
'Null'
"Premium"
"Spot"
"Standard"

RandomSamplingAlgorithmus

Name BESCHREIBUNG Wert
Regel Der spezifische Typ des Zufallsalgorithmus "Zufällig"
"Sobol"
samplingAlgorithmType [Erforderlich] Der Algorithmus zum Generieren von Hyperparameterwerten zusammen mit Konfigurationseigenschaften "Zufällig" (erforderlich)
Seed Eine optionale ganze Zahl, die als Ausgangswert für die Zufallszahlengenerierung verwendet werden soll INT

Wiederholungszeitplan

Name BESCHREIBUNG Wert
Stunden [Erforderlich] Liste der Stunden für den Zeitplan. int[] (erforderlich)
Protokoll [Erforderlich] Liste der Minuten für den Zeitplan. int[] (erforderlich)
monthDays Liste der Monatstage für den Zeitplan int[]
Wochentage Liste der Tage für den Zeitplan. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"Freitag"
"Montag"
"Samstag"
"Sonntag"
"Donnerstag"
"Dienstag"
'Mittwoch'

Wiederholungs-Auslöser

Name BESCHREIBUNG Wert
Frequenz [Erforderlich] Die Häufigkeit zum Auslösen des Zeitplans. "Tag"
"Stunde"
"Minute"
"Monat"
"Woche" (erforderlich)
Intervall [Erforderlich] Gibt das Zeitplanintervall in Verbindung mit häufigkeit an. int (erforderlich)
Zeitplan Der Terminplan der Serie. Wiederholungszeitplan
triggerTyp [Erforderlich] "Serie" (erforderlich)

Rückentwicklung

Name BESCHREIBUNG Wert
cvSplitColumnNames Spalten, die für CVSplit-Daten verwendet werden sollen. Zeichenfolge[]
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. TableVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. TableVerticalLimitSettings
nCrossValidations Anzahl der Kreuzüberprüfungsfalten, die auf schulungsdatensatz angewendet werden sollen
wenn kein Validierungsdatensatz bereitgestellt wird.		 NCrossValidierungen
primaryMetric (englisch) Primäre Metrik für Regressionsaufgabe. "NormalizedMeanAbsoluteError"
"NormalizedRootMeanSquaredError"
'R2Score'
'Spearman-Korrelation'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. "Regression" (erforderlich)
test-Daten Testen sie die Dateneingabe. MLTableJobInput
testDataSize Der Anteil des Testdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
trainingEinstellungen Eingaben für die Schulungsphase für einen AutoML-Auftrag. RegressionTrainingEinstellungen
validation-Daten Überprüfungsdateneingaben. MLTableJobInput
validationDataSize Der Anteil des Schulungsdatensatzes, der für validierungszwecke reserviert werden muss.
Werte zwischen (0,0 , 1,0)
Wird angewendet, wenn das Validierungsdatenset nicht bereitgestellt wird.		 INT
weightColumnName Der Name der Beispielgewichtungsspalte. Automatisierte ML unterstützt eine gewichtete Spalte als Eingabe, wodurch Zeilen in den Daten nach oben oder unten gewichtet werden. Schnur

RegressionTrainingEinstellungen

Name BESCHREIBUNG Wert
allowedTrainingAlgorithms Zulässige Modelle für Regressionsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
'XGBoostRegressor'
blockedTrainingAlgorithms Blockierte Modelle für Regressionsaufgabe. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
"DecisionTree"
"ElasticNet"
"ExtremeRandomTrees"
"GradientBoosting"
'KNN'
"LassoLars"
"LightGBM"
"RandomForest"
"SGD"
'XGBoostRegressor'
enableDnnSchulung Aktivieren Sie die Empfehlung von DNN-Modellen. Boolesch
enableModelErklärbarkeit Kennzeichnen Sie die Kennzeichnung, um die Erläuterung für das beste Modell zu aktivieren. Boolesch
enableOnnxCompatibleModels Kennzeichnung zum Aktivieren von onnx-kompatiblen Modellen. Boolesch
enableStackEnsemble Stapelensembleausführung aktivieren. Boolesch
enableVoteEnsemble Aktivieren Des Abstimmungsensembles. Boolesch
ensembleModelDownloadTimeout Während der VotingEnsemble- und StackEnsemble-Modellgeneration werden mehrere einbaute Modelle aus den vorherigen Kinderläufen heruntergeladen.
Konfigurieren Sie diesen Parameter mit einem höheren Wert als 300 Sek., wenn mehr Zeit erforderlich ist.		 Schnur
stackEnsembleSettings Einstellungen für Stack-Ensembles für die Ausführung von Stack-Ensembles. StackEnsembleSettings

ResourceBase-Eigenschaften

Name BESCHREIBUNG Wert

ResourceBase-Eigenschaften

Name BESCHREIBUNG Wert

ResourceBaseTags

Name BESCHREIBUNG Wert

ResourceBaseTags

Name BESCHREIBUNG Wert

ResourceConfigurationProperties

Name BESCHREIBUNG Wert

RollingInputData

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Rollen" (erforderlich)
preprocessingComponentId Verweisen auf die Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. Schnur
windowOffset (englisch) [Erforderlich] Der Zeitversatz zwischen dem Ende des Datenfensters und der aktuellen Laufzeit des Monitors. Zeichenfolge (erforderlich)
windowSize [Erforderlich] Die Größe des rollierenden Datenfensters. Zeichenfolge (erforderlich)

SamplingAlgorithmus

Name BESCHREIBUNG Wert
samplingAlgorithmType Für den Typ BayesianSamplingAlgorithm auf 'Bayesian' festgelegt. Legen Sie für den Typ "GridSamplingAlgorithm" den Typ "GridsamplingAlgorithm" fest. Für den Typ RandomSamplingAlgorithm auf "Random" festgelegt. "Bayesian"
'Raster'
"Zufällig" (erforderlich)

ScheduleActionBase

Name BESCHREIBUNG Wert
Aktionstyp Legen Sie den Wert auf 'CreateJob' für den Typ JobScheduleAction fest. Legen Sie den Wert auf 'CreateMonitor' für den Typ CreateMonitorAction fest. Legen Sie für den Typ "EndpointScheduleAction" auf "InvokeBatchEndpoint" fest. 'CreateJob'
'CreateMonitor'
'InvokeBatchEndpoint' (erforderlich)

Schedule-Eigenschaften

Name BESCHREIBUNG Wert
Handlung [Erforderlich] Gibt die Aktion des Zeitplans an. ScheduleActionBase (erforderlich)
Beschreibung Der Text der Objektbeschreibung. Schnur
Anzeigename Anzeigename des Zeitplans. Schnur
isEnabled (Aktiviert) Ist der Zeitplan aktiviert? Boolesch
Eigenschaften Das Objekteigenschaftenverzeichnis. ResourceBaseProperties-
Schlagwörter Tagwörterbuch. Tags können hinzugefügt, entfernt und aktualisiert werden. ResourceBaseTags-
Auslöser [Erforderlich] Gibt die Triggerdetails an. TriggerBase (erforderlich)

Saisonalität

Name BESCHREIBUNG Wert
Modus Für den Typ "AutoSeasonality" auf "Auto" festgelegt. Für den Typ CustomSeasonality auf "Benutzerdefiniert" festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

SparkJob (Englisch)

Name BESCHREIBUNG Wert
Archiv Archivdateien, die im Auftrag verwendet werden. Zeichenfolge[]
Args Argumente für den Auftrag. Schnur
Code-ID [Erforderlich] Arm-ID der Coderessource. Zeichenfolge (erforderlich)
Conf Konfigurierte Spark-Eigenschaften. SparkJobConf
Eintrag [Erforderlich] Der Eintrag, der beim Starten des Auftrags ausgeführt werden soll. SparkJobEntry (erforderlich)
Umgebungs-ID Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Schnur
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. SparkJobEnvironmentVariables
Dateien Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. SparkJobInputs
Krüge Jar-Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Spark" (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. SparkJobOutputs
pyDateien Python-Dateien, die im Auftrag verwendet werden. Zeichenfolge[]
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. SparkResourceConfiguration

SparkJobConf

Name BESCHREIBUNG Wert

SparkJobEntry

Name BESCHREIBUNG Wert
sparkJobEntryType Legen Sie den Wert auf 'SparkJobPythonEntry' für den Typ SparkJobPythonEntry fest. Legen Sie für den Typ SparkJobScalaEntry auf "SparkJobScalaEntry" fest. 'SparkJobPythonEntry'
'SparkJobScalaEntry' (erforderlich)

SparkJobEnvironmentVariables

Name BESCHREIBUNG Wert

SparkJobInputs

Name BESCHREIBUNG Wert

SparkJobOutputs

Name BESCHREIBUNG Wert

SparkJobPython-Eintrag

Name BESCHREIBUNG Wert
Datei [Erforderlich] Relativer Python-Dateipfad für den Einstiegspunkt des Auftrags. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
sparkJobEntryType [Erforderlich] Typ des Einstiegspunkts des Auftrags. "SparkJobPythonEntry" (erforderlich)

SparkJobScalaEntry

Name BESCHREIBUNG Wert
Klassenname [Erforderlich] Scala-Klassenname, der als Einstiegspunkt verwendet wird. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
sparkJobEntryType [Erforderlich] Typ des Einstiegspunkts des Auftrags. 'SparkJobScalaEntry' (erforderlich)

SparkResourceConfiguration

Name BESCHREIBUNG Wert
instanceType Optionaler Vm-Typ, der vom Computeziel unterstützt wird. Schnur
runtimeVersion Version der Spark-Runtime, die für den Auftrag verwendet wird. Schnur

StackEnsembleSettings

Name BESCHREIBUNG Wert
stackMetaLearnerKWargs Optionale Parameter, die an den Initialisierer des Metalerners übergeben werden sollen. jegliche
stackMetaLearnerTrainPercentage Gibt den Anteil des Schulungssatzes (beim Auswählen des Trainings- und Validierungstyps) an, der für die Schulung des Metalerners reserviert werden soll. Der Standardwert ist 0,2. INT
stackMetaLearnerType Der Metalerner ist ein Modell, das auf die Ausgabe der einzelnen heterogenen Modelle trainiert wird. "ElasticNet"
"ElasticNetCV"
"LightGBMClassifier"
"LightGBMRegressor"
"LinearRegression"
"LogisticRegression"
"LogisticRegressionCV"
"Keine"

StaticInputData

Name BESCHREIBUNG Wert
inputDataType [Erforderlich] Gibt den Zu überwachenden Signaltyp an. "Statisch" (erforderlich)
preprocessingComponentId Verweisen auf die Komponentenressource, die zum Vorverarbeitung der Daten verwendet wird. Schnur
FensterEnde [Erforderlich] Das Enddatum des Datenfensters. Zeichenfolge (erforderlich)
FensterStarten [Erforderlich] Das Startdatum des Datenfensters. Zeichenfolge (erforderlich)

Sweep-Job

Name BESCHREIBUNG Wert
vorzeitige Kündigung Richtlinien für vorzeitige Beendigungen ermöglichen das Abbrechen von Ausführungsvorgängen mit schlechter Leistung, bevor sie abgeschlossen sind Richtlinie zur vorzeitigen Beendigung
Eingaben Zuordnung von Eingabedatenbindungen, die im Auftrag verwendet werden. SweepJobInputs
Jobtyp [Erforderlich] Gibt den Auftragstyp an. "Aufräumen" (erforderlich)
grenzen Grenzwert für "Aufräumen von Auftrag". SweepJobLimits
Ziel [Erforderlich] Optimierungsziel. Ziel (erforderlich)
Ergebnisse Zuordnung von Ausgabedatenbindungen, die im Auftrag verwendet werden. SweepJob-Ausgaben
queue-Einstellungen Warteschlangeneinstellungen für den Auftrag Queue-Einstellungen
samplingAlgorithmus [Erforderlich] Der Hyperparameter-Samplingalgorithmus SamplingAlgorithm (erforderlich)
searchSpace [Erforderlich] Ein Wörterbuch, das jeden Parameter und seine Verteilung enthält. Der Wörterbuchschlüssel ist der Name des Parameters. beliebig (erforderlich)
Testversion [Erforderlich] Definition der Testkomponente. TrialComponent (erforderlich)

SweepJobInputs

Name BESCHREIBUNG Wert

SweepJobLimits

Name BESCHREIBUNG Wert
jobLimitsTyp [Erforderlich] JobLimit-Typ. 'Befehl'
"Aufräumen" (erforderlich)
maxConcurrentTrials Aufräumen des Auftrags max. gleichzeitige Testversionen. INT
maxTotalTrials "Auftrag aufräumen" max. Gesamtversuche. INT
Zeitüberschreitung Die maximale Laufzeit im ISO 8601-Format, nach der der Auftrag abgebrochen wird. Unterstützt nur die Dauer mit der Genauigkeit so niedrig wie Sekunden. Schnur
trialTimeout Timeoutwert für "Testauftrag aufräumen". Schnur

SweepJob-Ausgaben

Name BESCHREIBUNG Wert

TableVerticalFeaturizationSettings

Name BESCHREIBUNG Wert
blockedTransformatoren Diese Transformatoren dürfen nicht bei der Reifung verwendet werden. Zeichenfolgenarray, das eine der folgenden Elemente enthält:
'CatTargetEncoder'
'CountVectorizer'
"HashOneHotEncoder"
"LabelEncoder"
"NaiveBayes"
"OneHotEncoder"
'TextTargetEncoder'
"TfIdf"
"WoETargetEncoder"
"WordEmbedding"
columnNameAndTypes Wörterbuch des Spaltennamens und seines Typs (int, float, string, datetime usw.). TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetSprache Datasetsprache, nützlich für die Textdaten. Schnur
enableDnnFeaturisierung Bestimmt, ob Dnn-basierte Featurizer für die Daten-Featurisierung verwendet werden sollen. Boolesch
Modus Featurisierungsmodus : Der Benutzer kann den Standardmodus "Auto" beibehalten, und AutoML übernimmt die erforderliche Transformation der Daten in der Featurisierungsphase.
Wenn "Aus" ausgewählt ist, wird keine Featurierung durchgeführt.
Wenn "Benutzerdefiniert" ausgewählt ist, können Benutzer zusätzliche Eingaben angeben, um anzupassen, wie die Reifung erfolgt.		 "Auto"
'Benutzerdefiniert'
'Aus'
TransformatorParams Der Benutzer kann zusätzliche Transformatoren angeben, die zusammen mit den Spalten verwendet werden sollen, auf die er angewendet wird, und Parameter für den Transformatorkonstruktor. TabelleVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Name BESCHREIBUNG Wert

TabelleVerticalFeaturizationSettingsTransformerParams

Name BESCHREIBUNG Wert

TableVerticalLimitSettings

Name BESCHREIBUNG Wert
enableEarlyTermination Aktivieren einer vorzeitigen Beendigung, bestimmt, ob AutoMLJob frühzeitig beendet wird, wenn in den letzten 20 Iterationen keine Bewertungsverbesserungen vorliegen. Boolesch
exitScore Beenden Sie die Bewertung für den AutoML-Auftrag. INT
maxConcurrentTrials Maximale gleichzeitige Iteration. INT
maxCoresPerTrial Max. Kerne pro Iteration. INT
maxTrials Anzahl der Iterationen. INT
Zeitüberschreitung AutoML-Auftragstimeout. Schnur
trialTimeout Iterationstimeout. Schnur

Ziel-Verzögerungen

Name BESCHREIBUNG Wert
Modus Festlegen auf "Auto" für den Typ "AutoTargetLags". Für den Typ CustomTargetLags auf 'Custom' festgelegt. "Auto"
"Benutzerdefiniert" (erforderlich)

TargetRollingWindowSize

Name BESCHREIBUNG Wert
Modus Legen Sie für den Typ AutoTargetRollingWindowSize auf "Auto" fest. Legen Sie für den Typ CustomTargetRollingWindowSize auf "Benutzerdefiniert" fest. "Auto"
"Benutzerdefiniert" (erforderlich)

TensorFlow

Name BESCHREIBUNG Wert
distributionType [Erforderlich] Gibt den Typ des Verteilungsframeworks an. "TensorFlow" (erforderlich)
parameterServerAnzahl Anzahl der Parameterserveraufgaben. INT
Mitarbeiteranzahl Anzahl der Arbeitnehmer. Wenn nicht angegeben, wird standardmäßig die Instanzanzahl verwendet. INT

Textklassifizierung

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
primaryMetric (englisch) Primäre Metrik für Text-Classification Vorgang. "Genauigkeit"
"AUCWeighted"
"AveragePrecisionScoreWeighted"
"NormMacroRecall"
'PrecisionScoreGewichtet'
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextClassification' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TextClassificationMultilabel

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextClassificationMultilabel' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TextNer

Name BESCHREIBUNG Wert
featurizationSettings Reifungseingaben, die für den AutoML-Auftrag erforderlich sind. NlpVerticalFeaturizationSettings
limitEinstellungen Ausführungseinschränkungen für AutoMLJob. NlpVerticalLimit-Einstellungen
Aufgabentyp [Erforderlich] Aufgabentyp für AutoMLJob. 'TextNER' (erforderlich)
validation-Daten Überprüfungsdateneingaben. MLTableJobInput

TopNFeaturesByAttribution

Name BESCHREIBUNG Wert
filterTyp [Erforderlich] Gibt den Featurefilter an, der beim Auswählen von Features zum Berechnen von Metriken verwendet werden soll. "TopNByAttribution" (erforderlich)
Nach oben Die Anzahl der wichtigsten Features, die einbezogen werden sollen. INT

Testkomponente

Name BESCHREIBUNG Wert
Code-ID ARM-Ressourcen-ID der Coderessource. Schnur
Befehl [Erforderlich] Der Befehl, der beim Starten des Auftrags ausgeführt werden soll. Zb. "python train.py" Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Verteilung Verteilungskonfiguration des Auftrags. Wenn festgelegt, sollte dies eines von Mpi, Tensorflow, PyTorch oder Null sein. DistributionConfiguration (Verteilungskonfiguration)
Umgebungs-ID [Erforderlich] Die ARM-Ressourcen-ID der Umgebungsspezifikation für den Auftrag. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)
Umgebungsvariablen Umgebungsvariablen, die im Auftrag enthalten sind. TrialComponentEnvironmentVariables
ressourcen Berechnen der Ressourcenkonfiguration für den Auftrag. JobResourceConfiguration

TrialComponentEnvironmentVariables

Name BESCHREIBUNG Wert

Auslöser-Basis

Name BESCHREIBUNG Wert
endZeit Gibt die Endzeit des Zeitplans in ISO 8601 an, jedoch ohne UTC-Offset. Verweisen Sie auf https://en.wikipedia.org/wiki/ISO_8601.
Rekommentiertes Format wäre "2022-06-01T00:00:01"
Wenn nicht vorhanden, wird der Zeitplan unbegrenzt ausgeführt.		 Schnur
Startzeit Gibt die Startzeit des Zeitplans im ISO 8601-Format an, jedoch ohne UTC-Offset. Schnur
Zeitzone Gibt die Zeitzone an, in der der Zeitplan ausgeführt wird.
TimeZone sollte dem Windows-Zeitzonenformat folgen. Siehe: /windows-hardware/manufacture/desktop/default-time-zones?view=windows-11		 Schnur
triggerTyp Für den Typ "CronTrigger" auf "Cron" festgelegt. Legen Sie den Wert auf " Recurrence" für den Typ "RecurrenceTrigger" fest. "Cron"
"Serie" (erforderlich)

TritonModelJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "triton_model" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

TritonModelJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "triton_model" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

TruncationSelectionPolicy

Name BESCHREIBUNG Wert
policyType [Erforderlich] Name der Richtlinienkonfiguration "TruncationSelection" (erforderlich)
trunkcationPercentage (in letzter Prozent) Der Prozentsatz der Läufe, die bei jedem Auswertungsintervall abgebrochen werden sollen. INT

UriFileJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "uri_file" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

UriFileJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "uri_file" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

UriFolderJobInput

Name BESCHREIBUNG Wert
jobInputType [Erforderlich] Gibt den Auftragstyp an. "uri_folder" (erforderlich)
Modus Übermittlungsmodus der Eingaberessource. "Direkt"
"Herunterladen"
'EvalDownload'
'EvalMount'
'ReadOnlyMount'
'ReadWriteMount'
URI [Erforderlich] Eingabeobjekt-URI. Zeichenfolge

Zwänge:
Min. Länge = 1
Pattern = [a-zA-Z0-9_] (erforderlich)

UriFolderJobOutput

Name BESCHREIBUNG Wert
jobOutputType [Erforderlich] Gibt den Auftragstyp an. "uri_folder" (erforderlich)
Modus Ausgabeobjektübermittlungsmodus. "Direkt"
'ReadWriteMount'
"Hochladen"
URI Ausgabeobjekt-URI. Schnur

UserAssignedIdentities

Name BESCHREIBUNG Wert

UserAssignedIdentity

Name BESCHREIBUNG Wert

Benutzeridentität

Name BESCHREIBUNG Wert
Identitätstyp [Erforderlich] Gibt den Typ des Identitätsframeworks an. "UserIdentity" (erforderlich)

Webhook (Webhook)

Name BESCHREIBUNG Wert
Ereignistyp Senden eines Rückrufs für ein angegebenes Benachrichtigungsereignis Schnur
webhookTyp Legen Sie für den Typ "AzureDevOpsWebhook" auf "AzureDevOpsWebhook" fest. "AzureDevOps" (erforderlich)