Áreas de trabajo de Microsoft.MachineLearningServices/schedules 2024-07-01-preview
El tipo de recurso workspaces/schedules se puede implementar con operaciones que tienen como destino:
- grupos de recursos: consulte comandos de implementación de grupos de recursos
Para obtener una lista de las propiedades modificadas en cada versión de API, consulte registro de cambios.
Para crear un recurso Microsoft.MachineLearningServices/workspaces/schedules, agregue la siguiente bicep a la plantilla.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
Establezca la propiedad actionType para especificar el tipo de objeto.
Para CreateJob, use:
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: {}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
Para CreateMonitor, use:
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: 'AmlNotification'
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Para InvokeBatchEndpoint, use:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
Establezca la propiedad jobType para especificar el tipo de objeto.
Para AutoML, use:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: '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'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
Para Comando, use:
jobType: 'Command'
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
shmSize: 'string'
}
Para FineTuning, use:
jobType: 'FineTuning'
fineTuningDetails: {
model: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
validationData: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
modelProvider: 'string'
// For remaining properties, see FineTuningVertical objects
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
}
resources: {
instanceTypes: [
'string'
]
}
Para canalización, use:
jobType: 'Pipeline'
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any()
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any()
sourceJobId: 'string'
Para spark, use:
jobType: 'Spark'
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'
]
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
pyFiles: [
'string'
]
queueSettings: {
jobTier: 'string'
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
Para barrido, use:
jobType: 'Sweep'
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
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'
}
}
Establezca la propiedad identityType para especificar el tipo de objeto.
Para AMLToken, use:
identityType: 'AMLToken'
Para managed, use:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
Para UserIdentity, use:
identityType: 'UserIdentity'
Establezca la propiedad webhookType
Para azureDevOps, use:
webhookType: 'AzureDevOps'
Establezca la propiedad nodesValueType para especificar el tipo de objeto.
Para Todos los, use:
nodesValueType: 'All'
Establezca la propiedad jobOutputType para especificar el tipo de objeto.
Para custom_model, use:
jobOutputType: 'custom_model'
mode: 'string'
uri: 'string'
Para mlflow_model, use:
jobOutputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Para mltable, use:
jobOutputType: 'mltable'
mode: 'string'
uri: 'string'
Para triton_model, use:
jobOutputType: 'triton_model'
mode: 'string'
uri: 'string'
Para uri_file, use:
jobOutputType: 'uri_file'
mode: 'string'
uri: 'string'
Para uri_folder, use:
jobOutputType: 'uri_folder'
mode: 'string'
uri: 'string'
Establezca la propiedad taskType para especificar el tipo de objeto.
Para clasificación, use:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Para forecasting, use:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Para ImageClassification, use:
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Para ImageClassificationMultilabel, use:
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Para imageInstanceSegmentation, use:
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Para ImageObjectDetection, use:
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Para regresión, use:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Para TextClassification, use:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
primaryMetric: 'string'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Para TextClassificationMultilabel, use:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Para TextNER, use:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode: 'Auto'
Para Custom, use:
mode: 'Custom'
value: int
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode: 'Auto'
Para Custom, use:
mode: 'Custom'
value: int
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode: 'Auto'
Para Custom, use:
mode: 'Custom'
value: int
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode: 'Auto'
Para Custom, use:
mode: 'Custom'
values: [
int
]
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode: 'Auto'
Para Custom, use:
mode: 'Custom'
value: int
Establezca la propiedad policyType
Para Bandit, use:
policyType: 'Bandit'
slackAmount: int
slackFactor: int
Para medianStopping, use:
policyType: 'MedianStopping'
Para TruncationSelection, use:
policyType: 'TruncationSelection'
truncationPercentage: int
Establezca la propiedad distributionType
Para Mpi, use:
distributionType: 'Mpi'
processCountPerInstance: int
Para pyTorch, use:
distributionType: 'PyTorch'
processCountPerInstance: int
Para tensorFlow, use:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
Establezca la propiedad jobInputType para especificar el tipo de objeto.
Para custom_model, use:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
Para literal, use:
jobInputType: 'literal'
value: 'string'
Para mlflow_model, use:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Para mltable, use:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
Para triton_model, use:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
Para uri_file, use:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
Para uri_folder, use:
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
Establezca la propiedad modelProvider para especificar el tipo de objeto.
Para azureOpenAI, use:
modelProvider: 'AzureOpenAI'
hyperParameters: {
batchSize: int
learningRateMultiplier: int
nEpochs: int
}
Para Custom, use:
modelProvider: 'Custom'
hyperParameters: {
{customized property}: 'string'
}
Establezca la
Para sparkJobPythonEntry, use:
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
Para SparkJobScalaEntry, use:
sparkJobEntryType: 'SparkJobScalaEntry'
className: 'string'
Establezca la propiedad samplingAlgorithmType para especificar el tipo de objeto.
Para bayesiano , use:
samplingAlgorithmType: 'Bayesian'
Para Grid, use:
samplingAlgorithmType: 'Grid'
Para random, use:
samplingAlgorithmType: 'Random'
rule: 'string'
seed: int
Establezca la propiedad computeType
Para ServerlessSpark , use:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
Establezca la propiedad computeIdentityType para especificar el tipo de objeto.
Para AmlToken, use:
computeIdentityType: 'AmlToken'
Para managedIdentity, use:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
Establezca la propiedad signalType para especificar el tipo de objeto.
Para Custom, use:
signalType: 'Custom'
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
}
}
]
Para DataDrift, use:
signalType: 'DataDrift'
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
}
Para DataQuality, use:
signalType: 'DataQuality'
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
}
Para FeatureAttributionDrift, use:
signalType: 'FeatureAttributionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
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
}
Para PredictionDrift, use:
signalType: 'PredictionDrift'
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
}
Establezca la propiedad inputDataType para especificar el tipo de objeto.
Para fixed, use:
inputDataType: 'Fixed'
Para rolling, use:
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
Para static, use:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
Establezca la propiedad filterType
Para AllFeatures, use:
filterType: 'AllFeatures'
Para FeatureSubset, use:
filterType: 'FeatureSubset'
features: [
'string'
]
Para TopNByAttribution, use:
filterType: 'TopNByAttribution'
top: int
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
dataType: 'Categorical'
metric: 'string'
Para numérico, use:
dataType: 'Numerical'
metric: 'string'
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
dataType: 'Categorical'
metric: 'string'
Para numérico, use:
dataType: 'Numerical'
metric: 'string'
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
dataType: 'Categorical'
metric: 'string'
Para numérico, use:
dataType: 'Numerical'
metric: 'string'
Establezca la propiedad triggerType para especificar el tipo de objeto.
Para Cron, use:
triggerType: 'Cron'
expression: 'string'
Para periodicidad, use:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Nombre | Descripción | Valor |
---|---|---|
nombre | El nombre del recurso Vea cómo establecer nombres y tipos para recursos secundarios en Bicep. |
string (obligatorio) |
padre | En Bicep, puede especificar el recurso primario para un recurso secundario. Solo tiene que agregar esta propiedad cuando el recurso secundario se declara fuera del recurso primario. Para obtener más información, consulte recurso secundario fuera del recurso primario. |
Nombre simbólico del recurso de tipo: áreas de trabajo |
Propiedades | [Obligatorio] Atributos adicionales de la entidad. | ScheduleProperties (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
actionType | Establecimiento del tipo de objeto |
CreateJob CreateMonitor InvokeBatchEndpoint (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
componentId | Identificador de recurso de ARM del recurso de componente. | cuerda |
computeId | Identificador de recurso de ARM del recurso de proceso. | cuerda |
descripción | Texto de descripción del recurso. | cuerda |
displayName | Nombre para mostrar del trabajo. | cuerda |
experimentName | Nombre del experimento al que pertenece el trabajo. Si no se establece, el trabajo se coloca en el experimento "Predeterminado". | cuerda |
identidad | Configuración de identidad. Si se establece, debe ser uno de AmlToken, ManagedIdentity, UserIdentity o NULL. El valor predeterminado es AmlToken si es null. |
IdentityConfiguration |
isArchived | ¿El recurso está archivado? | Bool |
notificationSetting | Configuración de notificación para el trabajo | NotificationSetting |
Propiedades | Diccionario de propiedades de recurso. | ResourceBaseProperties |
servicios | Lista de jobEndpoints. Para los trabajos locales, un punto de conexión de trabajo tendrá un valor de punto de conexión de FileStreamObject. |
JobBaseServices |
Etiquetas | Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. | objeto |
jobType | Establecimiento del tipo de objeto |
autoML de comandos de FineTuning spark de barrido (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | Establecimiento del tipo de objeto |
AMLToken managed userIdentity (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | 'AMLToken' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | "Administrado" (obligatorio) |
clientId | Especifica una identidad asignada por el usuario por identificador de cliente. En el caso de asignados por el sistema, no establezca este campo. | cuerda Restricciones: Longitud mínima = 36 Longitud máxima = 36 Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Especifica una identidad asignada por el usuario por identificador de objeto. En el caso de asignados por el sistema, no establezca este campo. | cuerda Restricciones: Longitud mínima = 36 Longitud máxima = 36 Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Especifica una identidad asignada por el usuario por el identificador de recurso de ARM. En el caso de asignados por el sistema, no establezca este campo. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | 'UserIdentity' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
emailOn | Enviar notificación por correo electrónico al usuario en el tipo de notificación especificado | Matriz de cadenas que contiene cualquiera de: 'JobCancelled' 'JobCompleted' 'JobFailed' |
correos electrónicos | Esta es la lista de destinatarios de correo electrónico que tiene una limitación de 499 caracteres en total concat con separador de comas. | string[] |
webhooks | Enviar devolución de llamada de webhook a un servicio. La clave es un nombre proporcionado por el usuario para el webhook. | NotificationSettingWebhooks |
Nombre | Descripción | Valor |
---|---|---|
eventType | Enviar devolución de llamada en un evento de notificación especificado | cuerda |
webhookType | Establecimiento del tipo de objeto | azureDevOps (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
webhookType | [Obligatorio] Especifica el tipo de servicio que se va a enviar una devolución de llamada. | "AzureDevOps" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | JobService |
Nombre | Descripción | Valor |
---|---|---|
Extremo | Dirección URL del punto de conexión. | cuerda |
jobServiceType | Tipo de punto de conexión. | cuerda |
Nodos | Nodos en los que el usuario desea iniciar el servicio. Si los nodos no se establecen o se establecen en NULL, el servicio solo se iniciará en el nodo líder. |
nodos de |
puerto | Puerto para el punto de conexión. | Int |
Propiedades | Propiedades adicionales que se van a establecer en el punto de conexión. | |
Nombre | Descripción | Valor |
---|---|---|
nodesValueType | Establecimiento del tipo de objeto | todos los (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
nodesValueType | [Obligatorio] Tipo del valor nodos | 'All' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'AutoML' (obligatorio) |
environmentId | El identificador de recurso de ARM de la especificación del entorno para el trabajo. Este es un valor opcional que se debe proporcionar, si no se proporciona, AutoML se usará de forma predeterminada en la versión del entorno mantenido por AutoML de producción al ejecutar el trabajo. |
cuerda |
environmentVariables | Variables de entorno incluidas en el trabajo. | AutoMLJobEnvironmentVariables |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | AutoMLJobOutputs |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
taskDetails | [Obligatorio] Esto representa un escenario que puede ser una de las tablas,NLP/Image. | AutoMLVertical (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la salida. | cuerda |
jobOutputType | Establecimiento del tipo de objeto |
custom_model mlflow_model mltable triton_model uri_file uri_folder (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'custom_model' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "mlflow_model" (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'mltable' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'triton_model' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_file' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobTier | Controla el nivel de trabajo de proceso | "Básico" 'Null' 'Premium' 'Spot' 'Estándar' |
Nombre | Descripción | Valor |
---|---|---|
dockerArgs | Argumentos adicionales para pasar al comando docker run. Esto invalidaría los parámetros ya establecidos por el sistema o en esta sección. Este parámetro solo se admite para los tipos de proceso de Azure ML. | cuerda |
instanceCount | Número opcional de instancias o nodos usados por el destino de proceso. | Int |
instanceType | Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. | cuerda |
Propiedades | Bolsa de propiedades adicionales. | resourceConfigurationProperties |
shmSize | Tamaño del bloque de memoria compartida del contenedor de Docker. Debe estar en el formato (número)(unidad) donde el número como mayor que 0 y la unidad puede ser uno de b(bytes), k(kilobytes), m(megabytes) o g(gigabytes). | cuerda Restricciones: Patrón = \d+[bBkKmMgG] |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | Para Bicep, puede usar la función any() |
Nombre | Descripción | Valor |
---|---|---|
logVerbosity | Detalle del registro del trabajo. | "Crítico" "Depurar" 'Error' 'Info' 'NotSet' 'Advertencia' |
targetColumnName | Nombre de columna de destino: se trata de la columna de valores de predicción. También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación. |
cuerda |
trainingData | [Obligatorio] Entrada de datos de entrenamiento. | mlTableJobInput (obligatorio) |
taskType | Establecimiento del tipo de objeto | de clasificación de de previsión ImageClassification imageClassificationMultilabel ImageInstanceSegmentation regresión TextClassification TextClassificationMultilabel TextNER (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" 'literal' "mlflow_model" 'mltable' "triton_model" "uri_file" 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'Clasificación' (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
positiveLabel | Etiqueta positiva para el cálculo de métricas binarias. | cuerda |
primaryMetric | Métrica principal de la tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | ClassificationTrainingSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
blockedTransformers | Estos transformadores no se utilizarán en la caracterización. | Matriz de cadenas que contiene cualquiera de: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Diccionario de nombre de columna y su tipo (int, float, string, datetime etcetera). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Idioma del conjunto de datos, útil para los datos de texto. | cuerda |
enableDnnFeaturization | Determina si se deben usar los caracterizadores basados en Dnn para la caracterización de datos. | Bool |
modo | Modo de caracterización: el usuario puede mantener el modo "Automático" predeterminado y AutoML se encargará de la transformación necesaria de los datos en la fase de caracterización. Si se selecciona "Desactivado", no se realiza ninguna caracterización. Si se selecciona "Personalizado", el usuario puede especificar entradas adicionales para personalizar cómo se realiza la caracterización. |
'Auto' 'Personalizado' 'Desactivado' |
transformerParams | El usuario puede especificar transformadores adicionales que se usarán junto con las columnas a las que se aplicaría y los parámetros para el constructor del transformador. | TableVerticalFeaturizationSettingsTransformerParams |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | columnTransformer[] |
Nombre | Descripción | Valor |
---|---|---|
Campos | Campos en los que se va a aplicar la lógica del transformador. | string[] |
Parámetros | Propiedades diferentes que se van a pasar al transformador. La entrada esperada es el diccionario de pares clave-valor en formato JSON. |
Para Bicep, puede usar la función any() |
Nombre | Descripción | Valor |
---|---|---|
enableEarlyTermination | Habilitar la terminación anticipada, determina si AutoMLJob finalizará pronto si no hay ninguna mejora de puntuación en las últimas 20 iteraciones. | Bool |
exitScore | Puntuación de salida para el trabajo de AutoML. | Int |
maxConcurrentTrials | Iteraciones simultáneas máximas. | Int |
maxCoresPerTrial | Número máximo de núcleos por iteración. | Int |
maxTrials | Número de iteraciones. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
trialTimeout | Tiempo de espera de iteración. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo para determinar las validaciones N cruzadas. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo para determinar las validaciones N cruzadas. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor de N-Validaciones cruzadas. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de clasificación. | Matriz de cadenas que contiene cualquiera de: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de clasificación. | Matriz de cadenas que contiene cualquiera de: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
stackMetaLearnerKWargs | Parámetros opcionales para pasar al inicializador del meta-learner. | Para Bicep, puede usar la función any() |
stackMetaLearnerTrainPercentage | Especifica la proporción del conjunto de entrenamiento (al elegir el tipo de entrenamiento y validación de entrenamiento) que se va a reservar para entrenar al meta-learner. El valor predeterminado es 0,2. | Int |
stackMetaLearnerType | El meta-learner es un modelo entrenado en la salida de los modelos heterogéneos individuales. | "ElasticNet" "ElasticNetCV" 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Ninguno' |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "Previsión" (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Previsión de entradas específicas de la tarea. | ForecastingSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
primaryMetric | Métrica principal para la tarea de previsión. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | ForecastingTrainingSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
countryOrRegionForHolidays | País o región para días festivos para las tareas de previsión. Deben ser códigos de país o región de dos letras ISO 3166, por ejemplo, "US" o "GB". |
cuerda |
cvStepSize | Número de períodos entre la hora de origen de un plegado CV y el siguiente plegado. Para por ejemplo, si CVStepSize = 3 para los datos diarios, la hora de origen de cada plegamiento serátres días de diferencia. |
Int |
featureLags | Marca para generar retrasos para las características numéricas con "auto" o null. | 'Auto' 'Ninguno' |
forecastHorizon | Horizonte de previsión máximo deseado en unidades de frecuencia de serie temporal. | ForecastHorizon |
frecuencia | Al realizar la previsión, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etcetera. La frecuencia de previsión es la frecuencia del conjunto de datos de forma predeterminada. | cuerda |
estacionalidad | Establezca la estacionalidad de series temporales como un entero múltiplo de la frecuencia de la serie. Si la estacionalidad se establece en "auto", se deducirá. |
estacionalidad |
shortSeriesHandlingConfig | Parámetro que define cómo si AutoML debe controlar series temporales cortas. | 'Auto' 'Drop' 'Ninguno' 'Pad' |
targetAggregateFunction | Función que se va a usar para agregar la columna de destino de serie temporal para ajustarse a una frecuencia especificada por el usuario. Si targetAggregateFunction se establece, es decir, no "None", pero no se establece el parámetro freq, se genera el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean". |
'Max' 'Mean' 'Min' 'Ninguno' 'Sum' |
targetLags | Número de períodos anteriores que se van a retardar desde la columna de destino. | TargetLags |
targetRollingWindowSize | Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. | TargetRollingWindowSize |
timeColumnName | Nombre de la columna de hora. Este parámetro es necesario cuando se prevé especificar la columna datetime en los datos de entrada utilizados para compilar la serie temporal e inferir su frecuencia. | cuerda |
timeSeriesIdColumnNames | Los nombres de las columnas usadas para agrupar una serie de horas. Se puede usar para crear varias series. Si no se define el grano, se supone que el conjunto de datos es una serie temporal. Este parámetro se usa con la previsión del tipo de tarea. |
string[] |
useStl | Configure la descomposición de STL de la columna de destino de serie temporal. | 'Ninguno' 'Temporada' 'SeasonTrend' |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor del horizonte de previsión. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de estacionalidad. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de estacionalidad. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor de estacionalidad. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado | 'Custom' (obligatorio) |
valores | [Obligatorio] Establezca los valores de retardo de destino. | int[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de detección TargetRollingWindowSiz. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de detección TargetRollingWindowSiz. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor TargetRollingWindowSize. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de previsión. | Matriz de cadenas que contiene cualquiera de: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' "ElasticNet" 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' "Profeta" 'RandomForest' 'SGD' 'EstacionalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de previsión. | Matriz de cadenas que contiene cualquiera de: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' "ElasticNet" 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' "Profeta" 'RandomForest' 'SGD' 'EstacionalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageClassification' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | |
primaryMetric | Métrica principal para optimizar esta tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
maxConcurrentTrials | Número máximo de iteraciones simultáneas de AutoML. | Int |
maxTrials | Número máximo de iteraciones de AutoML. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
advancedSettings | Configuración de escenarios avanzados. | cuerda |
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | Bool |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
checkpointFrequency | Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. | Int |
checkpointModel | Modelo de punto de control entrenado previamente para el entrenamiento incremental. | mlFlowModelJobInput |
checkpointRunId | Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. | cuerda |
distribuido | Si se va a usar el entrenamiento distribuido. | Bool |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | Bool |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
Int |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
Int |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | Bool |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | Int |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
Int |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | Int |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | 'Ninguno' 'Paso' "WarmupCosine" |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | Int |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | Bool |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | Int |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | Int |
optimizador | Tipo de optimizador. | 'Adam' 'Adamw' 'Ninguno' 'Sgd' |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | Int |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | Int |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | Int |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | Int |
trainingCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. | Int |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | Int |
validationCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. | Int |
validationResizeSizeSize | Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. | Int |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | Int |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | Int |
weightedLoss | Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2. |
Int |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" 'literal' "mlflow_model" 'mltable' "triton_model" "uri_file" 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | cuerda |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
distribuido | Si se va a usar el entrenamiento del distribuidor. | cuerda |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | cuerda |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
cuerda |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
cuerda |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | cuerda |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | cuerda |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
cuerda |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | cuerda |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | cuerda |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | cuerda |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | cuerda |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | cuerda |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | cuerda |
optimizador | Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". | cuerda |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | cuerda |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | cuerda |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | cuerda |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | cuerda |
trainingCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. | cuerda |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | cuerda |
validationCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. | cuerda |
validationResizeSizeSize | Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. | cuerda |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | cuerda |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | cuerda |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | cuerda |
weightedLoss | Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2. |
cuerda |
Nombre | Descripción | Valor |
---|---|---|
earlyTermination | Tipo de directiva de terminación anticipada. | EarlyTerminationPolicy |
samplingAlgorithm | [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. | 'Bayesiano' 'Grid' 'Random' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
delayEvaluation | Número de intervalos por los que se va a retrasar la primera evaluación. | Int |
evaluationInterval | Intervalo (número de ejecuciones) entre evaluaciones de directivas. | Int |
policyType | Establecimiento del tipo de objeto |
bandido medianStopping truncamientoSelección (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | 'Bandit' (obligatorio) |
slackAmount | Distancia absoluta permitida desde la mejor ejecución. | Int |
slackFactor | Relación de la distancia permitida desde la ejecución con mejor rendimiento. | Int |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | 'MedianStopping' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | 'TruncationSelection' (obligatorio) |
truncationPercentage | Porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. | Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageClassificationMultilabel' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | |
primaryMetric | Métrica principal para optimizar esta tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageInstanceSegmentation' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | ImageModelSettingsObjectDetection |
primaryMetric | Métrica principal para optimizar esta tarea. | 'MeanAveragePrecision' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
advancedSettings | Configuración de escenarios avanzados. | cuerda |
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | Bool |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
boxDetectionsPerImage | Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
boxScoreThreshold | Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1]. |
Int |
checkpointFrequency | Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. | Int |
checkpointModel | Modelo de punto de control entrenado previamente para el entrenamiento incremental. | mlFlowModelJobInput |
checkpointRunId | Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. | cuerda |
distribuido | Si se va a usar el entrenamiento distribuido. | Bool |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | Bool |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
Int |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
Int |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | Bool |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | Int |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
Int |
imageSize | Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
Int |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | Int |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | 'Ninguno' 'Paso' "WarmupCosine" |
maxSize | Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
minSize | Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
modelSize | Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge". Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
'ExtraLarge' 'Grande' "Medio" 'Ninguno' 'Pequeño' |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | Int |
multiescala | Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%. Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
Bool |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | Bool |
nmsIouThreshold | Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un float en el intervalo [0, 1]. | Int |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | Int |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | Int |
optimizador | Tipo de optimizador. | 'Adam' 'Adamw' 'Ninguno' 'Sgd' |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | Int |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | Int |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | Int |
tileGridSize | Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tileOverlapRatio | Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
tilePredictionsNmsThreshold | Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes. Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | Int |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | Int |
validationIouThreshold | Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. | Int |
validationMetricType | Método de cálculo de métricas que se va a usar para las métricas de validación. | 'Coco' 'CocoVoc' 'Ninguno' 'Voc' |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | Int |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | Int |
Nombre | Descripción | Valor |
---|---|---|
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | cuerda |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
boxDetectionsPerImage | Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
boxScoreThreshold | Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1]. |
cuerda |
distribuido | Si se va a usar el entrenamiento del distribuidor. | cuerda |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | cuerda |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
cuerda |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
cuerda |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | cuerda |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | cuerda |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
cuerda |
imageSize | Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | cuerda |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | cuerda |
maxSize | Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
minSize | Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
modelSize | Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge". Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | cuerda |
multiescala | Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%. Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | cuerda |
nmsIouThreshold | Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe estar flotante en el intervalo [0, 1]. | cuerda |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | cuerda |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | cuerda |
optimizador | Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". | cuerda |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | cuerda |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | cuerda |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | cuerda |
tileGridSize | Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tileOverlapRatio | Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tilePredictionsNmsThreshold | Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes. Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5". NMS: supresión no máxima |
cuerda |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | cuerda |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | cuerda |
validationIouThreshold | Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. | cuerda |
validationMetricType | Método de cálculo de métricas que se va a usar para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc". | cuerda |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | cuerda |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | cuerda |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageObjectDetection' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | ImageModelSettingsObjectDetection |
primaryMetric | Métrica principal para optimizar esta tarea. | 'MeanAveragePrecision' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'Regresión' (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
primaryMetric | Métrica principal para la tarea de regresión. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de regresión. | Matriz de cadenas que contiene cualquiera de: 'DecisionTree' "ElasticNet" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de regresión. | Matriz de cadenas que contiene cualquiera de: 'DecisionTree' "ElasticNet" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'TextClassification' (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrica principal para Text-Classification tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
datasetLanguage | Idioma del conjunto de datos, útil para los datos de texto. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
maxConcurrentTrials | Iteraciones de AutoML simultáneas máximas. | Int |
maxTrials | Número de iteraciones de AutoML. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'TextClassificationMultilabel' (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'TextNER' (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Command' (obligatorio) |
codeId | Identificador de recurso de ARM del recurso de código. | cuerda |
mandar | [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
distribución | Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. | DistributionConfiguration |
environmentId | [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
environmentVariables | Variables de entorno incluidas en el trabajo. | commandJobEnvironmentVariables |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | CommandJobInputs |
Límites | Límite de trabajos de comando. | commandJobLimits |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | CommandJobOutputs |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
distributionType | Establecimiento del tipo de objeto |
Mpi tensorFlow (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | 'Mpi' (obligatorio) |
processCountPerInstance | Número de procesos por nodo MPI. | Int |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | 'PyTorch' (obligatorio) |
processCountPerInstance | Número de procesos por nodo. | Int |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | 'TensorFlow' (obligatorio) |
parameterServerCount | Número de tareas del servidor de parámetros. | Int |
workerCount | Número de trabajadores. Si no se especifica, el valor predeterminado será el recuento de instancias. | Int |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | Establecimiento del tipo de objeto |
custom_model literal mlflow_model mltable triton_model uri_file uri_folder (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'custom_model' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'literal' (obligatorio) |
valor | [Obligatorio] Valor literal de la entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'triton_model' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_file' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobLimitsType | [Obligatorio] Tipo JobLimit. | 'Command' 'Barrido' (obligatorio) |
interrupción | Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'FineTuning' (obligatorio) |
fineTuningDetails | [Obligatorio] | FineTuningVertical (obligatorio) |
Salidas | [Obligatorio] | fineTuningJobOutputs (obligatorio) |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Tipos de instancia y otros recursos para el trabajo | jobResources de |
Nombre | Descripción | Valor |
---|---|---|
modelo | [Obligatorio] Modelo de entrada para ajustar correctamente. | mlFlowModelJobInput (obligatorio) |
taskType | [Obligatorio] Tipo de tarea de ajuste fino. | 'ChatCompletion' 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'QuestionAnswering' 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' 'TokenClassification' 'VideoMultiObjectTracking' (obligatorio) |
trainingData | [Obligatorio] Datos de entrenamiento para ajustar correctamente. | JobInput (obligatorio) |
validationData | Datos de validación para ajustar correctamente. | JobInput |
modelProvider | Establecimiento del tipo de objeto |
azureOpenAI personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modelProvider | [Obligatorio] Enumeración para determinar el tipo de ajuste fino. | "AzureOpenAI" (obligatorio) |
hiperparámetros | Hiperparámetros para ajustar el modelo de Azure Open AI. | azureOpenAiHyperParameters |
Nombre | Descripción | Valor |
---|---|---|
batchSize | Número de ejemplos de cada lote. Un tamaño de lote mayor significa que los parámetros del modelo se actualizan con menos frecuencia, pero con una varianza menor. | Int |
learningRateMultiplier | Factor de escala para la velocidad de aprendizaje. Una velocidad de aprendizaje más pequeña puede ser útil para evitar el sobreajuste. | Int |
nEpochs | Número de épocas para las que entrenar el modelo. Una época hace referencia a un ciclo completo a través del conjunto de datos de entrenamiento. | Int |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
instanceTypes | Lista de tipos de instancia entre los que elegir. | string[] |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Canalización' (obligatorio) |
Entradas | Entradas para el trabajo de canalización. | pipelineJobInputs |
Trabajos | Los trabajos construyen el trabajo de canalización. | PipelineJobJobs |
Salidas | Salidas para el trabajo de canalización | pipelineJobOutputs |
Configuración | Configuración de canalización, para cosas como ContinueRunOnStepFailure etcetera. | Para Bicep, puede usar la función any() |
sourceJobId | Identificador de recurso de ARM del trabajo de origen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | Para Bicep, puede usar la función any() |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Spark' (obligatorio) |
archivo | Archivar archivos usados en el trabajo. | string[] |
args | Argumentos para el trabajo. | cuerda |
codeId | [Obligatorio] arm-id del recurso de código. | string (obligatorio) |
Conf | Propiedades configuradas por Spark. | sparkJobConf |
entrada | [Obligatorio] Entrada que se va a ejecutar al iniciar el trabajo. | SparkJobEntry (obligatorio) |
environmentId | El identificador de recurso de ARM de la especificación del entorno para el trabajo. | cuerda |
environmentVariables | Variables de entorno incluidas en el trabajo. | SparkJobEnvironmentVariables |
Archivos | Archivos usados en el trabajo. | string[] |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | SparkJobInputs |
Frascos | Archivos Jar usados en el trabajo. | string[] |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | SparkJobOutputs |
pyFiles | Archivos de Python usados en el trabajo. | string[] |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | SparkResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | Establecimiento del tipo de objeto | SparkJobScalaEntry (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | [Obligatorio] Tipo del punto de entrada del trabajo. | 'SparkJobPythonEntry' (obligatorio) |
archivo | [Obligatorio] Ruta de acceso relativa del archivo de Python para el punto de entrada del trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | [Obligatorio] Tipo del punto de entrada del trabajo. | 'SparkJobScalaEntry' (obligatorio) |
className | [Obligatorio] Nombre de clase de Scala usado como punto de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
instanceType | Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. | cuerda |
runtimeVersion | Versión del entorno de ejecución de Spark que se usa para el trabajo. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Barrido' (obligatorio) |
earlyTermination | Las directivas de terminación anticipada permiten cancelar ejecuciones con un rendimiento deficiente antes de que se completen. | EarlyTerminationPolicy |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | sweepJobInputs |
Límites | Límite de trabajo de barrido. | sweepJobLimits |
objetivo | [Obligatorio] Objetivo de optimización. | objetivo (obligatorio) |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
samplingAlgorithm | [Obligatorio] Algoritmo de muestreo de hiperparámetros | samplingAlgorithm (obligatorio) |
searchSpace | [Obligatorio] Diccionario que contiene cada parámetro y su distribución. La clave de diccionario es el nombre del parámetro . | Para Bicep, puede usar la función any() |
juicio | [Obligatorio] Definición del componente de prueba. | trialComponent (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobLimitsType | [Obligatorio] Tipo JobLimit. | 'Command' 'Barrido' (obligatorio) |
maxConcurrentTrials | Pruebas simultáneas máximas del trabajo de barrido. | Int |
maxTotalTrials | Pruebas totales máximas del trabajo de barrido. | Int |
interrupción | Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. | cuerda |
trialTimeout | Valor de tiempo de espera de prueba del trabajo de barrido. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
Gol | [Obligatorio] Define los objetivos de métrica admitidos para el ajuste de hiperparámetros | 'Maximizar' 'Minimizar' (obligatorio) |
primaryMetric | [Obligatorio] Nombre de la métrica que se va a optimizar. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | Establecimiento del tipo de objeto |
bayesianos grid de aleatorio (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | 'Bayesian' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | 'Grid' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | 'Random' (obligatorio) |
regla | Tipo específico de algoritmo aleatorio | 'Random' 'Sobol' |
semilla | Entero opcional que se va a usar como inicialización para la generación de números aleatorios | Int |
Nombre | Descripción | Valor |
---|---|---|
codeId | Identificador de recurso de ARM del recurso de código. | cuerda |
mandar | [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
distribución | Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. | DistributionConfiguration |
environmentId | [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
environmentVariables | Variables de entorno incluidas en el trabajo. | TrialComponentEnvironmentVariables |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
actionType | [Obligatorio] Especifica el tipo de acción de la programación. | 'CreateMonitor' (obligatorio) |
monitorDefinition | [Obligatorio] Define el monitor. | monitorDefinition (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
alertNotificationSettings | Configuración de notificación del monitor. | MonitorNotificationSettings |
computeConfiguration | [Obligatorio] Identificador de recurso de ARM del recurso de proceso en el que ejecutar el trabajo de supervisión. | MonitorComputeConfigurationBase (obligatorio) |
monitoringTarget | Las entidades dirigidas por el monitor. | MonitoringTarget |
señales | [Obligatorio] Señales que se van a supervisar. | MonitorDefinitionSignals (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
emailNotificationSettings | Configuración del correo electrónico de notificación de AML. | MonitorEmailNotificationSettings |
Nombre | Descripción | Valor |
---|---|---|
correos electrónicos | Lista de destinatarios de correo electrónico que tiene una limitación de 499 caracteres en total. | string[] |
Nombre | Descripción | Valor |
---|---|---|
computeType | Establecimiento del tipo de objeto | serverlessSpark (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'ServerlessSpark' (obligatorio) |
computeIdentity | [Obligatorio] El esquema de identidad que aprovechan los trabajos de Spark que se ejecutan en Spark sin servidor. | MonitorComputeIdentityBase (obligatorio) |
instanceType | [Obligatorio] Tipo de instancia que ejecuta el trabajo de Spark. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
runtimeVersion | [Obligatorio] La versión del entorno de ejecución de Spark. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = ^[0-9]+\.[0-9]+$ |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | Establecimiento del tipo de objeto |
AmlToken managedIdentity (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | [Obligatorio] Especifica el tipo de identidad que se va a usar en los trabajos de supervisión. | 'AmlToken' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | [Obligatorio] Especifica el tipo de identidad que se va a usar en los trabajos de supervisión. | 'ManagedIdentity' (obligatorio) |
identidad | La identidad que aprovecharán los trabajos de supervisión. | managedServiceIdentity |
Este objeto no contiene ninguna propiedad que se establezca durante la implementación. Todas las propiedades son ReadOnly.
Nombre | Descripción | Valor |
---|---|---|
deploymentId | Referencia al recurso de implementación dirigido por este monitor. | cuerda |
modelId | Referencia al recurso de modelo de destino de este monitor. | cuerda |
taskType | [Obligatorio] Tipo de tarea de aprendizaje automático del modelo supervisado. | 'Clasificación' 'Regresión' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | MonitoringSignalBase |
Nombre | Descripción | Valor |
---|---|---|
notificationTypes | Modo de notificación actual para esta señal. | Matriz de cadenas que contiene cualquiera de: 'AmlNotification' |
Propiedades | Diccionario de propiedades. Se pueden agregar propiedades, pero no se pueden quitar ni modificar. | MonitoringSignalBaseProperties |
signalType | Establecimiento del tipo de objeto |
personalizado DataDrift DataQuality FeatureAttributionDrift PredictionDrift (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Custom' (obligatorio) |
componentId | [Obligatorio] Referencia al recurso de componente usado para calcular las métricas personalizadas. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
inputAssets | Supervisar los recursos que se van a tomar como entrada. La clave es el nombre del puerto de entrada del componente, el valor es el recurso de datos. | CustomMonitoringSignalInputAssets |
Entradas | Parámetros de componente adicionales que se van a tomar como entrada. La clave es el nombre del puerto de entrada literal del componente, el valor es el valor del parámetro. | CustomMonitoringSignalInputs |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | CustomMetricThreshold[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | |
Nombre | Descripción | Valor |
---|---|---|
Columnas | Asignación de nombres de columna a usos especiales. | MonitoringInputDataBaseColumns |
dataContext | Metadatos de contexto del origen de datos. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" 'literal' "mlflow_model" 'mltable' "triton_model" "uri_file" 'uri_folder' (obligatorio) |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
inputDataType | Establecimiento del tipo de objeto |
fijo gradual estático (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Fixed' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Rolling' (obligatorio) |
preprocessingComponentId | Referencia al recurso de componente usado para preprocesar los datos. | cuerda |
windowOffset | [Obligatorio] Desplazamiento de tiempo entre el final de la ventana de datos y el tiempo de ejecución actual del monitor. | string (obligatorio) |
windowSize | [Obligatorio] Tamaño de la ventana de datos graduales. | string (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Static' (obligatorio) |
preprocessingComponentId | Referencia al recurso de componente usado para preprocesar los datos. | cuerda |
windowEnd | [Obligatorio] Fecha de finalización de la ventana de datos. | string (obligatorio) |
windowStart | [Obligatorio] Fecha de inicio de la ventana de datos. | string (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
métrico | [Obligatorio] Métrica definida por el usuario que se va a calcular. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Nombre | Descripción | Valor |
---|---|---|
valor | Valor de umbral. Si es null, el valor predeterminado del conjunto depende del tipo de métrica. | Int |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'DataDrift' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | dataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | La configuración de importancia de las características informáticas. | featureImportanceSettings |
Funciones | Filtro de características que identifica qué característica se va a calcular el desfase. | MonitoringFeatureFilterBase |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | DataDriftMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
modo | Modo de funcionamiento para calcular la importancia de las características. | 'Deshabilitado' 'Habilitado' |
targetColumn | Nombre de la columna de destino dentro del recurso de datos de entrada. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
filterType | Establecimiento del tipo de objeto |
AllFeatures featureSubset TopNByAttribution (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | 'AllFeatures' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | 'FeatureSubset' (obligatorio) |
Funciones | [Obligatorio] Lista de características que se van a incluir. | string[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | 'TopNByAttribution' (obligatorio) |
Arriba | Número de características principales que se van a incluir. | Int |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Categorical' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de datos categóricos que se va a calcular. | 'ShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Numeric' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de datos numérica que se va a calcular. | 'ShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' 'TwoSampleKolmogorovSmirnovTest' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'DataQuality' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | La configuración de importancia de las características informáticas. | featureImportanceSettings |
Funciones | Características para calcular el desfase. | MonitoringFeatureFilterBase |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | DataQualityMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Los datos generados por el servicio de producción para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Categorical' (obligatorio) |
métrico | [Obligatorio] Métrica de calidad de datos categóricos que se va a calcular. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Numeric' (obligatorio) |
métrico | [Obligatorio] Métrica numérica de calidad de datos que se va a calcular. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'FeatureAttributionDrift' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | [Obligatorio] La configuración de importancia de las características informáticas. | FeatureImportanceSettings (obligatorio) |
metricThreshold | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | FeatureAttributionMetricThreshold (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase[] (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
métrico | [Obligatorio] Métrica de atribución de características que se va a calcular. | 'NormalizedDiscountedCumulativeGain' (obligatorio) |
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'PredictionDrift' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | PredictionDriftMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Categorical' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de predicción categórica que se va a calcular. | 'ShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Numeric' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase numérica de predicción que se va a calcular. | 'ShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' 'TwoSampleKolmogorovSmirnovTest' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
actionType | [Obligatorio] Especifica el tipo de acción de la programación. | 'InvokeBatchEndpoint' (obligatorio) |
endpointInvocationDefinition | [Obligatorio] Define los detalles de la definición de la acción Programar. {see href="TBD" /} |
Para Bicep, puede usar la función any() |
Nombre | Descripción | Valor |
---|---|---|
endTime | Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601. El formato recommented sería "2022-06-01T00:00:01" Si no está presente, la programación se ejecutará indefinidamente. |
cuerda |
startTime | Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. | cuerda |
timeZone | Especifica la zona horaria en la que se ejecuta la programación. TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones /> |
cuerda |
triggerType | Establecimiento del tipo de objeto |
Cron de periodicidad (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
triggerType | [Obligatorio] | 'Cron' (obligatorio) |
expresión | [Obligatorio] Especifica la expresión cron de la programación. La expresión debe seguir el formato NCronTab. |
string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
endTime | Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601. El formato recommented sería "2022-06-01T00:00:01" Si no está presente, la programación se ejecutará indefinidamente. |
cuerda |
frecuencia | [Obligatorio] Frecuencia de desencadenamiento de la programación. | 'Día' 'Hora' 'Minuto' 'Mes' 'Semana' (obligatorio) |
intervalo | [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. | int (obligatorio) |
horario | Programación de periodicidad. | RecurrenceSchedule |
startTime | Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. | cuerda |
timeZone | Especifica la zona horaria en la que se ejecuta la programación. TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones |
cuerda |
triggerType | [Obligatorio] | 'Cron' 'Periodicidad' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
horas | [Obligatorio] Lista de horas para la programación. | int[] (obligatorio) |
acta | [Obligatorio] Lista de minutos para la programación. | int[] (obligatorio) |
monthDays | Lista de días del mes para la programación | int[] |
días entre semana | Lista de días para la programación. | Matriz de cadenas que contiene cualquiera de: 'Viernes' "Lunes" 'Sábado' 'Domingo' 'Jueves' "Martes" 'Miércoles' |
El tipo de recurso workspaces/schedules se puede implementar con operaciones que tienen como destino:
- grupos de recursos: consulte comandos de implementación de grupos de recursos
Para obtener una lista de las propiedades modificadas en cada versión de API, consulte registro de cambios.
Para crear un recurso Microsoft.MachineLearningServices/workspaces/schedules, agregue el siguiente json a la plantilla.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2024-07-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
Establezca la propiedad actionType para especificar el tipo de objeto.
Para CreateJob, use:
"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": {},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
Para CreateMonitor, use:
"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": "AmlNotification",
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Para InvokeBatchEndpoint, use:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
Establezca la propiedad jobType para especificar el tipo de objeto.
Para AutoML, use:
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "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"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
Para Comando, use:
"jobType": "Command",
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
Para FineTuning, use:
"jobType": "FineTuning",
"fineTuningDetails": {
"model": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string",
"trainingData": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
},
"validationData": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
},
"modelProvider": "string"
// For remaining properties, see FineTuningVertical objects
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string"
},
"resources": {
"instanceTypes": [ "string" ]
}
Para canalización, use:
"jobType": "Pipeline",
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"jobs": {
"{customized property}": {}
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"settings": {},
"sourceJobId": "string"
Para spark, use:
"jobType": "Spark",
"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" ],
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"pyFiles": [ "string" ],
"queueSettings": {
"jobTier": "string"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
Para barrido, use:
"jobType": "Sweep",
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"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"
}
}
Establezca la propiedad identityType para especificar el tipo de objeto.
Para AMLToken, use:
"identityType": "AMLToken"
Para managed, use:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
Para UserIdentity, use:
"identityType": "UserIdentity"
Establezca la propiedad webhookType
Para azureDevOps, use:
"webhookType": "AzureDevOps"
Establezca la propiedad nodesValueType para especificar el tipo de objeto.
Para Todos los, use:
"nodesValueType": "All"
Establezca la propiedad jobOutputType para especificar el tipo de objeto.
Para custom_model, use:
"jobOutputType": "custom_model",
"mode": "string",
"uri": "string"
Para mlflow_model, use:
"jobOutputType": "mlflow_model",
"mode": "string",
"uri": "string"
Para mltable, use:
"jobOutputType": "mltable",
"mode": "string",
"uri": "string"
Para triton_model, use:
"jobOutputType": "triton_model",
"mode": "string",
"uri": "string"
Para uri_file, use:
"jobOutputType": "uri_file",
"mode": "string",
"uri": "string"
Para uri_folder, use:
"jobOutputType": "uri_folder",
"mode": "string",
"uri": "string"
Establezca la propiedad taskType para especificar el tipo de objeto.
Para clasificación, use:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Para forecasting, use:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Para ImageClassification, use:
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Para ImageClassificationMultilabel, use:
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Para imageInstanceSegmentation, use:
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Para ImageObjectDetection, use:
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Para regresión, use:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Para TextClassification, use:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"primaryMetric": "string",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Para TextClassificationMultilabel, use:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Para TextNER, use:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
"mode": "Auto"
Para Custom, use:
"mode": "Custom",
"value": "int"
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
"mode": "Auto"
Para Custom, use:
"mode": "Custom",
"value": "int"
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
"mode": "Auto"
Para Custom, use:
"mode": "Custom",
"value": "int"
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
"mode": "Auto"
Para Custom, use:
"mode": "Custom",
"values": [ "int" ]
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
"mode": "Auto"
Para Custom, use:
"mode": "Custom",
"value": "int"
Establezca la propiedad policyType
Para Bandit, use:
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
Para medianStopping, use:
"policyType": "MedianStopping"
Para TruncationSelection, use:
"policyType": "TruncationSelection",
"truncationPercentage": "int"
Establezca la propiedad distributionType
Para Mpi, use:
"distributionType": "Mpi",
"processCountPerInstance": "int"
Para pyTorch, use:
"distributionType": "PyTorch",
"processCountPerInstance": "int"
Para tensorFlow, use:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
Establezca la propiedad jobInputType para especificar el tipo de objeto.
Para custom_model, use:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
Para literal, use:
"jobInputType": "literal",
"value": "string"
Para mlflow_model, use:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
Para mltable, use:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
Para triton_model, use:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
Para uri_file, use:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
Para uri_folder, use:
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
Establezca la propiedad modelProvider para especificar el tipo de objeto.
Para azureOpenAI, use:
"modelProvider": "AzureOpenAI",
"hyperParameters": {
"batchSize": "int",
"learningRateMultiplier": "int",
"nEpochs": "int"
}
Para Custom, use:
"modelProvider": "Custom",
"hyperParameters": {
"{customized property}": "string"
}
Establezca la
Para sparkJobPythonEntry, use:
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
Para SparkJobScalaEntry, use:
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "string"
Establezca la propiedad samplingAlgorithmType para especificar el tipo de objeto.
Para bayesiano , use:
"samplingAlgorithmType": "Bayesian"
Para Grid, use:
"samplingAlgorithmType": "Grid"
Para random, use:
"samplingAlgorithmType": "Random",
"rule": "string",
"seed": "int"
Establezca la propiedad computeType
Para ServerlessSpark , use:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
Establezca la propiedad computeIdentityType para especificar el tipo de objeto.
Para AmlToken, use:
"computeIdentityType": "AmlToken"
Para managedIdentity, use:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
Establezca la propiedad signalType para especificar el tipo de objeto.
Para Custom, use:
"signalType": "Custom",
"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"
}
}
]
Para DataDrift, use:
"signalType": "DataDrift",
"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
}
Para DataQuality, use:
"signalType": "DataQuality",
"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
}
Para FeatureAttributionDrift, use:
"signalType": "FeatureAttributionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"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
}
Para PredictionDrift, use:
"signalType": "PredictionDrift",
"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
}
Establezca la propiedad inputDataType para especificar el tipo de objeto.
Para fixed, use:
"inputDataType": "Fixed"
Para rolling, use:
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
Para static, use:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
Establezca la propiedad filterType
Para AllFeatures, use:
"filterType": "AllFeatures"
Para FeatureSubset, use:
"filterType": "FeatureSubset",
"features": [ "string" ]
Para TopNByAttribution, use:
"filterType": "TopNByAttribution",
"top": "int"
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
"dataType": "Categorical",
"metric": "string"
Para numérico, use:
"dataType": "Numerical",
"metric": "string"
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
"dataType": "Categorical",
"metric": "string"
Para numérico, use:
"dataType": "Numerical",
"metric": "string"
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
"dataType": "Categorical",
"metric": "string"
Para numérico, use:
"dataType": "Numerical",
"metric": "string"
Establezca la propiedad triggerType para especificar el tipo de objeto.
Para Cron, use:
"triggerType": "Cron",
"expression": "string"
Para periodicidad, use:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Nombre | Descripción | Valor |
---|---|---|
tipo | El tipo de recurso | "Microsoft.MachineLearningServices/workspaces/schedules" |
apiVersion | La versión de la API de recursos | '2024-07-01-preview' |
nombre | El nombre del recurso Vea cómo establecer nombres y tipos para recursos secundarios en plantillas de ARM json. |
string (obligatorio) |
Propiedades | [Obligatorio] Atributos adicionales de la entidad. | ScheduleProperties (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
actionType | Establecimiento del tipo de objeto |
CreateJob CreateMonitor InvokeBatchEndpoint (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
componentId | Identificador de recurso de ARM del recurso de componente. | cuerda |
computeId | Identificador de recurso de ARM del recurso de proceso. | cuerda |
descripción | Texto de descripción del recurso. | cuerda |
displayName | Nombre para mostrar del trabajo. | cuerda |
experimentName | Nombre del experimento al que pertenece el trabajo. Si no se establece, el trabajo se coloca en el experimento "Predeterminado". | cuerda |
identidad | Configuración de identidad. Si se establece, debe ser uno de AmlToken, ManagedIdentity, UserIdentity o NULL. El valor predeterminado es AmlToken si es null. |
IdentityConfiguration |
isArchived | ¿El recurso está archivado? | Bool |
notificationSetting | Configuración de notificación para el trabajo | NotificationSetting |
Propiedades | Diccionario de propiedades de recurso. | ResourceBaseProperties |
servicios | Lista de jobEndpoints. Para los trabajos locales, un punto de conexión de trabajo tendrá un valor de punto de conexión de FileStreamObject. |
JobBaseServices |
Etiquetas | Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. | objeto |
jobType | Establecimiento del tipo de objeto |
autoML de comandos de FineTuning spark de barrido (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | Establecimiento del tipo de objeto |
AMLToken managed userIdentity (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | 'AMLToken' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | "Administrado" (obligatorio) |
clientId | Especifica una identidad asignada por el usuario por identificador de cliente. En el caso de asignados por el sistema, no establezca este campo. | cuerda Restricciones: Longitud mínima = 36 Longitud máxima = 36 Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Especifica una identidad asignada por el usuario por identificador de objeto. En el caso de asignados por el sistema, no establezca este campo. | cuerda Restricciones: Longitud mínima = 36 Longitud máxima = 36 Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Especifica una identidad asignada por el usuario por el identificador de recurso de ARM. En el caso de asignados por el sistema, no establezca este campo. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | 'UserIdentity' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
emailOn | Enviar notificación por correo electrónico al usuario en el tipo de notificación especificado | Matriz de cadenas que contiene cualquiera de: 'JobCancelled' 'JobCompleted' 'JobFailed' |
correos electrónicos | Esta es la lista de destinatarios de correo electrónico que tiene una limitación de 499 caracteres en total concat con separador de comas. | string[] |
webhooks | Enviar devolución de llamada de webhook a un servicio. La clave es un nombre proporcionado por el usuario para el webhook. | NotificationSettingWebhooks |
Nombre | Descripción | Valor |
---|---|---|
eventType | Enviar devolución de llamada en un evento de notificación especificado | cuerda |
webhookType | Establecimiento del tipo de objeto | azureDevOps (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
webhookType | [Obligatorio] Especifica el tipo de servicio que se va a enviar una devolución de llamada. | "AzureDevOps" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | JobService |
Nombre | Descripción | Valor |
---|---|---|
Extremo | Dirección URL del punto de conexión. | cuerda |
jobServiceType | Tipo de punto de conexión. | cuerda |
Nodos | Nodos en los que el usuario desea iniciar el servicio. Si los nodos no se establecen o se establecen en NULL, el servicio solo se iniciará en el nodo líder. |
nodos de |
puerto | Puerto para el punto de conexión. | Int |
Propiedades | Propiedades adicionales que se van a establecer en el punto de conexión. | |
Nombre | Descripción | Valor |
---|---|---|
nodesValueType | Establecimiento del tipo de objeto | todos los (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
nodesValueType | [Obligatorio] Tipo del valor nodos | 'All' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'AutoML' (obligatorio) |
environmentId | El identificador de recurso de ARM de la especificación del entorno para el trabajo. Este es un valor opcional que se debe proporcionar, si no se proporciona, AutoML se usará de forma predeterminada en la versión del entorno mantenido por AutoML de producción al ejecutar el trabajo. |
cuerda |
environmentVariables | Variables de entorno incluidas en el trabajo. | AutoMLJobEnvironmentVariables |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | AutoMLJobOutputs |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
taskDetails | [Obligatorio] Esto representa un escenario que puede ser una de las tablas,NLP/Image. | AutoMLVertical (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la salida. | cuerda |
jobOutputType | Establecimiento del tipo de objeto |
custom_model mlflow_model mltable triton_model uri_file uri_folder (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'custom_model' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "mlflow_model" (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'mltable' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'triton_model' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_file' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de salida. | 'Directo' 'ReadWriteMount' 'Cargar' |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobTier | Controla el nivel de trabajo de proceso | "Básico" 'Null' 'Premium' 'Spot' 'Estándar' |
Nombre | Descripción | Valor |
---|---|---|
dockerArgs | Argumentos adicionales para pasar al comando docker run. Esto invalidaría los parámetros ya establecidos por el sistema o en esta sección. Este parámetro solo se admite para los tipos de proceso de Azure ML. | cuerda |
instanceCount | Número opcional de instancias o nodos usados por el destino de proceso. | Int |
instanceType | Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. | cuerda |
Propiedades | Bolsa de propiedades adicionales. | resourceConfigurationProperties |
shmSize | Tamaño del bloque de memoria compartida del contenedor de Docker. Debe estar en el formato (número)(unidad) donde el número como mayor que 0 y la unidad puede ser uno de b(bytes), k(kilobytes), m(megabytes) o g(gigabytes). | cuerda Restricciones: Patrón = \d+[bBkKmMgG] |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} |
Nombre | Descripción | Valor |
---|---|---|
logVerbosity | Detalle del registro del trabajo. | "Crítico" "Depurar" 'Error' 'Info' 'NotSet' 'Advertencia' |
targetColumnName | Nombre de columna de destino: se trata de la columna de valores de predicción. También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación. |
cuerda |
trainingData | [Obligatorio] Entrada de datos de entrenamiento. | mlTableJobInput (obligatorio) |
taskType | Establecimiento del tipo de objeto | de clasificación de de previsión ImageClassification imageClassificationMultilabel ImageInstanceSegmentation regresión TextClassification TextClassificationMultilabel TextNER (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" 'literal' "mlflow_model" 'mltable' "triton_model" "uri_file" 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'Clasificación' (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
positiveLabel | Etiqueta positiva para el cálculo de métricas binarias. | cuerda |
primaryMetric | Métrica principal de la tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | ClassificationTrainingSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
blockedTransformers | Estos transformadores no se utilizarán en la caracterización. | Matriz de cadenas que contiene cualquiera de: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' "OneHotEncoder" 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding' |
columnNameAndTypes | Diccionario de nombre de columna y su tipo (int, float, string, datetime etcetera). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Idioma del conjunto de datos, útil para los datos de texto. | cuerda |
enableDnnFeaturization | Determina si se deben usar los caracterizadores basados en Dnn para la caracterización de datos. | Bool |
modo | Modo de caracterización: el usuario puede mantener el modo "Automático" predeterminado y AutoML se encargará de la transformación necesaria de los datos en la fase de caracterización. Si se selecciona "Desactivado", no se realiza ninguna caracterización. Si se selecciona "Personalizado", el usuario puede especificar entradas adicionales para personalizar cómo se realiza la caracterización. |
'Auto' 'Personalizado' 'Desactivado' |
transformerParams | El usuario puede especificar transformadores adicionales que se usarán junto con las columnas a las que se aplicaría y los parámetros para el constructor del transformador. | TableVerticalFeaturizationSettingsTransformerParams |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | columnTransformer[] |
Nombre | Descripción | Valor |
---|---|---|
Campos | Campos en los que se va a aplicar la lógica del transformador. | string[] |
Parámetros | Propiedades diferentes que se van a pasar al transformador. La entrada esperada es el diccionario de pares clave-valor en formato JSON. |
Nombre | Descripción | Valor |
---|---|---|
enableEarlyTermination | Habilitar la terminación anticipada, determina si AutoMLJob finalizará pronto si no hay ninguna mejora de puntuación en las últimas 20 iteraciones. | Bool |
exitScore | Puntuación de salida para el trabajo de AutoML. | Int |
maxConcurrentTrials | Iteraciones simultáneas máximas. | Int |
maxCoresPerTrial | Número máximo de núcleos por iteración. | Int |
maxTrials | Número de iteraciones. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
trialTimeout | Tiempo de espera de iteración. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo para determinar las validaciones N cruzadas. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo para determinar las validaciones N cruzadas. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor de N-Validaciones cruzadas. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de clasificación. | Matriz de cadenas que contiene cualquiera de: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de clasificación. | Matriz de cadenas que contiene cualquiera de: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
stackMetaLearnerKWargs | Parámetros opcionales para pasar al inicializador del meta-learner. | |
stackMetaLearnerTrainPercentage | Especifica la proporción del conjunto de entrenamiento (al elegir el tipo de entrenamiento y validación de entrenamiento) que se va a reservar para entrenar al meta-learner. El valor predeterminado es 0,2. | Int |
stackMetaLearnerType | El meta-learner es un modelo entrenado en la salida de los modelos heterogéneos individuales. | "ElasticNet" "ElasticNetCV" 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Ninguno' |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "Previsión" (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Previsión de entradas específicas de la tarea. | ForecastingSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
primaryMetric | Métrica principal para la tarea de previsión. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | ForecastingTrainingSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
countryOrRegionForHolidays | País o región para días festivos para las tareas de previsión. Deben ser códigos de país o región de dos letras ISO 3166, por ejemplo, "US" o "GB". |
cuerda |
cvStepSize | Número de períodos entre la hora de origen de un plegado CV y el siguiente plegado. Para por ejemplo, si CVStepSize = 3 para los datos diarios, la hora de origen de cada plegamiento serátres días de diferencia. |
Int |
featureLags | Marca para generar retrasos para las características numéricas con "auto" o null. | 'Auto' 'Ninguno' |
forecastHorizon | Horizonte de previsión máximo deseado en unidades de frecuencia de serie temporal. | ForecastHorizon |
frecuencia | Al realizar la previsión, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etcetera. La frecuencia de previsión es la frecuencia del conjunto de datos de forma predeterminada. | cuerda |
estacionalidad | Establezca la estacionalidad de series temporales como un entero múltiplo de la frecuencia de la serie. Si la estacionalidad se establece en "auto", se deducirá. |
estacionalidad |
shortSeriesHandlingConfig | Parámetro que define cómo si AutoML debe controlar series temporales cortas. | 'Auto' 'Drop' 'Ninguno' 'Pad' |
targetAggregateFunction | Función que se va a usar para agregar la columna de destino de serie temporal para ajustarse a una frecuencia especificada por el usuario. Si targetAggregateFunction se establece, es decir, no "None", pero no se establece el parámetro freq, se genera el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean". |
'Max' 'Mean' 'Min' 'Ninguno' 'Sum' |
targetLags | Número de períodos anteriores que se van a retardar desde la columna de destino. | TargetLags |
targetRollingWindowSize | Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. | TargetRollingWindowSize |
timeColumnName | Nombre de la columna de hora. Este parámetro es necesario cuando se prevé especificar la columna datetime en los datos de entrada utilizados para compilar la serie temporal e inferir su frecuencia. | cuerda |
timeSeriesIdColumnNames | Los nombres de las columnas usadas para agrupar una serie de horas. Se puede usar para crear varias series. Si no se define el grano, se supone que el conjunto de datos es una serie temporal. Este parámetro se usa con la previsión del tipo de tarea. |
string[] |
useStl | Configure la descomposición de STL de la columna de destino de serie temporal. | 'Ninguno' 'Temporada' 'SeasonTrend' |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor del horizonte de previsión. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de estacionalidad. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de estacionalidad. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor de estacionalidad. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado | 'Custom' (obligatorio) |
valores | [Obligatorio] Establezca los valores de retardo de destino. | int[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de detección TargetRollingWindowSiz. | 'Auto' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de detección TargetRollingWindowSiz. | 'Custom' (obligatorio) |
valor | [Obligatorio] Valor TargetRollingWindowSize. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de previsión. | Matriz de cadenas que contiene cualquiera de: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' "ElasticNet" 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' "Profeta" 'RandomForest' 'SGD' 'EstacionalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de previsión. | Matriz de cadenas que contiene cualquiera de: 'Arimax' 'AutoArima' 'Average' 'DecisionTree' "ElasticNet" 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' "Profeta" 'RandomForest' 'SGD' 'EstacionalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageClassification' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | |
primaryMetric | Métrica principal para optimizar esta tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
maxConcurrentTrials | Número máximo de iteraciones simultáneas de AutoML. | Int |
maxTrials | Número máximo de iteraciones de AutoML. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
advancedSettings | Configuración de escenarios avanzados. | cuerda |
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | Bool |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
checkpointFrequency | Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. | Int |
checkpointModel | Modelo de punto de control entrenado previamente para el entrenamiento incremental. | mlFlowModelJobInput |
checkpointRunId | Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. | cuerda |
distribuido | Si se va a usar el entrenamiento distribuido. | Bool |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | Bool |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
Int |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
Int |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | Bool |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | Int |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
Int |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | Int |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | 'Ninguno' 'Paso' "WarmupCosine" |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | Int |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | Bool |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | Int |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | Int |
optimizador | Tipo de optimizador. | 'Adam' 'Adamw' 'Ninguno' 'Sgd' |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | Int |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | Int |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | Int |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | Int |
trainingCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. | Int |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | Int |
validationCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. | Int |
validationResizeSizeSize | Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. | Int |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | Int |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | Int |
weightedLoss | Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2. |
Int |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" 'literal' "mlflow_model" 'mltable' "triton_model" "uri_file" 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | cuerda |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
distribuido | Si se va a usar el entrenamiento del distribuidor. | cuerda |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | cuerda |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
cuerda |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
cuerda |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | cuerda |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | cuerda |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
cuerda |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | cuerda |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | cuerda |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | cuerda |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | cuerda |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | cuerda |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | cuerda |
optimizador | Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". | cuerda |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | cuerda |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | cuerda |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | cuerda |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | cuerda |
trainingCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. | cuerda |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | cuerda |
validationCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. | cuerda |
validationResizeSizeSize | Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. | cuerda |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | cuerda |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | cuerda |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | cuerda |
weightedLoss | Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2. |
cuerda |
Nombre | Descripción | Valor |
---|---|---|
earlyTermination | Tipo de directiva de terminación anticipada. | EarlyTerminationPolicy |
samplingAlgorithm | [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. | 'Bayesiano' 'Grid' 'Random' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
delayEvaluation | Número de intervalos por los que se va a retrasar la primera evaluación. | Int |
evaluationInterval | Intervalo (número de ejecuciones) entre evaluaciones de directivas. | Int |
policyType | Establecimiento del tipo de objeto |
bandido medianStopping truncamientoSelección (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | 'Bandit' (obligatorio) |
slackAmount | Distancia absoluta permitida desde la mejor ejecución. | Int |
slackFactor | Relación de la distancia permitida desde la ejecución con mejor rendimiento. | Int |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | 'MedianStopping' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | 'TruncationSelection' (obligatorio) |
truncationPercentage | Porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. | Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageClassificationMultilabel' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | |
primaryMetric | Métrica principal para optimizar esta tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageInstanceSegmentation' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | ImageModelSettingsObjectDetection |
primaryMetric | Métrica principal para optimizar esta tarea. | 'MeanAveragePrecision' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
advancedSettings | Configuración de escenarios avanzados. | cuerda |
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | Bool |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
boxDetectionsPerImage | Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
boxScoreThreshold | Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1]. |
Int |
checkpointFrequency | Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. | Int |
checkpointModel | Modelo de punto de control entrenado previamente para el entrenamiento incremental. | mlFlowModelJobInput |
checkpointRunId | Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. | cuerda |
distribuido | Si se va a usar el entrenamiento distribuido. | Bool |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | Bool |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
Int |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
Int |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | Bool |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | Int |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
Int |
imageSize | Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
Int |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | Int |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | 'Ninguno' 'Paso' "WarmupCosine" |
maxSize | Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
minSize | Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
modelSize | Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge". Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
'ExtraLarge' 'Grande' "Medio" 'Ninguno' 'Pequeño' |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | Int |
multiescala | Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%. Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
Bool |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | Bool |
nmsIouThreshold | Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un float en el intervalo [0, 1]. | Int |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | Int |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | Int |
optimizador | Tipo de optimizador. | 'Adam' 'Adamw' 'Ninguno' 'Sgd' |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | Int |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | Int |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | Int |
tileGridSize | Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tileOverlapRatio | Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
tilePredictionsNmsThreshold | Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes. Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | Int |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | Int |
validationIouThreshold | Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. | Int |
validationMetricType | Método de cálculo de métricas que se va a usar para las métricas de validación. | 'Coco' 'CocoVoc' 'Ninguno' 'Voc' |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | Int |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | Int |
Nombre | Descripción | Valor |
---|---|---|
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | cuerda |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
boxDetectionsPerImage | Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
boxScoreThreshold | Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1]. |
cuerda |
distribuido | Si se va a usar el entrenamiento del distribuidor. | cuerda |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | cuerda |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
cuerda |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
cuerda |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | cuerda |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | cuerda |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
cuerda |
imageSize | Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | cuerda |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | cuerda |
maxSize | Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
minSize | Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
modelSize | Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge". Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | cuerda |
multiescala | Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%. Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | cuerda |
nmsIouThreshold | Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe estar flotante en el intervalo [0, 1]. | cuerda |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | cuerda |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | cuerda |
optimizador | Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". | cuerda |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | cuerda |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | cuerda |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | cuerda |
tileGridSize | Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tileOverlapRatio | Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tilePredictionsNmsThreshold | Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes. Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5". NMS: supresión no máxima |
cuerda |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | cuerda |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | cuerda |
validationIouThreshold | Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. | cuerda |
validationMetricType | Método de cálculo de métricas que se va a usar para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc". | cuerda |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | cuerda |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | cuerda |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'ImageObjectDetection' (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | ImageModelSettingsObjectDetection |
primaryMetric | Métrica principal para optimizar esta tarea. | 'MeanAveragePrecision' |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'Regresión' (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
primaryMetric | Métrica principal para la tarea de regresión. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de regresión. | Matriz de cadenas que contiene cualquiera de: 'DecisionTree' "ElasticNet" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de regresión. | Matriz de cadenas que contiene cualquiera de: 'DecisionTree' "ElasticNet" 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'TextClassification' (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrica principal para Text-Classification tarea. | "AUCWeighted" 'Precisión' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
datasetLanguage | Idioma del conjunto de datos, útil para los datos de texto. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
maxConcurrentTrials | Iteraciones de AutoML simultáneas máximas. | Int |
maxTrials | Número de iteraciones de AutoML. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'TextClassificationMultilabel' (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | 'TextNER' (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Command' (obligatorio) |
codeId | Identificador de recurso de ARM del recurso de código. | cuerda |
mandar | [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
distribución | Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. | DistributionConfiguration |
environmentId | [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
environmentVariables | Variables de entorno incluidas en el trabajo. | commandJobEnvironmentVariables |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | CommandJobInputs |
Límites | Límite de trabajos de comando. | commandJobLimits |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | CommandJobOutputs |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
distributionType | Establecimiento del tipo de objeto |
Mpi tensorFlow (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | 'Mpi' (obligatorio) |
processCountPerInstance | Número de procesos por nodo MPI. | Int |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | 'PyTorch' (obligatorio) |
processCountPerInstance | Número de procesos por nodo. | Int |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | 'TensorFlow' (obligatorio) |
parameterServerCount | Número de tareas del servidor de parámetros. | Int |
workerCount | Número de trabajadores. Si no se especifica, el valor predeterminado será el recuento de instancias. | Int |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | Establecimiento del tipo de objeto |
custom_model literal mlflow_model mltable triton_model uri_file uri_folder (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'custom_model' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'literal' (obligatorio) |
valor | [Obligatorio] Valor literal de la entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'triton_model' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_file' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | 'uri_folder' (obligatorio) |
modo | Modo de entrega de recursos de entrada. | 'Directo' 'Descargar' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobLimitsType | [Obligatorio] Tipo JobLimit. | 'Command' 'Barrido' (obligatorio) |
interrupción | Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'FineTuning' (obligatorio) |
fineTuningDetails | [Obligatorio] | FineTuningVertical (obligatorio) |
Salidas | [Obligatorio] | fineTuningJobOutputs (obligatorio) |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Tipos de instancia y otros recursos para el trabajo | jobResources de |
Nombre | Descripción | Valor |
---|---|---|
modelo | [Obligatorio] Modelo de entrada para ajustar correctamente. | mlFlowModelJobInput (obligatorio) |
taskType | [Obligatorio] Tipo de tarea de ajuste fino. | 'ChatCompletion' 'ImageClassification' 'ImageInstanceSegmentation' 'ImageObjectDetection' 'QuestionAnswering' 'TextClassification' 'TextCompletion' 'TextSummarization' 'TextTranslation' 'TokenClassification' 'VideoMultiObjectTracking' (obligatorio) |
trainingData | [Obligatorio] Datos de entrenamiento para ajustar correctamente. | JobInput (obligatorio) |
validationData | Datos de validación para ajustar correctamente. | JobInput |
modelProvider | Establecimiento del tipo de objeto |
azureOpenAI personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modelProvider | [Obligatorio] Enumeración para determinar el tipo de ajuste fino. | "AzureOpenAI" (obligatorio) |
hiperparámetros | Hiperparámetros para ajustar el modelo de Azure Open AI. | azureOpenAiHyperParameters |
Nombre | Descripción | Valor |
---|---|---|
batchSize | Número de ejemplos de cada lote. Un tamaño de lote mayor significa que los parámetros del modelo se actualizan con menos frecuencia, pero con una varianza menor. | Int |
learningRateMultiplier | Factor de escala para la velocidad de aprendizaje. Una velocidad de aprendizaje más pequeña puede ser útil para evitar el sobreajuste. | Int |
nEpochs | Número de épocas para las que entrenar el modelo. Una época hace referencia a un ciclo completo a través del conjunto de datos de entrenamiento. | Int |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
instanceTypes | Lista de tipos de instancia entre los que elegir. | string[] |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Canalización' (obligatorio) |
Entradas | Entradas para el trabajo de canalización. | pipelineJobInputs |
Trabajos | Los trabajos construyen el trabajo de canalización. | PipelineJobJobs |
Salidas | Salidas para el trabajo de canalización | pipelineJobOutputs |
Configuración | Configuración de canalización, para cosas como ContinueRunOnStepFailure etcetera. | |
sourceJobId | Identificador de recurso de ARM del trabajo de origen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Spark' (obligatorio) |
archivo | Archivar archivos usados en el trabajo. | string[] |
args | Argumentos para el trabajo. | cuerda |
codeId | [Obligatorio] arm-id del recurso de código. | string (obligatorio) |
Conf | Propiedades configuradas por Spark. | sparkJobConf |
entrada | [Obligatorio] Entrada que se va a ejecutar al iniciar el trabajo. | SparkJobEntry (obligatorio) |
environmentId | El identificador de recurso de ARM de la especificación del entorno para el trabajo. | cuerda |
environmentVariables | Variables de entorno incluidas en el trabajo. | SparkJobEnvironmentVariables |
Archivos | Archivos usados en el trabajo. | string[] |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | SparkJobInputs |
Frascos | Archivos Jar usados en el trabajo. | string[] |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | SparkJobOutputs |
pyFiles | Archivos de Python usados en el trabajo. | string[] |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | SparkResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | Establecimiento del tipo de objeto | SparkJobScalaEntry (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | [Obligatorio] Tipo del punto de entrada del trabajo. | 'SparkJobPythonEntry' (obligatorio) |
archivo | [Obligatorio] Ruta de acceso relativa del archivo de Python para el punto de entrada del trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | [Obligatorio] Tipo del punto de entrada del trabajo. | 'SparkJobScalaEntry' (obligatorio) |
className | [Obligatorio] Nombre de clase de Scala usado como punto de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
instanceType | Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. | cuerda |
runtimeVersion | Versión del entorno de ejecución de Spark que se usa para el trabajo. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | 'Barrido' (obligatorio) |
earlyTermination | Las directivas de terminación anticipada permiten cancelar ejecuciones con un rendimiento deficiente antes de que se completen. | EarlyTerminationPolicy |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | sweepJobInputs |
Límites | Límite de trabajo de barrido. | sweepJobLimits |
objetivo | [Obligatorio] Objetivo de optimización. | objetivo (obligatorio) |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
samplingAlgorithm | [Obligatorio] Algoritmo de muestreo de hiperparámetros | samplingAlgorithm (obligatorio) |
searchSpace | [Obligatorio] Diccionario que contiene cada parámetro y su distribución. La clave de diccionario es el nombre del parámetro . | |
juicio | [Obligatorio] Definición del componente de prueba. | trialComponent (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobLimitsType | [Obligatorio] Tipo JobLimit. | 'Command' 'Barrido' (obligatorio) |
maxConcurrentTrials | Pruebas simultáneas máximas del trabajo de barrido. | Int |
maxTotalTrials | Pruebas totales máximas del trabajo de barrido. | Int |
interrupción | Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. | cuerda |
trialTimeout | Valor de tiempo de espera de prueba del trabajo de barrido. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
Gol | [Obligatorio] Define los objetivos de métrica admitidos para el ajuste de hiperparámetros | 'Maximizar' 'Minimizar' (obligatorio) |
primaryMetric | [Obligatorio] Nombre de la métrica que se va a optimizar. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | Establecimiento del tipo de objeto |
bayesianos grid de aleatorio (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | 'Bayesian' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | 'Grid' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | 'Random' (obligatorio) |
regla | Tipo específico de algoritmo aleatorio | 'Random' 'Sobol' |
semilla | Entero opcional que se va a usar como inicialización para la generación de números aleatorios | Int |
Nombre | Descripción | Valor |
---|---|---|
codeId | Identificador de recurso de ARM del recurso de código. | cuerda |
mandar | [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
distribución | Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. | DistributionConfiguration |
environmentId | [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
environmentVariables | Variables de entorno incluidas en el trabajo. | TrialComponentEnvironmentVariables |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
actionType | [Obligatorio] Especifica el tipo de acción de la programación. | 'CreateMonitor' (obligatorio) |
monitorDefinition | [Obligatorio] Define el monitor. | monitorDefinition (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
alertNotificationSettings | Configuración de notificación del monitor. | MonitorNotificationSettings |
computeConfiguration | [Obligatorio] Identificador de recurso de ARM del recurso de proceso en el que ejecutar el trabajo de supervisión. | MonitorComputeConfigurationBase (obligatorio) |
monitoringTarget | Las entidades dirigidas por el monitor. | MonitoringTarget |
señales | [Obligatorio] Señales que se van a supervisar. | MonitorDefinitionSignals (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
emailNotificationSettings | Configuración del correo electrónico de notificación de AML. | MonitorEmailNotificationSettings |
Nombre | Descripción | Valor |
---|---|---|
correos electrónicos | Lista de destinatarios de correo electrónico que tiene una limitación de 499 caracteres en total. | string[] |
Nombre | Descripción | Valor |
---|---|---|
computeType | Establecimiento del tipo de objeto | serverlessSpark (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'ServerlessSpark' (obligatorio) |
computeIdentity | [Obligatorio] El esquema de identidad que aprovechan los trabajos de Spark que se ejecutan en Spark sin servidor. | MonitorComputeIdentityBase (obligatorio) |
instanceType | [Obligatorio] Tipo de instancia que ejecuta el trabajo de Spark. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
runtimeVersion | [Obligatorio] La versión del entorno de ejecución de Spark. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = ^[0-9]+\.[0-9]+$ |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | Establecimiento del tipo de objeto |
AmlToken managedIdentity (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | [Obligatorio] Especifica el tipo de identidad que se va a usar en los trabajos de supervisión. | 'AmlToken' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | [Obligatorio] Especifica el tipo de identidad que se va a usar en los trabajos de supervisión. | 'ManagedIdentity' (obligatorio) |
identidad | La identidad que aprovecharán los trabajos de supervisión. | managedServiceIdentity |
Este objeto no contiene ninguna propiedad que se establezca durante la implementación. Todas las propiedades son ReadOnly.
Nombre | Descripción | Valor |
---|---|---|
deploymentId | Referencia al recurso de implementación dirigido por este monitor. | cuerda |
modelId | Referencia al recurso de modelo de destino de este monitor. | cuerda |
taskType | [Obligatorio] Tipo de tarea de aprendizaje automático del modelo supervisado. | 'Clasificación' 'Regresión' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | MonitoringSignalBase |
Nombre | Descripción | Valor |
---|---|---|
notificationTypes | Modo de notificación actual para esta señal. | Matriz de cadenas que contiene cualquiera de: 'AmlNotification' |
Propiedades | Diccionario de propiedades. Se pueden agregar propiedades, pero no se pueden quitar ni modificar. | MonitoringSignalBaseProperties |
signalType | Establecimiento del tipo de objeto |
personalizado DataDrift DataQuality FeatureAttributionDrift PredictionDrift (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Custom' (obligatorio) |
componentId | [Obligatorio] Referencia al recurso de componente usado para calcular las métricas personalizadas. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
inputAssets | Supervisar los recursos que se van a tomar como entrada. La clave es el nombre del puerto de entrada del componente, el valor es el recurso de datos. | CustomMonitoringSignalInputAssets |
Entradas | Parámetros de componente adicionales que se van a tomar como entrada. La clave es el nombre del puerto de entrada literal del componente, el valor es el valor del parámetro. | CustomMonitoringSignalInputs |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | CustomMetricThreshold[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | |
Nombre | Descripción | Valor |
---|---|---|
Columnas | Asignación de nombres de columna a usos especiales. | MonitoringInputDataBaseColumns |
dataContext | Metadatos de contexto del origen de datos. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" 'literal' "mlflow_model" 'mltable' "triton_model" "uri_file" 'uri_folder' (obligatorio) |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
inputDataType | Establecimiento del tipo de objeto |
fijo gradual estático (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Fixed' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Rolling' (obligatorio) |
preprocessingComponentId | Referencia al recurso de componente usado para preprocesar los datos. | cuerda |
windowOffset | [Obligatorio] Desplazamiento de tiempo entre el final de la ventana de datos y el tiempo de ejecución actual del monitor. | string (obligatorio) |
windowSize | [Obligatorio] Tamaño de la ventana de datos graduales. | string (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'Static' (obligatorio) |
preprocessingComponentId | Referencia al recurso de componente usado para preprocesar los datos. | cuerda |
windowEnd | [Obligatorio] Fecha de finalización de la ventana de datos. | string (obligatorio) |
windowStart | [Obligatorio] Fecha de inicio de la ventana de datos. | string (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
métrico | [Obligatorio] Métrica definida por el usuario que se va a calcular. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Nombre | Descripción | Valor |
---|---|---|
valor | Valor de umbral. Si es null, el valor predeterminado del conjunto depende del tipo de métrica. | Int |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'DataDrift' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | dataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | La configuración de importancia de las características informáticas. | featureImportanceSettings |
Funciones | Filtro de características que identifica qué característica se va a calcular el desfase. | MonitoringFeatureFilterBase |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | DataDriftMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
modo | Modo de funcionamiento para calcular la importancia de las características. | 'Deshabilitado' 'Habilitado' |
targetColumn | Nombre de la columna de destino dentro del recurso de datos de entrada. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
filterType | Establecimiento del tipo de objeto |
AllFeatures featureSubset TopNByAttribution (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | 'AllFeatures' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | 'FeatureSubset' (obligatorio) |
Funciones | [Obligatorio] Lista de características que se van a incluir. | string[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | 'TopNByAttribution' (obligatorio) |
Arriba | Número de características principales que se van a incluir. | Int |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Categorical' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de datos categóricos que se va a calcular. | 'ShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Numeric' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de datos numérica que se va a calcular. | 'ShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' 'TwoSampleKolmogorovSmirnovTest' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'DataQuality' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | La configuración de importancia de las características informáticas. | featureImportanceSettings |
Funciones | Características para calcular el desfase. | MonitoringFeatureFilterBase |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | DataQualityMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Los datos generados por el servicio de producción para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Categorical' (obligatorio) |
métrico | [Obligatorio] Métrica de calidad de datos categóricos que se va a calcular. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Numeric' (obligatorio) |
métrico | [Obligatorio] Métrica numérica de calidad de datos que se va a calcular. | 'DataTypeErrorRate' 'NullValueRate' 'OutOfBoundsRate' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'FeatureAttributionDrift' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | [Obligatorio] La configuración de importancia de las características informáticas. | FeatureImportanceSettings (obligatorio) |
metricThreshold | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | FeatureAttributionMetricThreshold (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase[] (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
métrico | [Obligatorio] Métrica de atribución de características que se va a calcular. | 'NormalizedDiscountedCumulativeGain' (obligatorio) |
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | 'PredictionDrift' (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | PredictionDriftMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | 'Categórico' 'Numérico' |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Categorical' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de predicción categórica que se va a calcular. | 'ShannonDistance' 'PearsonsChiSquaredTest' 'PopulationStabilityIndex' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | 'Numeric' (obligatorio) |
métrico | [Obligatorio] Métrica de desfase numérica de predicción que se va a calcular. | 'ShannonDistance' "NormalizedWassersteinDistance" 'PopulationStabilityIndex' 'TwoSampleKolmogorovSmirnovTest' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
actionType | [Obligatorio] Especifica el tipo de acción de la programación. | 'InvokeBatchEndpoint' (obligatorio) |
endpointInvocationDefinition | [Obligatorio] Define los detalles de la definición de la acción Programar. {see href="TBD" /} |
Nombre | Descripción | Valor |
---|---|---|
endTime | Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601. El formato recommented sería "2022-06-01T00:00:01" Si no está presente, la programación se ejecutará indefinidamente. |
cuerda |
startTime | Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. | cuerda |
timeZone | Especifica la zona horaria en la que se ejecuta la programación. TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones /> |
cuerda |
triggerType | Establecimiento del tipo de objeto |
Cron de periodicidad (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
triggerType | [Obligatorio] | 'Cron' (obligatorio) |
expresión | [Obligatorio] Especifica la expresión cron de la programación. La expresión debe seguir el formato NCronTab. |
string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
endTime | Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601. El formato recommented sería "2022-06-01T00:00:01" Si no está presente, la programación se ejecutará indefinidamente. |
cuerda |
frecuencia | [Obligatorio] Frecuencia de desencadenamiento de la programación. | 'Día' 'Hora' 'Minuto' 'Mes' 'Semana' (obligatorio) |
intervalo | [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. | int (obligatorio) |
horario | Programación de periodicidad. | RecurrenceSchedule |
startTime | Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. | cuerda |
timeZone | Especifica la zona horaria en la que se ejecuta la programación. TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones |
cuerda |
triggerType | [Obligatorio] | 'Cron' 'Periodicidad' (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
horas | [Obligatorio] Lista de horas para la programación. | int[] (obligatorio) |
acta | [Obligatorio] Lista de minutos para la programación. | int[] (obligatorio) |
monthDays | Lista de días del mes para la programación | int[] |
días entre semana | Lista de días para la programación. | Matriz de cadenas que contiene cualquiera de: 'Viernes' "Lunes" 'Sábado' 'Domingo' 'Jueves' "Martes" 'Miércoles' |
El tipo de recurso workspaces/schedules se puede implementar con operaciones que tienen como destino:
- grupos de recursos de
Para obtener una lista de las propiedades modificadas en cada versión de API, consulte registro de cambios.
Para crear un recurso Microsoft.MachineLearningServices/workspaces/schedules, agregue el siguiente terraform a la plantilla.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
}
tags = {}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
Establezca la propiedad actionType para especificar el tipo de objeto.
Para CreateJob, use:
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 = {}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
Para CreateMonitor, use:
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 = "AmlNotification"
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Para InvokeBatchEndpoint, use:
actionType = "InvokeBatchEndpoint"
Establezca la propiedad jobType para especificar el tipo de objeto.
Para AutoML, use:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "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 = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
Para Comando, use:
jobType = "Command"
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
Para FineTuning, use:
jobType = "FineTuning"
fineTuningDetails = {
model = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
trainingData = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
validationData = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
modelProvider = "string"
// For remaining properties, see FineTuningVertical objects
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
}
resources = {
instanceTypes = [
"string"
]
}
Para canalización, use:
jobType = "Pipeline"
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
sourceJobId = "string"
Para spark, use:
jobType = "Spark"
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"
]
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
pyFiles = [
"string"
]
queueSettings = {
jobTier = "string"
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
Para barrido, use:
jobType = "Sweep"
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
}
Establezca la propiedad identityType para especificar el tipo de objeto.
Para AMLToken, use:
identityType = "AMLToken"
Para managed, use:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
Para UserIdentity, use:
identityType = "UserIdentity"
Establezca la propiedad webhookType
Para azureDevOps, use:
webhookType = "AzureDevOps"
Establezca la propiedad nodesValueType para especificar el tipo de objeto.
Para Todos los, use:
nodesValueType = "All"
Establezca la propiedad jobOutputType para especificar el tipo de objeto.
Para custom_model, use:
jobOutputType = "custom_model"
mode = "string"
uri = "string"
Para mlflow_model, use:
jobOutputType = "mlflow_model"
mode = "string"
uri = "string"
Para mltable, use:
jobOutputType = "mltable"
mode = "string"
uri = "string"
Para triton_model, use:
jobOutputType = "triton_model"
mode = "string"
uri = "string"
Para uri_file, use:
jobOutputType = "uri_file"
mode = "string"
uri = "string"
Para uri_folder, use:
jobOutputType = "uri_folder"
mode = "string"
uri = "string"
Establezca la propiedad taskType para especificar el tipo de objeto.
Para clasificación, use:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Para forecasting, use:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Para ImageClassification, use:
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Para ImageClassificationMultilabel, use:
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Para imageInstanceSegmentation, use:
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Para ImageObjectDetection, use:
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Para regresión, use:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Para TextClassification, use:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
primaryMetric = "string"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Para TextClassificationMultilabel, use:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Para TextNER, use:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode = "Auto"
Para Custom, use:
mode = "Custom"
value = int
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode = "Auto"
Para Custom, use:
mode = "Custom"
value = int
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode = "Auto"
Para Custom, use:
mode = "Custom"
value = int
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode = "Auto"
Para Custom, use:
mode = "Custom"
values = [
int
]
Establezca el modo propiedad para especificar el tipo de objeto.
Para Auto, use:
mode = "Auto"
Para Custom, use:
mode = "Custom"
value = int
Establezca la propiedad policyType
Para Bandit, use:
policyType = "Bandit"
slackAmount = int
slackFactor = int
Para medianStopping, use:
policyType = "MedianStopping"
Para TruncationSelection, use:
policyType = "TruncationSelection"
truncationPercentage = int
Establezca la propiedad distributionType
Para Mpi, use:
distributionType = "Mpi"
processCountPerInstance = int
Para pyTorch, use:
distributionType = "PyTorch"
processCountPerInstance = int
Para tensorFlow, use:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
Establezca la propiedad jobInputType para especificar el tipo de objeto.
Para custom_model, use:
jobInputType = "custom_model"
mode = "string"
uri = "string"
Para literal, use:
jobInputType = "literal"
value = "string"
Para mlflow_model, use:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
Para mltable, use:
jobInputType = "mltable"
mode = "string"
uri = "string"
Para triton_model, use:
jobInputType = "triton_model"
mode = "string"
uri = "string"
Para uri_file, use:
jobInputType = "uri_file"
mode = "string"
uri = "string"
Para uri_folder, use:
jobInputType = "uri_folder"
mode = "string"
uri = "string"
Establezca la propiedad modelProvider para especificar el tipo de objeto.
Para azureOpenAI, use:
modelProvider = "AzureOpenAI"
hyperParameters = {
batchSize = int
learningRateMultiplier = int
nEpochs = int
}
Para Custom, use:
modelProvider = "Custom"
hyperParameters = {
{customized property} = "string"
}
Establezca la
Para sparkJobPythonEntry, use:
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
Para SparkJobScalaEntry, use:
sparkJobEntryType = "SparkJobScalaEntry"
className = "string"
Establezca la propiedad samplingAlgorithmType para especificar el tipo de objeto.
Para bayesiano , use:
samplingAlgorithmType = "Bayesian"
Para Grid, use:
samplingAlgorithmType = "Grid"
Para random, use:
samplingAlgorithmType = "Random"
rule = "string"
seed = int
Establezca la propiedad computeType
Para ServerlessSpark , use:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
Establezca la propiedad computeIdentityType para especificar el tipo de objeto.
Para AmlToken, use:
computeIdentityType = "AmlToken"
Para managedIdentity, use:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
Establezca la propiedad signalType para especificar el tipo de objeto.
Para Custom, use:
signalType = "Custom"
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
}
}
]
Para DataDrift, use:
signalType = "DataDrift"
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
}
Para DataQuality, use:
signalType = "DataQuality"
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
}
Para FeatureAttributionDrift, use:
signalType = "FeatureAttributionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
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
}
Para PredictionDrift, use:
signalType = "PredictionDrift"
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
}
Establezca la propiedad inputDataType para especificar el tipo de objeto.
Para fixed, use:
inputDataType = "Fixed"
Para rolling, use:
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
Para static, use:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
Establezca la propiedad filterType
Para AllFeatures, use:
filterType = "AllFeatures"
Para FeatureSubset, use:
filterType = "FeatureSubset"
features = [
"string"
]
Para TopNByAttribution, use:
filterType = "TopNByAttribution"
top = int
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
dataType = "Categorical"
metric = "string"
Para numérico, use:
dataType = "Numerical"
metric = "string"
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
dataType = "Categorical"
metric = "string"
Para numérico, use:
dataType = "Numerical"
metric = "string"
Establezca la propiedad dataType para especificar el tipo de objeto.
Para categórica, use:
dataType = "Categorical"
metric = "string"
Para numérico, use:
dataType = "Numerical"
metric = "string"
Establezca la propiedad triggerType para especificar el tipo de objeto.
Para Cron, use:
triggerType = "Cron"
expression = "string"
Para periodicidad, use:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Nombre | Descripción | Valor |
---|---|---|
tipo | El tipo de recurso | "Microsoft.MachineLearningServices/workspaces/schedules@2024-07-01-preview" |
nombre | El nombre del recurso | string (obligatorio) |
parent_id | Identificador del recurso que es el elemento primario de este recurso. | Identificador del recurso de tipo: áreas de trabajo |
Propiedades | [Obligatorio] Atributos adicionales de la entidad. | ScheduleProperties (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
actionType | Establecimiento del tipo de objeto |
CreateJob CreateMonitor InvokeBatchEndpoint (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
componentId | Identificador de recurso de ARM del recurso de componente. | cuerda |
computeId | Identificador de recurso de ARM del recurso de proceso. | cuerda |
descripción | Texto de descripción del recurso. | cuerda |
displayName | Nombre para mostrar del trabajo. | cuerda |
experimentName | Nombre del experimento al que pertenece el trabajo. Si no se establece, el trabajo se coloca en el experimento "Predeterminado". | cuerda |
identidad | Configuración de identidad. Si se establece, debe ser uno de AmlToken, ManagedIdentity, UserIdentity o NULL. El valor predeterminado es AmlToken si es null. |
IdentityConfiguration |
isArchived | ¿El recurso está archivado? | Bool |
notificationSetting | Configuración de notificación para el trabajo | NotificationSetting |
Propiedades | Diccionario de propiedades de recurso. | ResourceBaseProperties |
servicios | Lista de jobEndpoints. Para los trabajos locales, un punto de conexión de trabajo tendrá un valor de punto de conexión de FileStreamObject. |
JobBaseServices |
Etiquetas | Diccionario de etiquetas. Las etiquetas se pueden agregar, quitar y actualizar. | objeto |
jobType | Establecimiento del tipo de objeto |
autoML de comandos de FineTuning spark de barrido (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | Establecimiento del tipo de objeto |
AMLToken managed userIdentity (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | "AMLToken" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | "Administrado" (obligatorio) |
clientId | Especifica una identidad asignada por el usuario por identificador de cliente. En el caso de asignados por el sistema, no establezca este campo. | cuerda Restricciones: Longitud mínima = 36 Longitud máxima = 36 Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Especifica una identidad asignada por el usuario por identificador de objeto. En el caso de asignados por el sistema, no establezca este campo. | cuerda Restricciones: Longitud mínima = 36 Longitud máxima = 36 Patrón = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Especifica una identidad asignada por el usuario por el identificador de recurso de ARM. En el caso de asignados por el sistema, no establezca este campo. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
identityType | [Obligatorio] Especifica el tipo de marco de identidad. | "UserIdentity" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
emailOn | Enviar notificación por correo electrónico al usuario en el tipo de notificación especificado | Matriz de cadenas que contiene cualquiera de: "JobCancelled" "JobCompleted" "JobFailed" |
correos electrónicos | Esta es la lista de destinatarios de correo electrónico que tiene una limitación de 499 caracteres en total concat con separador de comas. | string[] |
webhooks | Enviar devolución de llamada de webhook a un servicio. La clave es un nombre proporcionado por el usuario para el webhook. | NotificationSettingWebhooks |
Nombre | Descripción | Valor |
---|---|---|
eventType | Enviar devolución de llamada en un evento de notificación especificado | cuerda |
webhookType | Establecimiento del tipo de objeto | azureDevOps (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
webhookType | [Obligatorio] Especifica el tipo de servicio que se va a enviar una devolución de llamada. | "AzureDevOps" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | JobService |
Nombre | Descripción | Valor |
---|---|---|
Extremo | Dirección URL del punto de conexión. | cuerda |
jobServiceType | Tipo de punto de conexión. | cuerda |
Nodos | Nodos en los que el usuario desea iniciar el servicio. Si los nodos no se establecen o se establecen en NULL, el servicio solo se iniciará en el nodo líder. |
nodos de |
puerto | Puerto para el punto de conexión. | Int |
Propiedades | Propiedades adicionales que se van a establecer en el punto de conexión. | |
Nombre | Descripción | Valor |
---|---|---|
nodesValueType | Establecimiento del tipo de objeto | todos los (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
nodesValueType | [Obligatorio] Tipo del valor nodos | "All" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | "AutoML" (obligatorio) |
environmentId | El identificador de recurso de ARM de la especificación del entorno para el trabajo. Este es un valor opcional que se debe proporcionar, si no se proporciona, AutoML se usará de forma predeterminada en la versión del entorno mantenido por AutoML de producción al ejecutar el trabajo. |
cuerda |
environmentVariables | Variables de entorno incluidas en el trabajo. | AutoMLJobEnvironmentVariables |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | AutoMLJobOutputs |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
taskDetails | [Obligatorio] Esto representa un escenario que puede ser una de las tablas,NLP/Image. | AutoMLVertical (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la salida. | cuerda |
jobOutputType | Establecimiento del tipo de objeto |
custom_model mlflow_model mltable triton_model uri_file uri_folder (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" (obligatorio) |
modo | Modo de entrega de recursos de salida. | "Directo" "ReadWriteMount" "Cargar" |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "mlflow_model" (obligatorio) |
modo | Modo de entrega de recursos de salida. | "Directo" "ReadWriteMount" "Cargar" |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "mltable" (obligatorio) |
modo | Modo de entrega de recursos de salida. | "Directo" "ReadWriteMount" "Cargar" |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "triton_model" (obligatorio) |
modo | Modo de entrega de recursos de salida. | "Directo" "ReadWriteMount" "Cargar" |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "uri_file" (obligatorio) |
modo | Modo de entrega de recursos de salida. | "Directo" "ReadWriteMount" "Cargar" |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobOutputType | [Obligatorio] Especifica el tipo de trabajo. | "uri_folder" (obligatorio) |
modo | Modo de entrega de recursos de salida. | "Directo" "ReadWriteMount" "Cargar" |
Uri | URI del recurso de salida. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobTier | Controla el nivel de trabajo de proceso | "Básico" "Null" "Premium" "Spot" "Estándar" |
Nombre | Descripción | Valor |
---|---|---|
dockerArgs | Argumentos adicionales para pasar al comando docker run. Esto invalidaría los parámetros ya establecidos por el sistema o en esta sección. Este parámetro solo se admite para los tipos de proceso de Azure ML. | cuerda |
instanceCount | Número opcional de instancias o nodos usados por el destino de proceso. | Int |
instanceType | Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. | cuerda |
Propiedades | Bolsa de propiedades adicionales. | resourceConfigurationProperties |
shmSize | Tamaño del bloque de memoria compartida del contenedor de Docker. Debe estar en el formato (número)(unidad) donde el número como mayor que 0 y la unidad puede ser uno de b(bytes), k(kilobytes), m(megabytes) o g(gigabytes). | cuerda Restricciones: Patrón = \d+[bBkKmMgG] |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} |
Nombre | Descripción | Valor |
---|---|---|
logVerbosity | Detalle del registro del trabajo. | "Crítico" "Depurar" "Error" "Información" "NotSet" "Advertencia" |
targetColumnName | Nombre de columna de destino: se trata de la columna de valores de predicción. También conocido como nombre de columna de etiqueta en el contexto de las tareas de clasificación. |
cuerda |
trainingData | [Obligatorio] Entrada de datos de entrenamiento. | mlTableJobInput (obligatorio) |
taskType | Establecimiento del tipo de objeto | de clasificación de de previsión ImageClassification imageClassificationMultilabel ImageInstanceSegmentation regresión TextClassification TextClassificationMultilabel TextNER (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (obligatorio) |
modo | Modo de entrega de recursos de entrada. | "Directo" "Descargar" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "Clasificación" (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
positiveLabel | Etiqueta positiva para el cálculo de métricas binarias. | cuerda |
primaryMetric | Métrica principal de la tarea. | "AUCWeighted" "Precisión" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | ClassificationTrainingSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
blockedTransformers | Estos transformadores no se utilizarán en la caracterización. | Matriz de cadenas que contiene cualquiera de: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
columnNameAndTypes | Diccionario de nombre de columna y su tipo (int, float, string, datetime etcetera). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Idioma del conjunto de datos, útil para los datos de texto. | cuerda |
enableDnnFeaturization | Determina si se deben usar los caracterizadores basados en Dnn para la caracterización de datos. | Bool |
modo | Modo de caracterización: el usuario puede mantener el modo "Automático" predeterminado y AutoML se encargará de la transformación necesaria de los datos en la fase de caracterización. Si se selecciona "Desactivado", no se realiza ninguna caracterización. Si se selecciona "Personalizado", el usuario puede especificar entradas adicionales para personalizar cómo se realiza la caracterización. |
"Automático" "Personalizado" "Desactivado" |
transformerParams | El usuario puede especificar transformadores adicionales que se usarán junto con las columnas a las que se aplicaría y los parámetros para el constructor del transformador. | TableVerticalFeaturizationSettingsTransformerParams |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | columnTransformer[] |
Nombre | Descripción | Valor |
---|---|---|
Campos | Campos en los que se va a aplicar la lógica del transformador. | string[] |
Parámetros | Propiedades diferentes que se van a pasar al transformador. La entrada esperada es el diccionario de pares clave-valor en formato JSON. |
Nombre | Descripción | Valor |
---|---|---|
enableEarlyTermination | Habilitar la terminación anticipada, determina si AutoMLJob finalizará pronto si no hay ninguna mejora de puntuación en las últimas 20 iteraciones. | Bool |
exitScore | Puntuación de salida para el trabajo de AutoML. | Int |
maxConcurrentTrials | Iteraciones simultáneas máximas. | Int |
maxCoresPerTrial | Número máximo de núcleos por iteración. | Int |
maxTrials | Número de iteraciones. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
trialTimeout | Tiempo de espera de iteración. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo para determinar las validaciones N cruzadas. | "Automático" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo para determinar las validaciones N cruzadas. | "Personalizado" (obligatorio) |
valor | [Obligatorio] Valor de N-Validaciones cruzadas. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de clasificación. | Matriz de cadenas que contiene cualquiera de: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de clasificación. | Matriz de cadenas que contiene cualquiera de: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
stackMetaLearnerKWargs | Parámetros opcionales para pasar al inicializador del meta-learner. | |
stackMetaLearnerTrainPercentage | Especifica la proporción del conjunto de entrenamiento (al elegir el tipo de entrenamiento y validación de entrenamiento) que se va a reservar para entrenar al meta-learner. El valor predeterminado es 0,2. | Int |
stackMetaLearnerType | El meta-learner es un modelo entrenado en la salida de los modelos heterogéneos individuales. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Ninguno" |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "Previsión" (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Previsión de entradas específicas de la tarea. | ForecastingSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
primaryMetric | Métrica principal para la tarea de previsión. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | ForecastingTrainingSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
countryOrRegionForHolidays | País o región para días festivos para las tareas de previsión. Deben ser códigos de país o región de dos letras ISO 3166, por ejemplo, "US" o "GB". |
cuerda |
cvStepSize | Número de períodos entre la hora de origen de un plegado CV y el siguiente plegado. Para por ejemplo, si CVStepSize = 3 para los datos diarios, la hora de origen de cada plegamiento serátres días de diferencia. |
Int |
featureLags | Marca para generar retrasos para las características numéricas con "auto" o null. | "Automático" "Ninguno" |
forecastHorizon | Horizonte de previsión máximo deseado en unidades de frecuencia de serie temporal. | ForecastHorizon |
frecuencia | Al realizar la previsión, este parámetro representa el período con el que se desea la previsión, por ejemplo, diaria, semanal, anual, etcetera. La frecuencia de previsión es la frecuencia del conjunto de datos de forma predeterminada. | cuerda |
estacionalidad | Establezca la estacionalidad de series temporales como un entero múltiplo de la frecuencia de la serie. Si la estacionalidad se establece en "auto", se deducirá. |
estacionalidad |
shortSeriesHandlingConfig | Parámetro que define cómo si AutoML debe controlar series temporales cortas. | "Automático" "Quitar" "Ninguno" "Pad" |
targetAggregateFunction | Función que se va a usar para agregar la columna de destino de serie temporal para ajustarse a una frecuencia especificada por el usuario. Si targetAggregateFunction se establece, es decir, no "None", pero no se establece el parámetro freq, se genera el error. Las posibles funciones de agregación de destino son: "sum", "max", "min" y "mean". |
"Max" "Media" "Min" "Ninguno" "Suma" |
targetLags | Número de períodos anteriores que se van a retardar desde la columna de destino. | TargetLags |
targetRollingWindowSize | Número de períodos pasados usados para crear un promedio de ventana gradual de la columna de destino. | TargetRollingWindowSize |
timeColumnName | Nombre de la columna de hora. Este parámetro es necesario cuando se prevé especificar la columna datetime en los datos de entrada utilizados para compilar la serie temporal e inferir su frecuencia. | cuerda |
timeSeriesIdColumnNames | Los nombres de las columnas usadas para agrupar una serie de horas. Se puede usar para crear varias series. Si no se define el grano, se supone que el conjunto de datos es una serie temporal. Este parámetro se usa con la previsión del tipo de tarea. |
string[] |
useStl | Configure la descomposición de STL de la columna de destino de serie temporal. | "Ninguno" "Temporada" "SeasonTrend" |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. | "Automático" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establezca el modo de selección de valores del horizonte de previsión. | "Personalizado" (obligatorio) |
valor | [Obligatorio] Valor del horizonte de previsión. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de estacionalidad. | "Automático" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de estacionalidad. | "Personalizado" (obligatorio) |
valor | [Obligatorio] Valor de estacionalidad. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado | "Automático" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Establecer el modo de retardo de destino: Automático/Personalizado | "Personalizado" (obligatorio) |
valores | [Obligatorio] Establezca los valores de retardo de destino. | int[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | Establecimiento del tipo de objeto |
auto personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de detección TargetRollingWindowSiz. | "Automático" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modo | [Obligatorio] Modo de detección TargetRollingWindowSiz. | "Personalizado" (obligatorio) |
valor | [Obligatorio] Valor TargetRollingWindowSize. | int (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de previsión. | Matriz de cadenas que contiene cualquiera de: "Arimax" "AutoArima" "Promedio" "DecisionTree" "ElasticNet" "ExponencialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Profeta" "RandomForest" "SGD" "EstacionalAverage" "EstacionalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de previsión. | Matriz de cadenas que contiene cualquiera de: "Arimax" "AutoArima" "Promedio" "DecisionTree" "ElasticNet" "ExponencialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Profeta" "RandomForest" "SGD" "EstacionalAverage" "EstacionalNaive" "TCNForecaster" "XGBoostRegressor" |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "ImageClassification" (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | |
primaryMetric | Métrica principal para optimizar esta tarea. | "AUCWeighted" "Precisión" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
maxConcurrentTrials | Número máximo de iteraciones simultáneas de AutoML. | Int |
maxTrials | Número máximo de iteraciones de AutoML. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
advancedSettings | Configuración de escenarios avanzados. | cuerda |
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | Bool |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
checkpointFrequency | Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. | Int |
checkpointModel | Modelo de punto de control entrenado previamente para el entrenamiento incremental. | mlFlowModelJobInput |
checkpointRunId | Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. | cuerda |
distribuido | Si se va a usar el entrenamiento distribuido. | Bool |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | Bool |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
Int |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
Int |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | Bool |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | Int |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
Int |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | Int |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | "Ninguno" "Paso" "WarmupCosine" |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | Int |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | Bool |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | Int |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | Int |
optimizador | Tipo de optimizador. | "Adam" "Adamw" "Ninguno" "Sgd" |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | Int |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | Int |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | Int |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | Int |
trainingCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. | Int |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | Int |
validationCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. | Int |
validationResizeSizeSize | Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. | Int |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | Int |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | Int |
weightedLoss | Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2. |
Int |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (obligatorio) |
modo | Modo de entrega de recursos de entrada. | "Directo" "Descargar" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | cuerda |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
distribuido | Si se va a usar el entrenamiento del distribuidor. | cuerda |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | cuerda |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
cuerda |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
cuerda |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | cuerda |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | cuerda |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
cuerda |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | cuerda |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | cuerda |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | cuerda |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | cuerda |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | cuerda |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | cuerda |
optimizador | Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". | cuerda |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | cuerda |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | cuerda |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | cuerda |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | cuerda |
trainingCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de entrenamiento. Debe ser un entero positivo. | cuerda |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | cuerda |
validationCropSize | Tamaño de recorte de imagen que se introduce en la red neuronal para el conjunto de datos de validación. Debe ser un entero positivo. | cuerda |
validationResizeSizeSize | Tamaño de imagen al que se va a cambiar el tamaño antes de recortar el conjunto de datos de validación. Debe ser un entero positivo. | cuerda |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | cuerda |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | cuerda |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | cuerda |
weightedLoss | Pérdida ponderada. Los valores aceptados son 0 sin pérdida ponderada. 1 para pérdida ponderada con sqrt. (class_weights). 2 para pérdida ponderada con class_weights. Debe ser 0 o 1 o 2. |
cuerda |
Nombre | Descripción | Valor |
---|---|---|
earlyTermination | Tipo de directiva de terminación anticipada. | EarlyTerminationPolicy |
samplingAlgorithm | [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. | "Bayesiano" "Cuadrícula" "Aleatorio" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
delayEvaluation | Número de intervalos por los que se va a retrasar la primera evaluación. | Int |
evaluationInterval | Intervalo (número de ejecuciones) entre evaluaciones de directivas. | Int |
policyType | Establecimiento del tipo de objeto |
bandido medianStopping truncamientoSelección (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | "Bandido" (obligatorio) |
slackAmount | Distancia absoluta permitida desde la mejor ejecución. | Int |
slackFactor | Relación de la distancia permitida desde la ejecución con mejor rendimiento. | Int |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | "MedianStopping" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
policyType | [Obligatorio] Nombre de la configuración de directiva | "TruncationSelection" (obligatorio) |
truncationPercentage | Porcentaje de ejecuciones que se cancelarán en cada intervalo de evaluación. | Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "ImageClassificationMultilabel" (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | |
primaryMetric | Métrica principal para optimizar esta tarea. | "AUCWeighted" "Precisión" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "ImageInstanceSegmentation" (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | ImageModelSettingsObjectDetection |
primaryMetric | Métrica principal para optimizar esta tarea. | "MeanAveragePrecision" |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
advancedSettings | Configuración de escenarios avanzados. | cuerda |
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | Bool |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | Int |
boxDetectionsPerImage | Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
boxScoreThreshold | Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1]. |
Int |
checkpointFrequency | Frecuencia para almacenar los puntos de control del modelo. Debe ser un entero positivo. | Int |
checkpointModel | Modelo de punto de control entrenado previamente para el entrenamiento incremental. | mlFlowModelJobInput |
checkpointRunId | Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental. | cuerda |
distribuido | Si se va a usar el entrenamiento distribuido. | Bool |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | Bool |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
Int |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
Int |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | Bool |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | Int |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
Int |
imageSize | Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
Int |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | Int |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | "Ninguno" "Paso" "WarmupCosine" |
maxSize | Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
minSize | Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
modelSize | Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge". Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
"ExtraLarge" "Grande" "Medio" "Ninguno" "Pequeño" |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | Int |
multiescala | Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%. Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
Bool |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | Bool |
nmsIouThreshold | Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un float en el intervalo [0, 1]. | Int |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | Int |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | Int |
optimizador | Tipo de optimizador. | "Adam" "Adamw" "Ninguno" "Sgd" |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | Int |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | Int |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | Int |
tileGridSize | Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tileOverlapRatio | Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
tilePredictionsNmsThreshold | Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes. Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
Int |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | Int |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | Int |
validationIouThreshold | Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. | Int |
validationMetricType | Método de cálculo de métricas que se va a usar para las métricas de validación. | "Coco" "CocoVoc" "Ninguno" "Voc" |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | Int |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | Int |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | Int |
Nombre | Descripción | Valor |
---|---|---|
amsGradient | Habilite AMSGrad cuando el optimizador sea "adam" o "adamw". | cuerda |
Aumentos | Configuración para usar aumentos. | cuerda |
beta1 | Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
beta2 | Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un float en el intervalo [0, 1]. | cuerda |
boxDetectionsPerImage | Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
boxScoreThreshold | Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1]. |
cuerda |
distribuido | Si se va a usar el entrenamiento del distribuidor. | cuerda |
earlyStopping | Habilite la lógica de detención temprana durante el entrenamiento. | cuerda |
earlyStoppingDelay | Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de la mejora de métricas principales se realiza un seguimiento de la detención temprana. Debe ser un entero positivo. |
cuerda |
earlyStoppingPatience | Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes se detiene la ejecución. Debe ser un entero positivo. |
cuerda |
enableOnnxNormalization | Habilite la normalización al exportar el modelo ONNX. | cuerda |
evaluationFrequency | Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo. | cuerda |
gradientAccumulationStep | La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo. |
cuerda |
imageSize | Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
layersToFreeze | Número de capas que se inmovilizarán para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa capa de congelación0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, por favor consulte: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
learningRate | Velocidad de aprendizaje inicial. Debe ser un float en el intervalo [0, 1]. | cuerda |
learningRateScheduler | Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". | cuerda |
maxSize | Tamaño máximo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
minSize | Tamaño mínimo de la imagen que se va a volver a escalar antes de alimentarla a la red troncal. Debe ser un entero positivo. Nota: la ejecución de entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
modelName | Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: /azure/machine-learning/how-to-auto-train-image-models. |
cuerda |
modelSize | Tamaño del modelo. Debe ser "small", "medium", "large" o "xlarge". Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
momento | Valor del impulso cuando el optimizador es "sgd". Debe ser un float en el intervalo [0, 1]. | cuerda |
multiescala | Habilite la imagen a escala múltiple variando el tamaño de la imagen por +/- 50%. Nota: la ejecución de entrenamiento puede entrar en el OOM de CUDA si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5". |
cuerda |
nesterov | Habilite nesterov cuando el optimizador sea "sgd". | cuerda |
nmsIouThreshold | Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe estar flotante en el intervalo [0, 1]. | cuerda |
numberOfEpochs | Número de épocas de entrenamiento. Debe ser un entero positivo. | cuerda |
numberOfWorkers | Número de trabajos del cargador de datos. Debe ser un entero no negativo. | cuerda |
optimizador | Tipo de optimizador. Debe ser "sgd", "adam" o "adamw". | cuerda |
randomSeed | Inicialización aleatoria que se usará al usar el entrenamiento determinista. | cuerda |
stepLRGamma | Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un float en el intervalo [0, 1]. | cuerda |
stepLRStepSize | Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo. | cuerda |
tileGridSize | Tamaño de cuadrícula que se va a usar para poner en mosaico cada imagen. Nota: TileGridSize no debe ser Ninguno para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tileOverlapRatio | Relación de superposición entre iconos adyacentes en cada dimensión. Debe estar flotante en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5". |
cuerda |
tilePredictionsNmsThreshold | Umbral IOU que se va a usar para realizar NMS al combinar predicciones de iconos e imágenes. Se usa en la validación o la inferencia. Debe estar flotante en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5". NMS: supresión no máxima |
cuerda |
trainingBatchSize | Tamaño del lote de entrenamiento. Debe ser un entero positivo. | cuerda |
validationBatchSize | Tamaño del lote de validación. Debe ser un entero positivo. | cuerda |
validationIouThreshold | Umbral IOU que se va a usar al calcular la métrica de validación. Debe estar flotante en el intervalo [0, 1]. | cuerda |
validationMetricType | Método de cálculo de métricas que se va a usar para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc". | cuerda |
warmupCosineLRCycles | Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un float en el intervalo [0, 1]. | cuerda |
warmupCosineLRWarmupEpochs | Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo. | cuerda |
weightDecay | Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1]. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "ImageObjectDetection" (obligatorio) |
limitSettings | [Obligatorio] Limite la configuración del trabajo de AutoML. | ImageLimitSettings (obligatorio) |
modelSettings | Configuración que se usa para entrenar el modelo. | ImageModelSettingsObjectDetection |
primaryMetric | Métrica principal para optimizar esta tarea. | "MeanAveragePrecision" |
searchSpace | Espacio de búsqueda para muestrear diferentes combinaciones de modelos y sus hiperparámetros. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Configuración relacionada con barrido de hiperparámetros y barrido de modelos. | imageSweepSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "Regresión" (obligatorio) |
cvSplitColumnNames | Columnas que se van a usar para datos CVSplit. | string[] |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | TableVerticalLimitSettings |
nCrossValidations | Número de plegamientos de validación cruzada que se van a aplicar en el conjunto de datos de entrenamiento cuando no se proporciona el conjunto de datos de validación. |
NCrossValidations |
primaryMetric | Métrica principal para la tarea de regresión. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Prueba de la entrada de datos. | mlTableJobInput |
testDataSize | Fracción del conjunto de datos de prueba que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
trainingSettings | Entradas para la fase de entrenamiento de un trabajo de AutoML. | |
validationData | Entradas de datos de validación. | mlTableJobInput |
validationDataSize | La fracción del conjunto de datos de entrenamiento que debe reservarse para fines de validación. Valores entre (0,0 , 1,0) Se aplica cuando no se proporciona el conjunto de datos de validación. |
Int |
weightColumnName | Nombre de la columna de peso de ejemplo. Ml automatizado admite una columna ponderada como entrada, lo que hace que las filas de los datos se ponderan o bajen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
allowedTrainingAlgorithms | Modelos permitidos para la tarea de regresión. | Matriz de cadenas que contiene cualquiera de: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedTrainingAlgorithms | Modelos bloqueados para la tarea de regresión. | Matriz de cadenas que contiene cualquiera de: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
enableDnnTraining | Habilite la recomendación de modelos DNN. | Bool |
enableModelExplainability | Marca para activar la explicación en el mejor modelo. | Bool |
enableOnnxCompatibleModels | Marca para habilitar modelos compatibles con onnx. | Bool |
enableStackEnsemble | Habilite la ejecución del conjunto de pila. | Bool |
enableVoteEnsemble | Habilite la ejecución del conjunto de votación. | Bool |
ensembleModelDownloadTimeout | Durante la generación de modelos VotingEnsemble y StackEnsemble, se descargan varios modelos ajustados de las ejecuciones secundarias anteriores. Configure este parámetro con un valor superior a 300 segundos, si se necesita más tiempo. |
cuerda |
stackEnsembleSettings | Configuración del conjunto de pila para la ejecución del conjunto de pila. | |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "TextClassification" (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrica principal para Text-Classification tarea. | "AUCWeighted" "Precisión" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
datasetLanguage | Idioma del conjunto de datos, útil para los datos de texto. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
maxConcurrentTrials | Iteraciones de AutoML simultáneas máximas. | Int |
maxTrials | Número de iteraciones de AutoML. | Int |
interrupción | Tiempo de espera del trabajo de AutoML. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "TextClassificationMultilabel" (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
taskType | [Obligatorio] Tipo de tarea para AutoMLJob. | "TextNER" (obligatorio) |
featurizationSettings | Entradas de caracterización necesarias para el trabajo de AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Restricciones de ejecución para AutoMLJob. | NlpVerticalLimitSettings |
validationData | Entradas de datos de validación. | mlTableJobInput |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | "Command" (obligatorio) |
codeId | Identificador de recurso de ARM del recurso de código. | cuerda |
mandar | [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
distribución | Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. | DistributionConfiguration |
environmentId | [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
environmentVariables | Variables de entorno incluidas en el trabajo. | commandJobEnvironmentVariables |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | CommandJobInputs |
Límites | Límite de trabajos de comando. | commandJobLimits |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | CommandJobOutputs |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
distributionType | Establecimiento del tipo de objeto |
Mpi tensorFlow (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | "Mpi" (obligatorio) |
processCountPerInstance | Número de procesos por nodo MPI. | Int |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | "PyTorch" (obligatorio) |
processCountPerInstance | Número de procesos por nodo. | Int |
Nombre | Descripción | Valor |
---|---|---|
distributionType | [Obligatorio] Especifica el tipo de marco de distribución. | "TensorFlow" (obligatorio) |
parameterServerCount | Número de tareas del servidor de parámetros. | Int |
workerCount | Número de trabajadores. Si no se especifica, el valor predeterminado será el recuento de instancias. | Int |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
descripción | Descripción de la entrada. | cuerda |
jobInputType | Establecimiento del tipo de objeto |
custom_model literal mlflow_model mltable triton_model uri_file uri_folder (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" (obligatorio) |
modo | Modo de entrega de recursos de entrada. | "Directo" "Descargar" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "literal" (obligatorio) |
valor | [Obligatorio] Valor literal de la entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "triton_model" (obligatorio) |
modo | Modo de entrega de recursos de entrada. | "Directo" "Descargar" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "uri_file" (obligatorio) |
modo | Modo de entrega de recursos de entrada. | "Directo" "Descargar" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "uri_folder" (obligatorio) |
modo | Modo de entrega de recursos de entrada. | "Directo" "Descargar" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
jobLimitsType | [Obligatorio] Tipo JobLimit. | "Comando" "Barrido" (obligatorio) |
interrupción | Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | "FineTuning" (obligatorio) |
fineTuningDetails | [Obligatorio] | FineTuningVertical (obligatorio) |
Salidas | [Obligatorio] | fineTuningJobOutputs (obligatorio) |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Tipos de instancia y otros recursos para el trabajo | jobResources de |
Nombre | Descripción | Valor |
---|---|---|
modelo | [Obligatorio] Modelo de entrada para ajustar correctamente. | mlFlowModelJobInput (obligatorio) |
taskType | [Obligatorio] Tipo de tarea de ajuste fino. | "ChatCompletion" "ImageClassification" "ImageInstanceSegmentation" "ImageObjectDetection" "QuestionAnswering" "TextClassification" "TextCompletion" "TextSummarization" "TextTranslation" "TokenClassification" "VideoMultiObjectTracking" (obligatorio) |
trainingData | [Obligatorio] Datos de entrenamiento para ajustar correctamente. | JobInput (obligatorio) |
validationData | Datos de validación para ajustar correctamente. | JobInput |
modelProvider | Establecimiento del tipo de objeto |
azureOpenAI personalizado (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
modelProvider | [Obligatorio] Enumeración para determinar el tipo de ajuste fino. | "AzureOpenAI" (obligatorio) |
hiperparámetros | Hiperparámetros para ajustar el modelo de Azure Open AI. | azureOpenAiHyperParameters |
Nombre | Descripción | Valor |
---|---|---|
batchSize | Número de ejemplos de cada lote. Un tamaño de lote mayor significa que los parámetros del modelo se actualizan con menos frecuencia, pero con una varianza menor. | Int |
learningRateMultiplier | Factor de escala para la velocidad de aprendizaje. Una velocidad de aprendizaje más pequeña puede ser útil para evitar el sobreajuste. | Int |
nEpochs | Número de épocas para las que entrenar el modelo. Una época hace referencia a un ciclo completo a través del conjunto de datos de entrenamiento. | Int |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
instanceTypes | Lista de tipos de instancia entre los que elegir. | string[] |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | "Canalización" (obligatorio) |
Entradas | Entradas para el trabajo de canalización. | pipelineJobInputs |
Trabajos | Los trabajos construyen el trabajo de canalización. | PipelineJobJobs |
Salidas | Salidas para el trabajo de canalización | pipelineJobOutputs |
Configuración | Configuración de canalización, para cosas como ContinueRunOnStepFailure etcetera. | |
sourceJobId | Identificador de recurso de ARM del trabajo de origen. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | "Spark" (obligatorio) |
archivo | Archivar archivos usados en el trabajo. | string[] |
args | Argumentos para el trabajo. | cuerda |
codeId | [Obligatorio] arm-id del recurso de código. | string (obligatorio) |
Conf | Propiedades configuradas por Spark. | sparkJobConf |
entrada | [Obligatorio] Entrada que se va a ejecutar al iniciar el trabajo. | SparkJobEntry (obligatorio) |
environmentId | El identificador de recurso de ARM de la especificación del entorno para el trabajo. | cuerda |
environmentVariables | Variables de entorno incluidas en el trabajo. | SparkJobEnvironmentVariables |
Archivos | Archivos usados en el trabajo. | string[] |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | SparkJobInputs |
Frascos | Archivos Jar usados en el trabajo. | string[] |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | SparkJobOutputs |
pyFiles | Archivos de Python usados en el trabajo. | string[] |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
Recursos | Configuración de recursos de proceso para el trabajo. | SparkResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | Establecimiento del tipo de objeto | SparkJobScalaEntry (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | [Obligatorio] Tipo del punto de entrada del trabajo. | "SparkJobPythonEntry" (obligatorio) |
archivo | [Obligatorio] Ruta de acceso relativa del archivo de Python para el punto de entrada del trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
sparkJobEntryType | [Obligatorio] Tipo del punto de entrada del trabajo. | "SparkJobScalaEntry" (obligatorio) |
className | [Obligatorio] Nombre de clase de Scala usado como punto de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
instanceType | Tipo opcional de máquina virtual que se usa como compatible con el destino de proceso. | cuerda |
runtimeVersion | Versión del entorno de ejecución de Spark que se usa para el trabajo. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
jobType | [Obligatorio] Especifica el tipo de trabajo. | "Barrido" (obligatorio) |
earlyTermination | Las directivas de terminación anticipada permiten cancelar ejecuciones con un rendimiento deficiente antes de que se completen. | EarlyTerminationPolicy |
Entradas | Asignación de enlaces de datos de entrada usados en el trabajo. | sweepJobInputs |
Límites | Límite de trabajo de barrido. | sweepJobLimits |
objetivo | [Obligatorio] Objetivo de optimización. | objetivo (obligatorio) |
Salidas | Asignación de enlaces de datos de salida usados en el trabajo. | |
queueSettings | Configuración de cola para el trabajo | QueueSettings |
samplingAlgorithm | [Obligatorio] Algoritmo de muestreo de hiperparámetros | samplingAlgorithm (obligatorio) |
searchSpace | [Obligatorio] Diccionario que contiene cada parámetro y su distribución. La clave de diccionario es el nombre del parámetro . | |
juicio | [Obligatorio] Definición del componente de prueba. | trialComponent (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
jobLimitsType | [Obligatorio] Tipo JobLimit. | "Comando" "Barrido" (obligatorio) |
maxConcurrentTrials | Pruebas simultáneas máximas del trabajo de barrido. | Int |
maxTotalTrials | Pruebas totales máximas del trabajo de barrido. | Int |
interrupción | Duración máxima de la ejecución en formato ISO 8601, después del cual se cancelará el trabajo. Solo admite la duración con una precisión tan baja como Segundos. | cuerda |
trialTimeout | Valor de tiempo de espera de prueba del trabajo de barrido. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
Gol | [Obligatorio] Define los objetivos de métrica admitidos para el ajuste de hiperparámetros | "Maximizar" "Minimizar" (obligatorio) |
primaryMetric | [Obligatorio] Nombre de la métrica que se va a optimizar. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | Establecimiento del tipo de objeto |
bayesianos grid de aleatorio (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | "Bayesiano" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | "Grid" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
samplingAlgorithmType | [Obligatorio] Algoritmo que se usa para generar valores de hiperparámetros, junto con las propiedades de configuración. | "Aleatorio" (obligatorio) |
regla | Tipo específico de algoritmo aleatorio | "Aleatorio" "Sobol" |
semilla | Entero opcional que se va a usar como inicialización para la generación de números aleatorios | Int |
Nombre | Descripción | Valor |
---|---|---|
codeId | Identificador de recurso de ARM del recurso de código. | cuerda |
mandar | [Obligatorio] Comando que se va a ejecutar al iniciar el trabajo. Eg. "python train.py" | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
distribución | Configuración de distribución del trabajo. Si se establece, debe ser uno de Mpi, Tensorflow, PyTorch o NULL. | DistributionConfiguration |
environmentId | [Obligatorio] El identificador de recurso de ARM de la especificación del entorno para el trabajo. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
environmentVariables | Variables de entorno incluidas en el trabajo. | TrialComponentEnvironmentVariables |
Recursos | Configuración de recursos de proceso para el trabajo. | JobResourceConfiguration |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
actionType | [Obligatorio] Especifica el tipo de acción de la programación. | "CreateMonitor" (obligatorio) |
monitorDefinition | [Obligatorio] Define el monitor. | monitorDefinition (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
alertNotificationSettings | Configuración de notificación del monitor. | MonitorNotificationSettings |
computeConfiguration | [Obligatorio] Identificador de recurso de ARM del recurso de proceso en el que ejecutar el trabajo de supervisión. | MonitorComputeConfigurationBase (obligatorio) |
monitoringTarget | Las entidades dirigidas por el monitor. | MonitoringTarget |
señales | [Obligatorio] Señales que se van a supervisar. | MonitorDefinitionSignals (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
emailNotificationSettings | Configuración del correo electrónico de notificación de AML. | MonitorEmailNotificationSettings |
Nombre | Descripción | Valor |
---|---|---|
correos electrónicos | Lista de destinatarios de correo electrónico que tiene una limitación de 499 caracteres en total. | string[] |
Nombre | Descripción | Valor |
---|---|---|
computeType | Establecimiento del tipo de objeto | serverlessSpark (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "ServerlessSpark" (obligatorio) |
computeIdentity | [Obligatorio] El esquema de identidad que aprovechan los trabajos de Spark que se ejecutan en Spark sin servidor. | MonitorComputeIdentityBase (obligatorio) |
instanceType | [Obligatorio] Tipo de instancia que ejecuta el trabajo de Spark. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
runtimeVersion | [Obligatorio] La versión del entorno de ejecución de Spark. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = ^[0-9]+\.[0-9]+$ |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | Establecimiento del tipo de objeto |
AmlToken managedIdentity (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | [Obligatorio] Especifica el tipo de identidad que se va a usar en los trabajos de supervisión. | "AmlToken" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
computeIdentityType | [Obligatorio] Especifica el tipo de identidad que se va a usar en los trabajos de supervisión. | "ManagedIdentity" (obligatorio) |
identidad | La identidad que aprovecharán los trabajos de supervisión. | managedServiceIdentity |
Nombre | Descripción | Valor |
---|---|---|
tipo | Tipo de identidad de servicio administrada (donde se permiten los tipos SystemAssigned y UserAssigned). | "SystemAssigned" "SystemAssigned, UserAssigned" "UserAssigned" (obligatorio) |
identity_ids | Conjunto de identidades asignadas por el usuario asociadas al recurso. Las claves de diccionario userAssignedIdentities serán identificadores de recursos de ARM con el formato: '/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. Los valores del diccionario pueden ser objetos vacíos ({}) en las solicitudes. | Matriz de identificadores de identidad de usuario. |
Este objeto no contiene ninguna propiedad que se establezca durante la implementación. Todas las propiedades son ReadOnly.
Nombre | Descripción | Valor |
---|---|---|
deploymentId | Referencia al recurso de implementación dirigido por este monitor. | cuerda |
modelId | Referencia al recurso de modelo de destino de este monitor. | cuerda |
taskType | [Obligatorio] Tipo de tarea de aprendizaje automático del modelo supervisado. | "Clasificación" "Regresión" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | MonitoringSignalBase |
Nombre | Descripción | Valor |
---|---|---|
notificationTypes | Modo de notificación actual para esta señal. | Matriz de cadenas que contiene cualquiera de: "AmlNotification" |
Propiedades | Diccionario de propiedades. Se pueden agregar propiedades, pero no se pueden quitar ni modificar. | MonitoringSignalBaseProperties |
signalType | Establecimiento del tipo de objeto |
personalizado DataDrift DataQuality FeatureAttributionDrift PredictionDrift (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "Personalizado" (obligatorio) |
componentId | [Obligatorio] Referencia al recurso de componente usado para calcular las métricas personalizadas. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
inputAssets | Supervisar los recursos que se van a tomar como entrada. La clave es el nombre del puerto de entrada del componente, el valor es el recurso de datos. | CustomMonitoringSignalInputAssets |
Entradas | Parámetros de componente adicionales que se van a tomar como entrada. La clave es el nombre del puerto de entrada literal del componente, el valor es el valor del parámetro. | CustomMonitoringSignalInputs |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | CustomMetricThreshold[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | |
Nombre | Descripción | Valor |
---|---|---|
Columnas | Asignación de nombres de columna a usos especiales. | MonitoringInputDataBaseColumns |
dataContext | Metadatos de contexto del origen de datos. | cuerda |
jobInputType | [Obligatorio] Especifica el tipo de trabajo. | "custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (obligatorio) |
Uri | [Obligatorio] URI de recurso de entrada. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
inputDataType | Establecimiento del tipo de objeto |
fijo gradual estático (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | cuerda |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "Fixed" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "Rolling" (obligatorio) |
preprocessingComponentId | Referencia al recurso de componente usado para preprocesar los datos. | cuerda |
windowOffset | [Obligatorio] Desplazamiento de tiempo entre el final de la ventana de datos y el tiempo de ejecución actual del monitor. | string (obligatorio) |
windowSize | [Obligatorio] Tamaño de la ventana de datos graduales. | string (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
inputDataType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "Estático" (obligatorio) |
preprocessingComponentId | Referencia al recurso de componente usado para preprocesar los datos. | cuerda |
windowEnd | [Obligatorio] Fecha de finalización de la ventana de datos. | string (obligatorio) |
windowStart | [Obligatorio] Fecha de inicio de la ventana de datos. | string (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
métrico | [Obligatorio] Métrica definida por el usuario que se va a calcular. | string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Nombre | Descripción | Valor |
---|---|---|
valor | Valor de umbral. Si es null, el valor predeterminado del conjunto depende del tipo de métrica. | Int |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "DataDrift" (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | dataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | La configuración de importancia de las características informáticas. | featureImportanceSettings |
Funciones | Filtro de características que identifica qué característica se va a calcular el desfase. | MonitoringFeatureFilterBase |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | DataDriftMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | "Categórico" "Numérico" |
Nombre | Descripción | Valor |
---|---|---|
modo | Modo de funcionamiento para calcular la importancia de las características. | "Deshabilitado" "Habilitado" |
targetColumn | Nombre de la columna de destino dentro del recurso de datos de entrada. | cuerda |
Nombre | Descripción | Valor |
---|---|---|
filterType | Establecimiento del tipo de objeto |
AllFeatures featureSubset TopNByAttribution (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | "AllFeatures" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | "FeatureSubset" (obligatorio) |
Funciones | [Obligatorio] Lista de características que se van a incluir. | string[] (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
filterType | [Obligatorio] Especifica el filtro de características que se va a aprovechar al seleccionar características para calcular las métricas. | "TopNByAttribution" (obligatorio) |
Arriba | Número de características principales que se van a incluir. | Int |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | "Categórico" (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de datos categóricos que se va a calcular. | "ShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | "Numérico" (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de datos numérica que se va a calcular. | "ShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "DataQuality" (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | La configuración de importancia de las características informáticas. | featureImportanceSettings |
Funciones | Características para calcular el desfase. | MonitoringFeatureFilterBase |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | DataQualityMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Los datos generados por el servicio de producción para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | "Categórico" "Numérico" |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | "Categórico" (obligatorio) |
métrico | [Obligatorio] Métrica de calidad de datos categóricos que se va a calcular. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | "Numérico" (obligatorio) |
métrico | [Obligatorio] Métrica numérica de calidad de datos que se va a calcular. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "FeatureAttributionDrift" (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | [Obligatorio] La configuración de importancia de las características informáticas. | FeatureImportanceSettings (obligatorio) |
metricThreshold | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | FeatureAttributionMetricThreshold (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase[] (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | "Categórico" "Numérico" |
Nombre | Descripción | Valor |
---|---|---|
métrico | [Obligatorio] Métrica de atribución de características que se va a calcular. | "NormalizedDiscountedCumulativeGain" (obligatorio) |
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Nombre | Descripción | Valor |
---|---|---|
signalType | [Obligatorio] Especifica el tipo de señal que se va a supervisar. | "PredictionDrift" (obligatorio) |
featureDataTypeOverride | Diccionario que asigna nombres de características a sus respectivos tipos de datos. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Obligatorio] Lista de métricas que se van a calcular y sus umbrales asociados. | PredictionDriftMetricThresholdBase[] (obligatorio) |
productionData | [Obligatorio] Datos para los que se calculará el desfase. | MonitoringInputDataBase (obligatorio) |
referenceData | [Obligatorio] Datos con los que se va a calcular el desfase. | MonitoringInputDataBase (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
{propiedad personalizada} | "Categórico" "Numérico" |
Nombre | Descripción | Valor |
---|---|---|
umbral | Valor de umbral. Si es null, se establecerá un valor predeterminado en función de la métrica seleccionada. | MonitoringThreshold |
Datatype | Establecimiento del tipo de objeto |
categórica numérico (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | "Categórico" (obligatorio) |
métrico | [Obligatorio] Métrica de desfase de predicción categórica que se va a calcular. | "ShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
Datatype | [Obligatorio] Especifica el tipo de datos del umbral de métrica. | "Numérico" (obligatorio) |
métrico | [Obligatorio] Métrica de desfase numérica de predicción que se va a calcular. | "ShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
actionType | [Obligatorio] Especifica el tipo de acción de la programación. | "InvokeBatchEndpoint" (obligatorio) |
endpointInvocationDefinition | [Obligatorio] Define los detalles de la definición de la acción Programar. {see href="TBD" /} |
Nombre | Descripción | Valor |
---|---|---|
endTime | Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601. El formato recommented sería "2022-06-01T00:00:01" Si no está presente, la programación se ejecutará indefinidamente. |
cuerda |
startTime | Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. | cuerda |
timeZone | Especifica la zona horaria en la que se ejecuta la programación. TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones /> |
cuerda |
triggerType | Establecimiento del tipo de objeto |
Cron de periodicidad (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
triggerType | [Obligatorio] | "Cron" (obligatorio) |
expresión | [Obligatorio] Especifica la expresión cron de la programación. La expresión debe seguir el formato NCronTab. |
string (obligatorio) Restricciones: Longitud mínima = 1 Patrón = [a-zA-Z0-9_] |
Nombre | Descripción | Valor |
---|---|---|
endTime | Especifica la hora de finalización de la programación en ISO 8601, pero sin un desplazamiento UTC. Consulte https://en.wikipedia.org/wiki/ISO_8601. El formato recommented sería "2022-06-01T00:00:01" Si no está presente, la programación se ejecutará indefinidamente. |
cuerda |
frecuencia | [Obligatorio] Frecuencia de desencadenamiento de la programación. | "Día" "Hora" "Minuto" "Mes" "Semana" (obligatorio) |
intervalo | [Obligatorio] Especifica el intervalo de programación junto con la frecuencia. | int (obligatorio) |
horario | Programación de periodicidad. | RecurrenceSchedule |
startTime | Especifica la hora de inicio de la programación en formato ISO 8601, pero sin un desplazamiento UTC. | cuerda |
timeZone | Especifica la zona horaria en la que se ejecuta la programación. TimeZone debe seguir el formato de zona horaria de Windows. Consulte: /windows-hardware/manufacture/desktop/default-time-zones |
cuerda |
triggerType | [Obligatorio] | "Cron" "Periodicidad" (obligatorio) |
Nombre | Descripción | Valor |
---|---|---|
horas | [Obligatorio] Lista de horas para la programación. | int[] (obligatorio) |
acta | [Obligatorio] Lista de minutos para la programación. | int[] (obligatorio) |
monthDays | Lista de días del mes para la programación | int[] |
días entre semana | Lista de días para la programación. | Matriz de cadenas que contiene cualquiera de: "Viernes" "Lunes" "Sábado" "Domingo" "Jueves" "Martes" "Miércoles" |