Espaces de travail/travaux Microsoft.MachineLearningServices 2022-02-01-preview
Définition de ressource Bicep
Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :
- Groupes de ressources - Voir commandes de déploiement de groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Format des ressources
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le Bicep suivant à votre modèle.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
schedule: {
endTime: 'string'
scheduleStatus: 'string'
startTime: 'string'
timeZone: 'string'
scheduleType: 'string'
// For remaining properties, see ScheduleBase objects
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseDetails objects
}
}
Objets JobBaseDetails
Définissez la propriété jobType pour spécifier le type d’objet.
Pour AutoML, utilisez :
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
taskDetails: {
logVerbosity: 'string'
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
Pour Command, utilisez :
jobType: 'Command'
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
timeout: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
Pour Pipeline, utilisez :
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()
Pour Balayage, utilisez :
jobType: 'Sweep'
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
}
}
}
Objets IdentityConfiguration
Définissez la propriété identityType pour spécifier le type d’objet.
Pour AMLToken, utilisez :
identityType: 'AMLToken'
Pour Géré, utilisez :
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
Pour UserIdentity, utilisez :
identityType: 'UserIdentity'
Objets ScheduleBase
Définissez la propriété scheduleType pour spécifier le type d’objet.
Pour Cron, utilisez :
scheduleType: 'Cron'
expression: 'string'
Pour Périodicité, utilisez :
scheduleType: 'Recurrence'
frequency: 'string'
interval: int
pattern: {
hours: [
int
]
minutes: [
int
]
weekdays: [
'string'
]
}
Objets JobOutput
Définissez la propriété jobOutputType pour spécifier le type d’objet.
Pour CustomModel, utilisez :
jobOutputType: 'CustomModel'
mode: 'string'
uri: 'string'
Pour MLFlowModel, utilisez :
jobOutputType: 'MLFlowModel'
mode: 'string'
uri: 'string'
Pour MLTable, utilisez :
jobOutputType: 'MLTable'
mode: 'string'
uri: 'string'
Pour TritonModel, utilisez :
jobOutputType: 'TritonModel'
mode: 'string'
uri: 'string'
Pour UriFile, utilisez :
jobOutputType: 'UriFile'
mode: 'string'
uri: 'string'
Pour UriFolder, utilisez :
jobOutputType: 'UriFolder'
mode: 'string'
uri: 'string'
Objets AutoMLVertical
Définissez la propriété taskType pour spécifier le type d’objet.
Pour Classification, utilisez :
taskType: 'Classification'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'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'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
Pour la prévision, utilisez :
taskType: 'Forecasting'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'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'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
Pour ImageClassification, utilisez :
taskType: 'ImageClassification'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
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
splitRatio: 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'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
Pour ImageClassificationMultilabel, utilisez :
taskType: 'ImageClassificationMultilabel'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
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
splitRatio: 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'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
Pour ImageInstanceSegmentation, utilisez :
taskType: 'ImageInstanceSegmentation'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
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
splitRatio: 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'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
Pour ImageObjectDetection, utilisez :
taskType: 'ImageObjectDetection'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointDatasetId: 'string'
checkpointFilename: 'string'
checkpointFrequency: int
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
splitRatio: 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'
splitRatio: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
limits: {
maxConcurrentTrials: int
maxTrials: int
}
samplingAlgorithm: 'string'
}
Pour Régression, utilisez :
taskType: 'Regression'
allowedModels: [
'string'
]
blockedModels: [
'string'
]
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
cvSplitColumnNames: [
'string'
]
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
validationDataSize: int
}
weightColumnName: 'string'
}
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
dropColumns: [
'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'
}
primaryMetric: 'string'
trainingSettings: {
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
Pour TextClassification, utilisez :
taskType: 'TextClassification'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
primaryMetric: 'string'
Pour TextClassificationMultilabel, utilisez :
taskType: 'TextClassificationMultilabel'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
Pour TextNER, utilisez :
taskType: 'TextNER'
dataSettings: {
targetColumnName: 'string'
testData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
}
trainingData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
}
validationData: {
data: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
}
}
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
Objets NCrossValidations
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode: 'Auto'
Pour Personnalisé, utilisez :
mode: 'Custom'
value: int
Objets ForecastHorizon
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode: 'Auto'
Pour Personnalisé, utilisez :
mode: 'Custom'
value: int
Objets saisonniers
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode: 'Auto'
Pour Personnalisé, utilisez :
mode: 'Custom'
value: int
Objets TargetLags
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode: 'Auto'
Pour Personnalisé, utilisez :
mode: 'Custom'
values: [
int
]
Objets TargetRollingWindowSize
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode: 'Auto'
Pour Personnalisé, utilisez :
mode: 'Custom'
value: int
Objets EarlyTerminationPolicy
Définissez la propriété policyType pour spécifier le type d’objet.
Pour Bandit, utilisez :
policyType: 'Bandit'
slackAmount: int
slackFactor: int
Pour MedianStopping, utilisez :
policyType: 'MedianStopping'
Pour TroncationSelection, utilisez :
policyType: 'TruncationSelection'
truncationPercentage: int
Objets DistributionConfiguration
Définissez la propriété distributionType pour spécifier le type d’objet.
Pour Mpi, utilisez :
distributionType: 'Mpi'
processCountPerInstance: int
Pour PyTorch, utilisez :
distributionType: 'PyTorch'
processCountPerInstance: int
Pour TensorFlow, utilisez :
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
Objets JobInput
Définissez la propriété jobInputType pour spécifier le type d’objet.
Pour CustomModel, utilisez :
jobInputType: 'CustomModel'
mode: 'string'
uri: 'string'
Pour Littéral, utilisez :
jobInputType: 'Literal'
value: 'string'
Pour MLFlowModel, utilisez :
jobInputType: 'MLFlowModel'
mode: 'string'
uri: 'string'
Pour MLTable, utilisez :
jobInputType: 'MLTable'
mode: 'string'
uri: 'string'
Pour TritonModel, utilisez :
jobInputType: 'TritonModel'
mode: 'string'
uri: 'string'
Pour UriFile, utilisez :
jobInputType: 'UriFile'
mode: 'string'
uri: 'string'
Pour UriFolder, utilisez :
jobInputType: 'UriFolder'
mode: 'string'
uri: 'string'
Objets SamplingAlgorithm
Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.
Pour Bayésian, utilisez :
samplingAlgorithmType: 'Bayesian'
Pour Grid, utilisez :
samplingAlgorithmType: 'Grid'
Pour Random, utilisez :
samplingAlgorithmType: 'Random'
rule: 'string'
seed: int
Valeurs de propriétés
espaces de travail/travaux
Nom | Description | Valeur |
---|---|---|
name | Nom de la ressource Découvrez comment définir des noms et des types pour des ressources enfants dans Bicep. |
string (obligatoire) |
parent | Dans Bicep, vous pouvez spécifier la ressource parente pour une ressource enfant. Vous devez uniquement ajouter cette propriété lorsque la ressource enfant est déclarée en dehors de la ressource parente. Pour plus d’informations, consultez Ressource enfant en dehors de la ressource parente. |
Nom symbolique pour la ressource de type : espaces de travail |
properties | [Obligatoire] Attributs supplémentaires de l’entité. | JobBaseDetails (obligatoire) |
JobBaseDetails
Nom | Description | Valeur |
---|---|---|
computeId | ID de ressource ARM de la ressource de calcul. | string |
description | Texte de description de la ressource. | string |
displayName | Nom d’affichage du travail. | string |
experimentName | Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». | string |
identité | Configuration de l’identité. S’il est défini, il doit s’agir d’AmlToken, ManagedIdentity, UserIdentity ou null. La valeur par défaut est AmlToken si null. |
IdentityConfiguration |
isArchived | La ressource est-elle archivée ? | bool |
properties | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
schedule | Planifier la définition du travail. Si aucune planification n’est fournie, le travail est exécuté une fois et immédiatement après la soumission. |
ScheduleBase |
services | Liste des jobEndpoints. Pour les travaux locaux, un point de terminaison de travail aura une valeur de point de terminaison FileStreamObject. |
JobBaseServices |
tags | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | object |
jobType | Définir le type d’objet | AutoML Commande Pipeline Balayage (obligatoire) |
IdentityConfiguration
Nom | Description | Valeur |
---|---|---|
identityType | Définir le type d’objet | AMLToken Managé UserIdentity (obligatoire) |
AmlToken
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'AMLToken' (obligatoire) |
ManagedIdentity
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'Managed' (obligatoire) |
clientId | Spécifie une identité affectée par l’utilisateur par ID client. Pour les personnes affectées par le système, ne définissez pas ce champ. | string Contraintes : Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Spécifie une identité affectée par l’utilisateur par l’ID d’objet. Pour les personnes affectées par le système, ne définissez pas ce champ. | string Contraintes : Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Spécifie une identité affectée par l’utilisateur par l’ID de ressource ARM. Pour l’affectation par le système, ne définissez pas ce champ. | string |
UserIdentity
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'UserIdentity' (obligatoire) |
ResourceBaseProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string |
ScheduleBase
Nom | Description | Valeur |
---|---|---|
endTime | Spécifie l’heure de fin de la planification au format ISO 8601. Si elle n’est pas présente, la planification s’exécute indéfiniment |
string |
scheduleStatus | Spécifie le status de la planification | 'Désactivé' 'Enabled' |
startTime | Spécifie l’heure de début de la planification au format ISO 8601. | string |
timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. |
string |
scheduleType | Définir le type d’objet | Cron Périodicité (obligatoire) |
CronSchedule
Nom | Description | Valeur |
---|---|---|
scheduleType | [Obligatoire] Spécifie le type de planification | 'Cron' (obligatoire) |
expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
Périodicitéschedule
Nom | Description | Valeur |
---|---|---|
scheduleType | [Obligatoire] Spécifie le type de planification | 'Périodicité' (obligatoire) |
frequency | [Obligatoire] Spécifie la fréquence avec laquelle déclencher la planification | 'Jour' 'Heure' 'Minute' 'Mois' 'Semaine' (obligatoire) |
interval | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
modèle | Spécifie le modèle de planification de périodicité | RecurrencePattern |
RecurrencePattern
Nom | Description | Valeur |
---|---|---|
heures | [Obligatoire] Liste d’heures pour le modèle de planification de périodicité | int[] (obligatoire) |
minutes | [Obligatoire] Liste de minutes pour le modèle de planification de périodicité | int[] (obligatoire) |
Semaine | Liste des jours de semaine pour le modèle de planification de périodicité | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'Jeudi' 'Mardi' 'Mercredi' |
JobBaseServices
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobService |
JobService
Nom | Description | Valeur |
---|---|---|
endpoint | URL du point de terminaison. | string |
jobServiceType | Type de point de terminaison. | string |
port | Port pour point de terminaison. | int |
properties | Propriétés supplémentaires à définir sur le point de terminaison. | JobServiceProperties |
JobServiceProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
AutoMLJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'AutoML' (obligatoire) |
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML utilise par défaut la version de l’environnement autoML organisé de production lors de l’exécution du travail. |
string |
environmentVariables | Variables d’environnement incluses dans le travail. | AutoMLJobEnvironmentVariables |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | AutoMLJobOutputs |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
taskDetails | [Obligatoire] Cela représente un scénario qui peut être l’un des tables/NLP/image | AutoMLVertical (obligatoire) |
AutoMLJobEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
AutoMLJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
JobOutput
Nom | Description | Valeur |
---|---|---|
description | Description de la sortie. | string |
jobOutputType | Définir le type d’objet | CustomModel MLFlowModel MLTable TritonModel UriFile UriFolder (obligatoire) |
CustomModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'CustomModel' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
MLFlowModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'MLFlowModel' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
MLTableJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'MLTable' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
TritonModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'TritonModel' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
UriFileJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'UriFile' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
UriFolderJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'UriFolder' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
ResourceConfiguration
Nom | Description | Valeur |
---|---|---|
instanceCount | Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. | int |
instanceType | Type facultatif de machine virtuelle utilisé comme pris en charge par la cible de calcul. | string |
properties | Conteneur de propriétés supplémentaires. | ResourceConfigurationProperties |
ResourceConfigurationProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | Pour Bicep, vous pouvez utiliser la fonction any(). |
AutoMLVertical
Nom | Description | Valeur |
---|---|---|
logVerbosity | Détail du journal pour le travail. | 'Critique' 'Debug' 'Error' 'Info' 'NotSet' 'Avertissement' |
taskType | Définir le type d’objet | Classification Prévisions ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Régression TextClassification TextClassificationMultilabel TextNER (obligatoire) |
classification ;
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Classification' (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedModels | Modèles bloqués pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
TableVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | TrainingDataSettings (obligatoire) |
validationData | Entrées de données de validation. | TableVerticalValidationDataSettings |
weightColumnName | Nom de la colonne de pondération d’échantillons. Le ML automatisé prend en charge une colonne pondérée en entrée. Les lignes des données sont alors pondérées en conséquence. | string |
TestDataSettings
Nom | Description | Valeur |
---|---|---|
data | Tester les données MLTable. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
MLTableJobInput
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | string |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'CustomModel' 'Literal' 'MLFlowModel' 'MLTable' 'TritonModel' 'UriFile' 'UriFolder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
TrainingDataSettings
Nom | Description | Valeur |
---|---|---|
data | [Obligatoire] Données d’entraînement MLTable. | MLTableJobInput (obligatoire) |
TableVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
data | Données de validation MLTable. | MLTableJobInput |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
NCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoNCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Auto' (obligatoire) |
CustomNCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur des validations N-croisées. | int (obligatoire) |
TableVerticalFeaturizationSettings
Nom | Description | Valeur |
---|---|---|
blockedTransformers | Ces transformateurs ne doivent pas être utilisés dans la caractérisation. | string[] |
columnNameAndTypes | Dictionnaire du nom de la colonne et de son type (int, float, string, datetime, etc.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Langue du jeu de données, utile pour les données de texte. | string |
dropColumns | Colonnes à supprimer des données pendant la caractérisation. | string[] |
enableDnnFeaturization | Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. | bool |
mode | Mode de caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML s’occupe de la transformation nécessaire des données dans la phase de caractérisation. Si « Off » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée. |
'Auto' 'Personnalisé' 'Off' |
transformerParams | L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser, ainsi que les colonnes auxquelles il serait appliqué et les paramètres du constructeur de transformateur. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
TableVerticalFeaturizationSettingsTransformerParams
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | ColumnTransformer[] |
ColumnTransformer
Nom | Description | Valeur |
---|---|---|
fields | Champs auxquels appliquer la logique du transformateur. | string[] |
parameters | Différentes propriétés à passer au transformateur. L’entrée attendue est un dictionnaire de paires clé/valeur au format JSON. |
Pour Bicep, vous pouvez utiliser la fonction any(). |
TableVerticalLimitSettings
Nom | Description | Valeur |
---|---|---|
enableEarlyTermination | Activer l’arrêt anticipé, détermine si AutoMLJob se termine tôt si le score n’est pas amélioré dans les 20 dernières itérations. | bool |
exitScore | Score de sortie pour le travail AutoML. | int |
maxConcurrentTrials | Nombre maximal d’itérations simultanées. | int |
maxCoresPerTrial | Nombre maximal de cœurs par itération. | int |
maxTrials | Nombre d’itérations. | int |
timeout | Délai d’expiration du travail AutoML. | string |
trialTimeout | Délai d’expiration de l’itération. | string |
TrainingSettings
Nom | Description | Valeur |
---|---|---|
enableDnnTraining | Activer la recommandation des modèles DNN. | bool |
enableModelExplainability | Indicateur pour activer l’explicabilité sur le meilleur modèle. | bool |
enableOnnxCompatibleModels | Indicateur pour l’activation des modèles compatibles onnx. | bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | bool |
enableVoteEnsemble | Activez l’exécution des ensembles de votes. | bool |
ensembleModelDownloadTimeout | Pendant la génération de modèles VotingEnsemble et StackEnsemble, plusieurs modèles ajustés des exécutions enfants précédentes sont téléchargés. Si plus de temps est nécessaire, configurez ce paramètre avec une valeur supérieure à 300 secondes. |
string |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution de l’ensemble de piles. | StackEnsembleSettings |
StackEnsembleSettings
Nom | Description | Valeur |
---|---|---|
stackMetaLearnerKWargs | Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. | Pour Bicep, vous pouvez utiliser la fonction any(). |
stackMetaLearnerTrainPercentage | Spécifie la proportion du jeu d’entraînement (lors du choix du type d’entraînement et de validation) à réserver pour l’apprentissage du méta-apprenant. La valeur par défaut est 0,2. | int |
stackMetaLearnerType | Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
Prévisions
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Prévision' (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Moyenne' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' Naïve 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
blockedModels | Modèles bloqués pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Moyenne' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' Naïve 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Prévision des entrées spécifiques à la tâche. | ForecastingSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche de prévision. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
ForecastingSettings
Nom | Description | Valeur |
---|---|---|
countryOrRegionForHolidays | Pays ou région pour les jours fériés pour les tâches de prévision. Il doit s’agir des codes de pays/région à deux lettres au format ISO 3166, par exemple, « US » ou « GB ». |
string |
cvStepSize | Nombre de périodes entre l’heure d’origine d’un pli cv et le pli suivant. For par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pliage seraà trois jours d’intervalle. |
int |
featureLags | Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. | 'Auto' 'None' |
forecastHorizon | Horizon maximal de prévision souhaité en unités de fréquence de série chronologique. | ForecastHorizon |
frequency | Lors d'une prévision, ce paramètre représente la période pour laquelle la prévision est souhaitée, par exemple tous les jours, toutes les semaines, tous les ans, etc. La fréquence de prévision correspond à la fréquence du jeu de données par défaut. | string |
Saisonnalité | Définissez le caractère saisonnier de la série chronologique sous la forme d’un entier multiple de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle est déduite. |
Caractère saisonnier |
shortSeriesHandlingConfig | Paramètre définissant la manière dont AutoML doit gérer les séries chronologiques courtes. | 'Auto' 'Drop' 'None' 'Pad' |
targetAggregateFunction | Fonction à utiliser pour agréger la colonne cible de la série chronologique de façon à ce qu’elle soit conforme à une fréquence spécifiée par l’utilisateur. Si targetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cibles possibles sont les suivantes : « sum », « max », « min » et « mean ». |
'Max' 'Mean' 'Min' 'None' 'Somme' |
targetLags | Nombre de périodes passées à décaler par rapport à la colonne cible. | TargetLags |
targetRollingWindowSize | Nombre de périodes passées utilisées pour créer une moyenne de fenêtres dynamiques de la colonne cible. | TargetRollingWindowSize |
timeColumnName | Nom de la colonne de temps. Ce paramètre est obligatoire pendant la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées afin de générer la série chronologique et de déduire sa fréquence. | string |
timeSeriesIdColumnNames | Noms des colonnes utilisées pour regrouper une série chronologique. Permet de créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est considéré être une série chronologique. Ce paramètre est utilisé avec les tâches de type prévision. |
string[] |
useStl | Configurez la décomposition STL de la colonne cible de série chronologique. | 'None' 'Saison' 'SeasonTrend' |
ForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection de la valeur de l’horizon de prévision. | 'Auto' (obligatoire) |
CustomForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection de la valeur de l’horizon de prévision. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur de l’horizon de prévision. | int (obligatoire) |
Caractère saisonnier
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoSeasonality
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Auto' (obligatoire) |
CustomSeasonality
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode saisonnalité. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur de saisonnalité. | int (obligatoire) |
TargetLags
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoTargetLags
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalage cible - Auto/Custom | 'Auto' (obligatoire) |
CustomTargetLags
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode décalage cible - Auto/Custom | 'Custom' (obligatoire) |
values | [Obligatoire] Définissez des valeurs de décalage cible. | int[] (obligatoire) |
TargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoTargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Auto' (obligatoire) |
CustomTargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur TargetRollingWindowSize. | int (obligatoire) |
ImageClassification
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassification' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Paramètres de limite pour le travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Paramètres associés au balayage du modèle et à l’hyperparamètre. | ImageSweepSettings |
ImageVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’entraînement. | TrainingDataSettings (obligatoire) |
validationData | Paramètres du jeu de données de validation. | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
data | Données de validation MLTable. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
ImageLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | int |
maxTrials | Nombre maximal d’itérations AutoML. | int |
timeout | Délai d’expiration du travail AutoML. | string |
ImageModelSettingsClassification
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres pour les scénarios avancés. | string |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | bool |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
checkpointDatasetId | Id FileDataset pour les points de contrôle préentraînés pour l’entraînement incrémentiel. Veillez à passer CheckpointFilename avec CheckpointDatasetId. |
string |
checkpointFilename | Nom de fichier du point de contrôle préentraîné dans FileDataset pour l’apprentissage incrémentiel. Veillez à passer CheckpointDatasetId avec CheckpointFilename. |
string |
checkpointFrequency | Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. | int |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | string |
distributed | Indique s’il faut utiliser l’entraînement distribué. | bool |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
int |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | 'None' 'Étape' 'WarmupCosine' |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | bool |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | int |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | int |
optimizer | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | int |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | int |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | int |
trainingCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif. | int |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | int |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif. | int |
validationResizeSize | Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif. | int |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | int |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | int |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2. |
int |
ImageModelDistributionSettingsClassification
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | string |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
distributed | Indique s’il faut utiliser l’entraînement du répartiteur. | string |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | string |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
string |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
string |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | string |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | string |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
string |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | string |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | string |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | string |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | string |
optimizer | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | string |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | string |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
string |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | string |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | string |
trainingCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif. | string |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | string |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif. | string |
validationResizeSize | Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif. | string |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | string |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | string |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2. |
string |
ImageSweepSettings
Nom | Description | Valeur |
---|---|---|
earlyTermination | Type de stratégie de résiliation anticipée. | EarlyTerminationPolicy |
limites | [Obligatoire] Paramètres de limite pour le balayage du modèle et le balayage hyperparamètre. | ImageSweepLimitSettings (obligatoire) |
samplingAlgorithm | [Obligatoire] Type des algorithmes d’échantillonnage des hyperparamètres. | 'Bayésien' 'Grille' 'Random' (obligatoire) |
EarlyTerminationPolicy
Nom | Description | Valeur |
---|---|---|
delayEvaluation | Nombre d’intervalles par lesquels retarder la première évaluation. | int |
evaluationInterval | Intervalle (nombre d’exécutions) entre les évaluations de stratégie. | int |
policyType | Définir le type d’objet | Bandit MedianStopping TroncationSelection (obligatoire) |
BanditPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'Bandit' (obligatoire) |
slackAmount | Distance absolue autorisée par rapport à l’exécution la plus performante. | int |
slackFactor | Ratio de la distance autorisée par rapport à l’exécution la plus performante. | int |
MedianStoppingPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'MedianStopping' (obligatoire) |
TruncationSelectionPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'TroncationSelection' (obligatoire) |
troncationPercentage | Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. | int |
ImageSweepLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations simultanées pour le travail de balayage sous-jacent. | int |
maxTrials | Nombre maximal d’itérations pour le travail de balayage sous-jacent. | int |
ImageClassificationMultilabel
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassificationMultilabel' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Paramètres associés au balayage de modèle et aux hyperparamètres. | ImageSweepSettings |
ImageInstanceSegmentation
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageInstanceSegmentation' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Paramètres associés au balayage de modèle et aux hyperparamètres. | ImageSweepSettings |
ImageModelSettingsObjectDetection
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres pour les scénarios avancés. | string |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | bool |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
boxScoreThreshold | Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
int |
checkpointDatasetId | Id FileDataset pour le ou les points de contrôle préentraînés pour l’entraînement incrémentiel. Veillez à transmettre CheckpointFilename avec CheckpointDatasetId. |
string |
checkpointFilename | Nom de fichier du point de contrôle préentraîné dans FileDataset pour l’apprentissage incrémentiel. Veillez à transmettre CheckpointDatasetId avec CheckpointFilename. |
string |
checkpointFrequency | Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. | int |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | string |
distributed | Indique s’il faut utiliser l’entraînement distribué. | bool |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
int |
imageSize | Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : La série d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
int |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | 'None' 'Étape' 'WarmupCosine' |
Maxsize | Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
minSize | Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
'ExtraLarge' 'Large' 'Moyen' 'None' 'Small' |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
Multi-échelle | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
bool |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | bool |
nmsIouThreshold | Seuil d’IOU utilisé pendant l’inférence dans le post-traitement NMS. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | int |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | int |
optimizer | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | int |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | int |
tileGridSize | Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas être Aucun pour activer la logique de détection des petits objets. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tileOverlapRatio | Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | int |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | int |
validationIouThreshold | Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. | int |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. | 'Coco' 'CocoVoc' 'None' 'Voc' |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | int |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | string |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
boxScoreThreshold | Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
string |
distributed | Indique s’il faut utiliser l’entraînement du répartiteur. | string |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | string |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
string |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
string |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | string |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | string |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
string |
imageSize | Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : La série d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | string |
Maxsize | Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
minSize | Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
Multi-échelle | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | string |
nmsIouThreshold | Seuil d’IOU utilisé pendant l’inférence dans le post-traitement NMS. Doit être float dans la plage [0, 1]. | string |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | string |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | string |
optimizer | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | string |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | string |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
string |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | string |
tileGridSize | Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas être Aucun pour activer la logique de détection des petits objets. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tileOverlapRatio | Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale |
string |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | string |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | string |
validationIouThreshold | Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. | string |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». | string |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | string |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | string |
ImageObjectDetection
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageObjectDetection' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Paramètres de limite pour le travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Paramètres associés au balayage du modèle et à l’hyperparamètre. | ImageSweepSettings |
régression ;
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Régression' (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedModels | Modèles bloqués pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche de régression. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
TextClassification
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassification' (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrique principale pour Text-Classification tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
NlpVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | TrainingDataSettings (obligatoire) |
validationData | Entrées de données de validation. | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
data | MlTable des données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
NlpVerticalFeaturizationSettings
Nom | Description | Valeur |
---|---|---|
datasetLanguage | Langue du jeu de données, utile pour les données de texte. | string |
NlpVerticalLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | int |
maxTrials | Nombre d’itérations AutoML. | int |
timeout | Délai d’expiration du travail AutoML. | string |
TextClassificationMultilabel
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassificationMultilabel' (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
TextNer
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextNER' (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
CommandJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'Command' (obligatoire) |
codeId | ID de ressource ARM de la ressource de code. | string |
command | [Obligatoire] Commande à exécuter au démarrage du travail. par exemple « python train.py » | string (obligatoire) Contraintes : Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
distribution | Configuration de distribution du travail. S’il est défini, il doit s’agir de Mpi, Tensorflow, PyTorch ou null. | DistributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
environmentVariables | Variables d’environnement incluses dans le travail. | CommandJobEnvironmentVariables |
inputs | Mappage des liaisons de données d’entrée utilisées dans le travail. | CommandJobInputs |
limites | Limite du travail de commande. | CommandJobLimits |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | CommandJobOutputs |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
DistributionConfiguration
Nom | Description | Valeur |
---|---|---|
distributionType | Définir le type d’objet | Mpi PyTorch TensorFlow (obligatoire) |
Mpi
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'Mpi' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud MPI. | int |
PyTorch
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'PyTorch' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud. | int |
TensorFlow
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'TensorFlow' (obligatoire) |
parameterServerCount | Nombre de tâches de serveur de paramètres. | int |
workerCount | Nombre de workers. S’il n’est pas spécifié, est défini par défaut sur le nombre de instance. | int |
CommandJobEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
CommandJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
JobInput
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | string |
jobInputType | Définir le type d’objet | CustomModel Littéral MLFlowModel MLTable TritonModel UriFile UriFolder (obligatoire) |
CustomModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'CustomModel' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
LiteralJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'Literal' (obligatoire) |
value | [Obligatoire] Valeur littérale de l’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
MLFlowModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'MLFlowModel' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
TritonModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'TritonModel' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
UriFileJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'UriFile' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
UriFolderJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'UriFolder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
CommandJobLimits
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Sweep' (obligatoire) |
timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | string |
CommandJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
PipelineJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'Pipeline' (obligatoire) |
inputs | Entrées pour le travail de pipeline. | PipelineJobInputs |
jobs | Les travaux construisent le travail de pipeline. | PipelineJobJobs |
outputs | Sorties pour le travail de pipeline | PipelineJobOutputs |
paramètres | Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. | Pour Bicep, vous pouvez utiliser la fonction any(). |
PipelineJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
PipelineJobJobs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | Pour Bicep, vous pouvez utiliser la fonction any(). |
PipelineJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
SweepJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'Sweep' (obligatoire) |
earlyTermination | Les stratégies d’arrêt anticipé permettent d’annuler les exécutions peu performantes avant qu’elles ne se terminent | EarlyTerminationPolicy |
inputs | Mappage des liaisons de données d’entrée utilisées dans le travail. | SweepJobInputs |
limites | Limite du travail de balayage. | SweepJobLimits |
objective | [Obligatoire] Objectif d’optimisation. | Objectif (obligatoire) |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | SweepJobOutputs |
samplingAlgorithm | [Obligatoire] Algorithme d’échantillonnage des hyperparamètres | SamplingAlgorithm (obligatoire) |
searchSpace | [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre | Pour Bicep, vous pouvez utiliser la fonction any(). (obligatoire) |
trial | [Obligatoire] Définition du composant d’essai. | TrialComponent (obligatoire) |
SweepJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
SweepJobLimits
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Sweep' (obligatoire) |
maxConcurrentTrials | Nombre maximal d’essais simultanés du travail de balayage. | int |
maxTotalTrials | Nombre maximal d’essais du travail de balayage. | int |
timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | string |
trialTimeout | Valeur du délai d’expiration du travail de balayage d’essai. | string |
Objectif
Nom | Description | Valeur |
---|---|---|
goal | [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres | 'Agrandir' 'Réduire' (obligatoire) |
primaryMetric | [Obligatoire] Nom de la métrique à optimiser. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
SweepJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
ÉchantillonnageAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | Définir le type d’objet | Bayésien Grid Aléatoire (obligatoire) |
BayesianSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration | 'Bayésian' (obligatoire) |
GridSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration | 'Grid' (obligatoire) |
RandomSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration | 'Random' (obligatoire) |
rule | Type spécifique d’algorithme aléatoire | 'Aléatoire' 'Sobol' |
seed | Entier facultatif à utiliser comme seed pour la génération de nombres aléatoires | int |
TrialComponent
Nom | Description | Valeur |
---|---|---|
codeId | ID de ressource ARM de la ressource de code. | string |
command | [Obligatoire] Commande à exécuter au démarrage du travail. par exemple « python train.py » | chaîne (obligatoire) Contraintes : Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
distribution | Configuration de distribution du travail. S’il est défini, il doit s’agir de Mpi, Tensorflow, PyTorch ou null. | DistributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification Environment pour le travail. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
environmentVariables | Variables d’environnement incluses dans le travail. | TrialComponentEnvironmentVariables |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
TrialComponentEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
Modèles de démarrage rapide
Les modèles de démarrage rapide suivants déploient ce type de ressource.
Modèle | Description |
---|---|
Créer un travail de classification AutoML Azure Machine Learning |
Ce modèle crée un travail de classification AutoML Azure Machine Learning pour trouver le meilleur modèle pour prédire si un client s’abonnera à un dépôt à terme fixe auprès d’une institution financière. |
Créer un travail De commande Azure Machine Learning |
Ce modèle crée un travail Azure Machine Learning Command avec un script hello_world de base |
Créer un travail Azure Machine Learning Sweep |
Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres. |
Définition de ressources de modèle ARM
Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :
- Groupes de ressources - Voir commandes de déploiement de groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Format des ressources
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le code JSON suivant à votre modèle.
{
"type": "Microsoft.MachineLearningServices/workspaces/jobs",
"apiVersion": "2022-02-01-preview",
"name": "string",
"properties": {
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"schedule": {
"endTime": "string",
"scheduleStatus": "string",
"startTime": "string",
"timeZone": "string",
"scheduleType": "string"
// For remaining properties, see ScheduleBase objects
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseDetails objects
}
}
Objets JobBaseDetails
Définissez la propriété jobType pour spécifier le type d’objet.
Pour AutoML, utilisez :
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
},
"taskDetails": {
"logVerbosity": "string",
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
Pour Command, utilisez :
"jobType": "Command",
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"timeout": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
}
Pour Pipeline, utilisez :
"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": {}
Pour Balayage, utilisez :
"jobType": "Sweep",
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {}
}
}
}
Objets IdentityConfiguration
Définissez la propriété identityType pour spécifier le type d’objet.
Pour AMLToken, utilisez :
"identityType": "AMLToken"
Pour Géré, utilisez :
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
Pour UserIdentity, utilisez :
"identityType": "UserIdentity"
Objets ScheduleBase
Définissez la propriété scheduleType pour spécifier le type d’objet.
Pour Cron, utilisez :
"scheduleType": "Cron",
"expression": "string"
Pour Périodicité, utilisez :
"scheduleType": "Recurrence",
"frequency": "string",
"interval": "int",
"pattern": {
"hours": [ "int" ],
"minutes": [ "int" ],
"weekdays": [ "string" ]
}
Objets JobOutput
Définissez la propriété jobOutputType pour spécifier le type d’objet.
Pour CustomModel, utilisez :
"jobOutputType": "CustomModel",
"mode": "string",
"uri": "string"
Pour MLFlowModel, utilisez :
"jobOutputType": "MLFlowModel",
"mode": "string",
"uri": "string"
Pour MLTable, utilisez :
"jobOutputType": "MLTable",
"mode": "string",
"uri": "string"
Pour TritonModel, utilisez :
"jobOutputType": "TritonModel",
"mode": "string",
"uri": "string"
Pour UriFile, utilisez :
"jobOutputType": "UriFile",
"mode": "string",
"uri": "string"
Pour UriFolder, utilisez :
"jobOutputType": "UriFolder",
"mode": "string",
"uri": "string"
Objets AutoMLVertical
Définissez la propriété taskType pour spécifier le type d’objet.
Pour Classification, utilisez :
"taskType": "Classification",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "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"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
Pour la prévision, utilisez :
"taskType": "Forecasting",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "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"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
Pour ImageClassification, utilisez :
"taskType": "ImageClassification",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"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",
"splitRatio": "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",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
Pour ImageClassificationMultilabel, utilisez :
"taskType": "ImageClassificationMultilabel",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"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",
"splitRatio": "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",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
Pour ImageInstanceSegmentation, utilisez :
"taskType": "ImageInstanceSegmentation",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"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",
"splitRatio": "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",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
Pour ImageObjectDetection, utilisez :
"taskType": "ImageObjectDetection",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointDatasetId": "string",
"checkpointFilename": "string",
"checkpointFrequency": "int",
"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",
"splitRatio": "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",
"splitRatio": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"limits": {
"maxConcurrentTrials": "int",
"maxTrials": "int"
},
"samplingAlgorithm": "string"
}
Pour Régression, utilisez :
"taskType": "Regression",
"allowedModels": [ "string" ],
"blockedModels": [ "string" ],
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"cvSplitColumnNames": [ "string" ],
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"validationDataSize": "int"
},
"weightColumnName": "string"
},
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"dropColumns": [ "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"
},
"primaryMetric": "string",
"trainingSettings": {
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
}
Pour TextClassification, utilisez :
"taskType": "TextClassification",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"primaryMetric": "string"
Pour TextClassificationMultilabel, utilisez :
"taskType": "TextClassificationMultilabel",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
}
Pour TextNER, utilisez :
"taskType": "TextNER",
"dataSettings": {
"targetColumnName": "string",
"testData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int"
},
"trainingData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
},
"validationData": {
"data": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
}
},
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
}
Objets NCrossValidations
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
"mode": "Auto"
Pour Personnalisé, utilisez :
"mode": "Custom",
"value": "int"
Objets ForecastHorizon
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
"mode": "Auto"
Pour Personnalisé, utilisez :
"mode": "Custom",
"value": "int"
Objets saisonniers
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
"mode": "Auto"
Pour Personnalisé, utilisez :
"mode": "Custom",
"value": "int"
Objets TargetLags
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
"mode": "Auto"
Pour Personnalisé, utilisez :
"mode": "Custom",
"values": [ "int" ]
Objets TargetRollingWindowSize
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
"mode": "Auto"
Pour Personnalisé, utilisez :
"mode": "Custom",
"value": "int"
Objets EarlyTerminationPolicy
Définissez la propriété policyType pour spécifier le type d’objet.
Pour Bandit, utilisez :
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
Pour MedianStopping, utilisez :
"policyType": "MedianStopping"
Pour TroncationSelection, utilisez :
"policyType": "TruncationSelection",
"truncationPercentage": "int"
Objets DistributionConfiguration
Définissez la propriété distributionType pour spécifier le type d’objet.
Pour Mpi, utilisez :
"distributionType": "Mpi",
"processCountPerInstance": "int"
Pour PyTorch, utilisez :
"distributionType": "PyTorch",
"processCountPerInstance": "int"
Pour TensorFlow, utilisez :
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
Objets JobInput
Définissez la propriété jobInputType pour spécifier le type d’objet.
Pour CustomModel, utilisez :
"jobInputType": "CustomModel",
"mode": "string",
"uri": "string"
Pour Littéral, utilisez :
"jobInputType": "Literal",
"value": "string"
Pour MLFlowModel, utilisez :
"jobInputType": "MLFlowModel",
"mode": "string",
"uri": "string"
Pour MLTable, utilisez :
"jobInputType": "MLTable",
"mode": "string",
"uri": "string"
Pour TritonModel, utilisez :
"jobInputType": "TritonModel",
"mode": "string",
"uri": "string"
Pour UriFile, utilisez :
"jobInputType": "UriFile",
"mode": "string",
"uri": "string"
Pour UriFolder, utilisez :
"jobInputType": "UriFolder",
"mode": "string",
"uri": "string"
Objets SamplingAlgorithm
Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.
Pour bayésien, utilisez :
"samplingAlgorithmType": "Bayesian"
Pour Grid, utilisez :
"samplingAlgorithmType": "Grid"
Pour Random, utilisez :
"samplingAlgorithmType": "Random",
"rule": "string",
"seed": "int"
Valeurs de propriétés
espaces de travail/travaux
Nom | Description | Valeur |
---|---|---|
type | Type de ressource | « Microsoft.MachineLearningServices/workspaces/jobs » |
apiVersion | Version de l’API de ressource | « 2022-02-01-preview » |
name | Nom de la ressource Découvrez comment définir des noms et des types pour des ressources enfants dans des modèles ARM JSON. |
chaîne (obligatoire) |
properties | [Obligatoire] Attributs supplémentaires de l’entité. | JobBaseDetails (obligatoire) |
JobBaseDetails
Nom | Description | Valeur |
---|---|---|
computeId | ID de ressource ARM de la ressource de calcul. | string |
description | Texte de description de la ressource. | string |
displayName | Nom d’affichage du travail. | string |
experimentName | Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». | string |
identité | Configuration de l’identité. S’il est défini, il doit s’agir d’AmlToken, ManagedIdentity, UserIdentity ou null. La valeur par défaut est AmlToken si null. |
IdentityConfiguration |
isArchived | La ressource est-elle archivée ? | bool |
properties | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
schedule | Planifier la définition du travail. Si aucune planification n’est fournie, le travail est exécuté une fois et immédiatement après la soumission. |
ScheduleBase |
services | Liste des jobEndpoints. Pour les travaux locaux, un point de terminaison de travail aura une valeur de point de terminaison FileStreamObject. |
JobBaseServices |
tags | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | object |
jobType | Définir le type d’objet | AutoML Commande Pipeline Balayage (obligatoire) |
IdentityConfiguration
Nom | Description | Valeur |
---|---|---|
identityType | Définir le type d’objet | AMLToken Managé UserIdentity (obligatoire) |
AmlToken
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'AMLToken' (obligatoire) |
ManagedIdentity
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'Managed' (obligatoire) |
clientId | Spécifie une identité affectée par l’utilisateur par ID client. Pour les personnes affectées par le système, ne définissez pas ce champ. | string Contraintes : Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Spécifie une identité affectée par l’utilisateur par l’ID d’objet. Pour les personnes affectées par le système, ne définissez pas ce champ. | string Contraintes : Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Spécifie une identité affectée par l’utilisateur par l’ID de ressource ARM. Pour les personnes affectées par le système, ne définissez pas ce champ. | string |
UserIdentity
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | 'UserIdentity' (obligatoire) |
ResourceBaseProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string |
ScheduleBase
Nom | Description | Valeur |
---|---|---|
endTime | Spécifie l’heure de fin de la planification au format ISO 8601. Si elle n’est pas présente, la planification s’exécute indéfiniment |
string |
scheduleStatus | Spécifie le status de la planification | 'Désactivé' 'Enabled' |
startTime | Spécifie l’heure de début de la planification au format ISO 8601. | string |
timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. |
string |
scheduleType | Définir le type d’objet | Cron Périodicité (obligatoire) |
CronSchedule
Nom | Description | Valeur |
---|---|---|
scheduleType | [Obligatoire] Spécifie le type de planification | 'Cron' (obligatoire) |
expression | [Obligatoire] Spécifie l’expression cron de la planification. L’expression doit suivre le format NCronTab. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
Périodicitéschedule
Nom | Description | Valeur |
---|---|---|
scheduleType | [Obligatoire] Spécifie le type de planification | 'Périodicité' (obligatoire) |
frequency | [Obligatoire] Spécifie la fréquence avec laquelle déclencher la planification | 'Jour' 'Heure' 'Minute' 'Mois' 'Semaine' (obligatoire) |
interval | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
modèle | Spécifie le modèle de planification de périodicité | RecurrencePattern |
RecurrencePattern
Nom | Description | Valeur |
---|---|---|
heures | [Obligatoire] Liste des heures pour le modèle de planification de périodicité | int[] (obligatoire) |
minutes | [Obligatoire] Liste des minutes pour le modèle de planification de périodicité | int[] (obligatoire) |
Semaine | Liste des jours de semaine pour le modèle de planification de périodicité | Tableau de chaînes contenant l’un des éléments suivants : 'Vendredi' 'Lundi' 'Samedi' 'Dimanche' 'Jeudi' 'Mardi' 'Mercredi' |
JobBaseServices
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobService |
JobService
Nom | Description | Valeur |
---|---|---|
endpoint | URL du point de terminaison. | string |
jobServiceType | Type de point de terminaison. | string |
port | Port pour point de terminaison. | int |
properties | Propriétés supplémentaires à définir sur le point de terminaison. | JobServiceProperties |
JobServiceProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
AutoMLJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'AutoML' (obligatoire) |
environmentId | ID de ressource ARM de la spécification d’environnement pour le travail. Il s’agit d’une valeur facultative à fournir, si elle n’est pas fournie, AutoML utilise par défaut la version de l’environnement autoML organisé de production lors de l’exécution du travail. |
string |
environmentVariables | Variables d’environnement incluses dans le travail. | AutoMLJobEnvironmentVariables |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | AutoMLJobOutputs |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
taskDetails | [Obligatoire] Cela représente un scénario qui peut être l’un des tables/NLP/image | AutoMLVertical (obligatoire) |
AutoMLJobEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
AutoMLJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
JobOutput
Nom | Description | Valeur |
---|---|---|
description | Description de la sortie. | string |
jobOutputType | Définir le type d’objet | CustomModel MLFlowModel MLTable TritonModel UriFile UriFolder (obligatoire) |
CustomModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'CustomModel' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Upload' |
URI | URI de ressource de sortie. | string |
MLFlowModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'MLFlowModel' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Charger' |
URI | URI de ressource de sortie. | string |
MLTableJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'MLTable' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Charger' |
URI | URI de ressource de sortie. | string |
TritonModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'TritonModel' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Charger' |
URI | URI de ressource de sortie. | string |
UriFileJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'UriFile' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Charger' |
URI | URI de ressource de sortie. | string |
UriFolderJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | 'UriFolder' (obligatoire) |
mode | Mode de remise des ressources de sortie. | 'ReadWriteMount' 'Charger' |
URI | URI de ressource de sortie. | string |
ResourceConfiguration
Nom | Description | Valeur |
---|---|---|
instanceCount | Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. | int |
instanceType | Type de machine virtuelle facultatif utilisé comme pris en charge par la cible de calcul. | string |
properties | Sac de propriétés supplémentaires. | ResourceConfigurationProperties |
ResourceConfigurationProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} |
AutoMLVertical
Nom | Description | Valeur |
---|---|---|
logVerbosity | Détail du journal pour le travail. | 'Critique' 'Déboguer' 'Erreur' 'Info' 'NotSet' 'Avertissement' |
taskType | Définir le type d’objet | Classification Prévisions ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Régression TextClassification TextClassificationMultilabel TextNER (obligatoire) |
classification ;
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Classification' (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
blockedModels | Modèles bloqués pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier' |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | TrainingSettings |
TableVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’entraînement. | TrainingDataSettings (obligatoire) |
validationData | Entrées de données de validation. | TableVerticalValidationDataSettings |
weightColumnName | Nom de la colonne de pondération d’échantillons. Le ML automatisé prend en charge une colonne pondérée en entrée. Les lignes des données sont alors pondérées en conséquence. | string |
TestDataSettings
Nom | Description | Valeur |
---|---|---|
data | Tester les données MLTable. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
MLTableJobInput
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | string |
jobInputType | [Obligatoire] Spécifie le type de travail. | 'CustomModel' 'Literal' 'MLFlowModel' 'MLTable' 'TritonModel' 'UriFile' 'UriFolder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
TrainingDataSettings
Nom | Description | Valeur |
---|---|---|
data | [Obligatoire] Données d’entraînement MLTable. | MLTableJobInput (obligatoire) |
TableVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
data | Données de validation MLTable. | MLTableJobInput |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
NCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoNCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Auto' (obligatoire) |
CustomNCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur des validations N-croisées. | int (obligatoire) |
TableVerticalFeaturizationSettings
Nom | Description | Valeur |
---|---|---|
blockedTransformers | Ces transformateurs ne doivent pas être utilisés pour la caractérisation. | string[] |
columnNameAndTypes | Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | string |
dropColumns | Colonnes à supprimer des données pendant la caractérisation. | string[] |
enableDnnFeaturization | Détermine s’il faut utiliser des générateurs de performance basés sur Dnn pour la caractérisation des données. | bool |
mode | Mode de caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données en phase de caractérisation. Si l’option « Off » est sélectionnée, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée. |
'Auto' 'Personnalisé' 'Off' |
transformerParams | L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser, ainsi que les colonnes auxquelles il serait appliqué et les paramètres du constructeur de transformateur. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
TableVerticalFeaturizationSettingsTransformerParams
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | ColumnTransformer[] |
ColumnTransformer
Nom | Description | Valeur |
---|---|---|
fields | Champs auxquels appliquer une logique de transformateur. | string[] |
parameters | Différentes propriétés à passer au transformateur. L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON. |
TableVerticalLimitSettings
Nom | Description | Valeur |
---|---|---|
enableEarlyTermination | Activer l’arrêt anticipé détermine si AutoMLJob se termine tôt si le score n’a pas été amélioré au cours des 20 dernières itérations. | bool |
exitScore | Score de sortie pour le travail AutoML. | int |
maxConcurrentTrials | Nombre maximal d’itérations simultanées. | int |
maxCoresPerTrial | Nombre maximal de cœurs par itération. | int |
maxTrials | Nombre d’itérations. | int |
timeout | Délai d’expiration du travail AutoML. | string |
trialTimeout | Délai d’expiration de l’itération. | string |
TrainingSettings
Nom | Description | Valeur |
---|---|---|
enableDnnTraining | Activez la recommandation des modèles DNN. | bool |
enableModelExplainability | Indicateur pour activer l’explicabilité sur le meilleur modèle. | bool |
enableOnnxCompatibleModels | Indicateur d’activation des modèles compatibles onnx. | bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | bool |
enableVoteEnsemble | Activez l’exécution d’ensemble de votes. | bool |
ensembleModelDownloadTimeout | Pendant la génération de modèles VotingEnsemble et StackEnsemble, plusieurs modèles ajustés des exécutions enfants précédentes sont téléchargés. Si plus de temps est nécessaire, configurez ce paramètre avec une valeur supérieure à 300 secondes. |
string |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution de l’ensemble de piles. | StackEnsembleSettings |
StackEnsembleSettings
Nom | Description | Valeur |
---|---|---|
stackMetaLearnerKWargs | Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. | |
stackMetaLearnerTrainPercentage | Spécifie la proportion du jeu d’entraînement (lors du choix du type d’entraînement et de validation) à réserver à l’entraînement du méta-apprenant. La valeur par défaut est 0,2. | int |
stackMetaLearnerType | Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. | 'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'None' |
Prévisions
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Prévision' (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Moyenne' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' Naïve 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
blockedModels | Modèles bloqués pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : 'Arimax' 'AutoArima' 'Moyenne' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' Naïve 'Prophète' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor' |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Prévision des entrées spécifiques à la tâche. | ForecastingSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche de prévision. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
ForecastingSettings
Nom | Description | Valeur |
---|---|---|
countryOrRegionForHolidays | Pays ou région pour les jours fériés pour les tâches de prévision. Il doit s’agir des codes de pays/région à deux lettres au format ISO 3166, par exemple, « US » ou « GB ». |
string |
cvStepSize | Nombre de périodes entre l’heure d’origine d’un pli cv et le pli suivant. For par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli seraà trois jours d’intervalle. |
int |
featureLags | Indicateur permettant de générer des retards pour les fonctionnalités numériques avec « auto » ou null. | 'Auto' 'None' |
forecastHorizon | Horizon maximal de prévision souhaité en unités de fréquence de série chronologique. | ForecastHorizon |
frequency | Lors d'une prévision, ce paramètre représente la période pour laquelle la prévision est souhaitée, par exemple tous les jours, toutes les semaines, tous les ans, etc. La fréquence de prévision correspond à la fréquence du jeu de données par défaut. | string |
Saisonnalité | Définissez le caractère saisonnier de la série chronologique sous la forme d’un entier multiple de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle est déduite. |
Caractère saisonnier |
shortSeriesHandlingConfig | Paramètre définissant la manière dont AutoML doit gérer les séries chronologiques courtes. | 'Auto' 'Drop' 'None' 'Pad' |
targetAggregateFunction | Fonction à utiliser pour agréger la colonne cible de la série chronologique de façon à ce qu’elle soit conforme à une fréquence spécifiée par l’utilisateur. Si targetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cibles possibles sont les suivantes : « sum », « max », « min » et « mean ». |
'Max' 'Mean' 'Min' 'None' 'Sum' |
targetLags | Nombre de périodes passées à décaler par rapport à la colonne cible. | TargetLags |
targetRollingWindowSize | Nombre de périodes passées utilisées pour créer une moyenne de fenêtres dynamiques de la colonne cible. | TargetRollingWindowSize |
timeColumnName | Nom de la colonne de temps. Ce paramètre est obligatoire pendant la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées afin de générer la série chronologique et de déduire sa fréquence. | string |
timeSeriesIdColumnNames | Noms des colonnes utilisées pour regrouper une série chronologique. Permet de créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est considéré être une série chronologique. Ce paramètre est utilisé avec les tâches de type prévision. |
string[] |
useStl | Configurez la décomposition STL de la colonne cible de série chronologique. | 'None' 'Saison' 'SeasonTrend' |
ForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection de valeur de l’horizon de prévision. | 'Auto' (obligatoire) |
CustomForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection de valeur de l’horizon de prévision. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur de l’horizon de prévision. | int (obligatoire) |
Caractère saisonnier
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoSeasonality
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de saisonnalité. | 'Auto' (obligatoire) |
CustomSeasonality
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de saisonnalité. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur de caractère saisonnier. | int (obligatoire) |
TargetLags
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoTargetLags
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode de décalage cible - Auto/Custom | 'Auto' (obligatoire) |
CustomTargetLags
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode de décalage cible - Auto/Custom | 'Custom' (obligatoire) |
values | [Obligatoire] Définissez des valeurs de décalage cible. | int[] (obligatoire) |
TargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoTargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Auto' (obligatoire) |
CustomTargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | 'Custom' (obligatoire) |
value | [Obligatoire] Valeur TargetRollingWindowSize. | int (obligatoire) |
ImageClassification
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassification' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Paramètres associés au balayage de modèle et aux hyperparamètres. | ImageSweepSettings |
ImageVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | TrainingDataSettings (obligatoire) |
validationData | Paramètres du jeu de données de validation. | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
data | MlTable des données de validation. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
ImageLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | int |
maxTrials | Nombre maximal d’itérations AutoML. | int |
timeout | Délai d’expiration du travail AutoML. | string |
ImageModelSettingsClassification
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres pour les scénarios avancés. | string |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | bool |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
checkpointDatasetId | Id FileDataset pour le ou les points de contrôle préentraînés pour l’entraînement incrémentiel. Veillez à transmettre CheckpointFilename avec CheckpointDatasetId. |
string |
checkpointFilename | Nom de fichier du point de contrôle préentraîné dans FileDataset pour l’apprentissage incrémentiel. Veillez à transmettre CheckpointDatasetId avec CheckpointFilename. |
string |
checkpointFrequency | Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. | int |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | string |
distributed | Indique s’il faut utiliser l’entraînement distribué. | bool |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales est suivi pour l’arrêt précoce. Cette valeur doit être un entier positif. |
int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | int |
gradientAccumulationStep | L’accumulation de dégradés signifie l’exécution d’un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
int |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le passage de 2 comme valeur pour 'seresnext' signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | 'None' 'Step' 'WarmupCosine' |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
momentum | Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | bool |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | int |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | int |
optimizer | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | int |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | int |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | int |
trainingCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif. | int |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | int |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif. | int |
validationResizeSize | Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif. | int |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | int |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | int |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2. |
int |
ImageModelDistributionSettingsClassification
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | string |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
distributed | Indique s’il faut utiliser l’entraînement du répartiteur. | string |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | string |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
string |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
string |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | string |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | string |
gradientAccumulationStep | L’accumulation de dégradés signifie l’exécution d’un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
string |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le passage de 2 comme valeur pour 'seresnext' signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | string |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
momentum | Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | string |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | string |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | string |
optimizer | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | string |
randomSeed | Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | string |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner des données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
string |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif. | string |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | string |
trainingCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif. | string |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | string |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif. | string |
validationResizeSize | Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif. | string |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | string |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | string |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2. |
string |
ImageSweepSettings
Nom | Description | Valeur |
---|---|---|
earlyTermination | Type de stratégie de résiliation anticipée. | EarlyTerminationPolicy |
limites | [Obligatoire] Paramètres de limite pour le balayage du modèle et le balayage hyperparamètre. | ImageSweepLimitSettings (obligatoire) |
samplingAlgorithm | [Obligatoire] Type des algorithmes d’échantillonnage des hyperparamètres. | 'Bayésien' 'Grille' 'Random' (obligatoire) |
EarlyTerminationPolicy
Nom | Description | Valeur |
---|---|---|
delayEvaluation | Nombre d’intervalles par lesquels retarder la première évaluation. | int |
evaluationInterval | Intervalle (nombre d’exécutions) entre les évaluations de stratégie. | int |
policyType | Définir le type d’objet | Bandit MedianStopping TroncationSelection (obligatoire) |
BanditPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'Bandit' (obligatoire) |
slackAmount | Distance absolue autorisée par rapport à l’exécution la plus performante. | int |
slackFactor | Ratio de la distance autorisée par rapport à l’exécution la plus performante. | int |
MedianStoppingPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'MedianStopping' (obligatoire) |
TruncationSelectionPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | 'TroncationSelection' (obligatoire) |
troncationPercentage | Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. | int |
ImageSweepLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations simultanées pour le travail Sweep sous-jacent. | int |
maxTrials | Nombre maximal d’itérations pour le travail de balayage sous-jacent. | int |
ImageClassificationMultilabel
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageClassificationMultilabel' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Paramètres de limite pour le travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PrecisionScoreWeighted' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Paramètres associés au balayage du modèle et à l’hyperparamètre. | ImageSweepSettings |
ImageInstanceSegmentation
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageInstanceSegmentation' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Paramètres de limite pour le travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Paramètres associés au balayage du modèle et à l’hyperparamètre. | ImageSweepSettings |
ImageModelSettingsObjectDetection
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres pour les scénarios avancés. | string |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | bool |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
boxScoreThreshold | Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
int |
checkpointDatasetId | Id FileDataset pour les points de contrôle préentraînés pour l’entraînement incrémentiel. Veillez à passer CheckpointFilename avec CheckpointDatasetId. |
string |
checkpointFilename | Nom de fichier du point de contrôle préentraîné dans FileDataset pour l’apprentissage incrémentiel. Veillez à passer CheckpointDatasetId avec CheckpointFilename. |
string |
checkpointFrequency | Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. | int |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | string |
distributed | Indique s’il faut utiliser l’entraînement distribué. | bool |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
int |
imageSize | Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : La série d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
int |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | 'None' 'Étape' 'WarmupCosine' |
Maxsize | Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
minSize | Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
'ExtraLarge' 'Large' 'Moyen' 'None' 'Small' |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
Multi-échelle | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
bool |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | bool |
nmsIouThreshold | Seuil d’IOU utilisé pendant l’inférence dans le post-traitement NMS. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | int |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | int |
optimizer | Type d’optimiseur. | 'Adam' 'Adamw' 'None' 'Sgd' |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | int |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif. | int |
tileGridSize | Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas être Aucun pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tileOverlapRatio | Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | int |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | int |
validationIouThreshold | Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. | int |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. | 'Coco' 'CocoVoc' 'None' 'Voc' |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | int |
weightDecay | Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | string |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
boxScoreThreshold | Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
string |
distributed | Indique s’il faut utiliser l’entraînement du répartiteur. | string |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | string |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales est suivi pour l’arrêt précoce. Cette valeur doit être un entier positif. |
string |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
string |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | string |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | string |
gradientAccumulationStep | L’accumulation de dégradés signifie l’exécution d’un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
string |
imageSize | Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut être intégrée à CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le passage de 2 comme valeur pour 'seresnext' signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | string |
Maxsize | Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
minSize | Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
momentum | Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
Multi-échelle | Activez l’image à plusieurs échelles en faisant varier la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | string |
nmsIouThreshold | Seuil d’IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être float dans la plage [0, 1]. | string |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | string |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | string |
optimizer | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | string |
randomSeed | Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | string |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner des données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
string |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif. | string |
tileGridSize | Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas être Aucun pour activer la logique de détection des petits objets. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tileOverlapRatio | Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale |
string |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | string |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | string |
validationIouThreshold | Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. | string |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». | string |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | string |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | string |
ImageObjectDetection
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'ImageObjectDetection' (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Paramètres de limite pour le travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | 'MeanAveragePrecision' |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Paramètres associés au balayage du modèle et à l’hyperparamètre. | ImageSweepSettings |
régression ;
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'Régression' (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
blockedModels | Modèles bloqués pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor' |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche de régression. | 'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation' |
trainingSettings | Entrées pour la phase d’entraînement d’un travail AutoML. | TrainingSettings |
TextClassification
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassification' (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrique principale pour Text-Classification tâche. | 'AUCWeighted' 'Précision' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted' |
NlpVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’entraînement. | TrainingDataSettings (obligatoire) |
validationData | Entrées de données de validation. | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
data | Données de validation MLTable. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
NlpVerticalFeaturizationSettings
Nom | Description | Valeur |
---|---|---|
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | string |
NlpVerticalLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | int |
maxTrials | Nombre d’itérations AutoML. | int |
timeout | Délai d’expiration du travail AutoML. | string |
TextClassificationMultilabel
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextClassificationMultilabel' (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
TextNer
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | 'TextNER' (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
CommandJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'Command' (obligatoire) |
codeId | ID de ressource ARM de la ressource de code. | string |
command | [Obligatoire] Commande à exécuter au démarrage du travail. par exemple « python train.py » | string (obligatoire) Contraintes : Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
distribution | Configuration de distribution du travail. S’il est défini, il doit s’agir de Mpi, Tensorflow, PyTorch ou null. | DistributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
environmentVariables | Variables d’environnement incluses dans le travail. | CommandJobEnvironmentVariables |
inputs | Mappage des liaisons de données d’entrée utilisées dans le travail. | CommandJobInputs |
limites | Limite du travail de commande. | CommandJobLimits |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | CommandJobOutputs |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
DistributionConfiguration
Nom | Description | Valeur |
---|---|---|
distributionType | Définir le type d’objet | Mpi PyTorch TensorFlow (obligatoire) |
Mpi
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'Mpi' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud MPI. | int |
PyTorch
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'PyTorch' (obligatoire) |
processCountPerInstance | Nombre de processus par nœud. | int |
TensorFlow
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | 'TensorFlow' (obligatoire) |
parameterServerCount | Nombre de tâches de serveur de paramètres. | int |
workerCount | Nombre de workers. S’il n’est pas spécifié, est défini par défaut sur le nombre de instance. | int |
CommandJobEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
CommandJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
JobInput
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | string |
jobInputType | Définir le type d’objet | CustomModel Littéral MLFlowModel MLTable TritonModel UriFile UriFolder (obligatoire) |
CustomModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'CustomModel' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
LiteralJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'Literal' (obligatoire) |
value | [Obligatoire] Valeur littérale de l’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
MLFlowModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'MLFlowModel' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
TritonModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'TritonModel' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
UriFileJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'UriFile' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
UriFolderJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | 'UriFolder' (obligatoire) |
mode | Mode de remise des ressources d’entrée. | 'Direct' 'Télécharger' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount' |
URI | [Obligatoire] URI de ressource d’entrée. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
CommandJobLimits
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
timeout | Durée maximale d’exécution au format ISO 8601, après quoi le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | string |
CommandJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
PipelineJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'Pipeline' (obligatoire) |
inputs | Entrées pour le travail de pipeline. | PipelineJobInputs |
jobs | Les travaux construisent le travail de pipeline. | PipelineJobs |
outputs | Sorties pour le travail de pipeline | PipelineJobOutputs |
paramètres | Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. |
PipelineJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
PipelineJobs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} |
PipelineJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
SweepJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | 'Balayage' (obligatoire) |
earlyTermination | Les stratégies d’arrêt anticipé permettent d’annuler les exécutions peu performantes avant qu’elles ne se terminent | EarlyTerminationPolicy |
inputs | Mappage des liaisons de données d’entrée utilisées dans le travail. | SweepJobInputs |
limites | Limite du travail de balayage. | SweepJobLimits |
objective | [Obligatoire] Objectif d’optimisation. | Objectif (obligatoire) |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | SweepJobOutputs |
samplingAlgorithm | [Obligatoire] Algorithme d’échantillonnage des hyperparamètres | SamplingAlgorithm (obligatoire) |
searchSpace | [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre | |
trial | [Obligatoire] Définition de composant d’évaluation. | TrialComponent (obligatoire) |
SweepJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
SweepJobLimits
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | 'Command' 'Balayage' (obligatoire) |
maxConcurrentTrials | Nombre maximal d’essais simultanés du travail de balayage. | int |
maxTotalTrials | Nombre maximal d’essais du travail de balayage. | int |
timeout | Durée maximale d’exécution au format ISO 8601, après quoi le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | string |
trialTimeout | Valeur du délai d’attente d’essai du travail de balayage. | string |
Objectif
Nom | Description | Valeur |
---|---|---|
goal | [Obligatoire] Définit les objectifs de métrique pris en charge pour le réglage des hyperparamètres | 'Agrandir' 'Réduire' (obligatoire) |
primaryMetric | [Obligatoire] Nom de la métrique à optimiser. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
SweepJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
ÉchantillonnageAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | Définir le type d’objet | Bayésien Grid Aléatoire (obligatoire) |
BayesianSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration | 'Bayésian' (obligatoire) |
GridSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration | 'Grid' (obligatoire) |
RandomSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration | 'Random' (obligatoire) |
rule | Type spécifique d’algorithme aléatoire | 'Aléatoire' 'Sobol' |
seed | Entier facultatif à utiliser comme seed pour la génération de nombres aléatoires | int |
TrialComponent
Nom | Description | Valeur |
---|---|---|
codeId | ID de ressource ARM de la ressource de code. | string |
command | [Obligatoire] Commande à exécuter au démarrage du travail. par exemple « python train.py » | chaîne (obligatoire) Contraintes : Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
distribution | Configuration de distribution du travail. S’il est défini, il doit s’agir de Mpi, Tensorflow, PyTorch ou null. | DistributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification Environment pour le travail. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
environmentVariables | Variables d’environnement incluses dans le travail. | TrialComponentEnvironmentVariables |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
TrialComponentEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
Modèles de démarrage rapide
Les modèles de démarrage rapide suivants déploient ce type de ressource.
Modèle | Description |
---|---|
Créer un travail de classification AutoML Azure Machine Learning |
Ce modèle crée un travail de classification AutoML Azure Machine Learning pour trouver le meilleur modèle pour prédire si un client s’abonnera à un dépôt à terme fixe auprès d’une institution financière. |
Créer un travail De commande Azure Machine Learning |
Ce modèle crée un travail Azure Machine Learning Command avec un script hello_world de base |
Créer un travail Azure Machine Learning Sweep |
Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres. |
Définition de ressource Terraform (fournisseur AzAPI)
Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :
- Groupes de ressources
Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.
Format des ressources
Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le Terraform suivant à votre modèle.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity = {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
schedule = {
endTime = "string"
scheduleStatus = "string"
startTime = "string"
timeZone = "string"
scheduleType = "string"
// For remaining properties, see ScheduleBase objects
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseDetails objects
}
})
}
Objets JobBaseDetails
Définissez la propriété jobType pour spécifier le type d’objet.
Pour AutoML, utilisez :
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
taskDetails = {
logVerbosity = "string"
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
Pour Command, utilisez :
jobType = "Command"
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
timeout = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
Pour Pipeline, utilisez :
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
}
}
Pour Balayage, utilisez :
jobType = "Sweep"
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
samplingAlgorithm = {
samplingAlgorithmType = "string"
// For remaining properties, see SamplingAlgorithm objects
}
trial = {
codeId = "string"
command = "string"
distribution = {
distributionType = "string"
// For remaining properties, see DistributionConfiguration objects
}
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
resources = {
instanceCount = int
instanceType = "string"
properties = {}
}
}
Objets IdentityConfiguration
Définissez la propriété identityType pour spécifier le type d’objet.
Pour AMLToken, utilisez :
identityType = "AMLToken"
Pour Géré, utilisez :
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
Pour UserIdentity, utilisez :
identityType = "UserIdentity"
Objets ScheduleBase
Définissez la propriété scheduleType pour spécifier le type d’objet.
Pour Cron, utilisez :
scheduleType = "Cron"
expression = "string"
Pour Périodicité, utilisez :
scheduleType = "Recurrence"
frequency = "string"
interval = int
pattern = {
hours = [
int
]
minutes = [
int
]
weekdays = [
"string"
]
}
Objets JobOutput
Définissez la propriété jobOutputType pour spécifier le type d’objet.
Pour CustomModel, utilisez :
jobOutputType = "CustomModel"
mode = "string"
uri = "string"
Pour MLFlowModel, utilisez :
jobOutputType = "MLFlowModel"
mode = "string"
uri = "string"
Pour MLTable, utilisez :
jobOutputType = "MLTable"
mode = "string"
uri = "string"
Pour TritonModel, utilisez :
jobOutputType = "TritonModel"
mode = "string"
uri = "string"
Pour UriFile, utilisez :
jobOutputType = "UriFile"
mode = "string"
uri = "string"
Pour UriFolder, utilisez :
jobOutputType = "UriFolder"
mode = "string"
uri = "string"
Objets AutoMLVertical
Définissez la propriété taskType pour spécifier le type d’objet.
Pour Classification, utilisez :
taskType = "Classification"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"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"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
Pour prévision, utilisez :
taskType = "Forecasting"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"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"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
Pour ImageClassification, utilisez :
taskType = "ImageClassification"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
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
splitRatio = 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"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
Pour ImageClassificationMultilabel, utilisez :
taskType = "ImageClassificationMultilabel"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
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
splitRatio = 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"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
Pour ImageInstanceSegmentation, utilisez :
taskType = "ImageInstanceSegmentation"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
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
splitRatio = 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"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
Pour ImageObjectDetection, utilisez :
taskType = "ImageObjectDetection"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointDatasetId = "string"
checkpointFilename = "string"
checkpointFrequency = int
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
splitRatio = 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"
splitRatio = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
limits = {
maxConcurrentTrials = int
maxTrials = int
}
samplingAlgorithm = "string"
}
Pour Régression, utilisez :
taskType = "Regression"
allowedModels = [
"string"
]
blockedModels = [
"string"
]
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
cvSplitColumnNames = [
"string"
]
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
validationDataSize = int
}
weightColumnName = "string"
}
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
dropColumns = [
"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"
}
primaryMetric = "string"
trainingSettings = {
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
Pour TextClassification, utilisez :
taskType = "TextClassification"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
primaryMetric = "string"
Pour TextClassificationMultilabel, utilisez :
taskType = "TextClassificationMultilabel"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
Pour TextNER, utilisez :
taskType = "TextNER"
dataSettings = {
targetColumnName = "string"
testData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
}
trainingData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
}
validationData = {
data = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
}
}
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
Objets NCrossValidations
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode = "Auto"
Pour Personnalisé, utilisez :
mode = "Custom"
value = int
Objets ForecastHorizon
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode = "Auto"
Pour Personnalisé, utilisez :
mode = "Custom"
value = int
Objets saisonniers
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode = "Auto"
Pour Personnalisé, utilisez :
mode = "Custom"
value = int
Objets TargetLags
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode = "Auto"
Pour Personnalisé, utilisez :
mode = "Custom"
values = [
int
]
Objets TargetRollingWindowSize
Définissez la propriété mode pour spécifier le type d’objet.
Pour Auto, utilisez :
mode = "Auto"
Pour Personnalisé, utilisez :
mode = "Custom"
value = int
Objets EarlyTerminationPolicy
Définissez la propriété policyType pour spécifier le type d’objet.
Pour Bandit, utilisez :
policyType = "Bandit"
slackAmount = int
slackFactor = int
Pour MedianStopping, utilisez :
policyType = "MedianStopping"
Pour TruncationSelection, utilisez :
policyType = "TruncationSelection"
truncationPercentage = int
Objets DistributionConfiguration
Définissez la propriété distributionType pour spécifier le type d’objet.
Pour Mpi, utilisez :
distributionType = "Mpi"
processCountPerInstance = int
Pour PyTorch, utilisez :
distributionType = "PyTorch"
processCountPerInstance = int
Pour TensorFlow, utilisez :
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
Objets JobInput
Définissez la propriété jobInputType pour spécifier le type d’objet.
Pour CustomModel, utilisez :
jobInputType = "CustomModel"
mode = "string"
uri = "string"
Pour Littéral, utilisez :
jobInputType = "Literal"
value = "string"
Pour MLFlowModel, utilisez :
jobInputType = "MLFlowModel"
mode = "string"
uri = "string"
Pour MLTable, utilisez :
jobInputType = "MLTable"
mode = "string"
uri = "string"
Pour TritonModel, utilisez :
jobInputType = "TritonModel"
mode = "string"
uri = "string"
Pour UriFile, utilisez :
jobInputType = "UriFile"
mode = "string"
uri = "string"
Pour UriFolder, utilisez :
jobInputType = "UriFolder"
mode = "string"
uri = "string"
Objets SamplingAlgorithm
Définissez la propriété samplingAlgorithmType pour spécifier le type d’objet.
Pour Bayésian, utilisez :
samplingAlgorithmType = "Bayesian"
Pour Grid, utilisez :
samplingAlgorithmType = "Grid"
Pour Random, utilisez :
samplingAlgorithmType = "Random"
rule = "string"
seed = int
Valeurs de propriétés
espaces de travail/travaux
Nom | Description | Valeur |
---|---|---|
type | Type de ressource | « Microsoft.MachineLearningServices/workspaces/jobs@2022-02-01-preview » |
name | Nom de la ressource | string (obligatoire) |
parent_id | ID de la ressource qui est le parent de cette ressource. | ID pour la ressource de type : espaces de travail |
properties | [Obligatoire] Attributs supplémentaires de l’entité. | JobBaseDetails (obligatoire) |
JobBaseDetails
Nom | Description | Valeur |
---|---|---|
computeId | ID de ressource ARM de la ressource de calcul. | string |
description | Texte de description de la ressource. | string |
displayName | Nom d’affichage du travail. | string |
experimentName | Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». | string |
identité | Configuration de l’identité. S’il est défini, il doit s’agir d’AmlToken, ManagedIdentity, UserIdentity ou null. La valeur par défaut est AmlToken si null. |
IdentityConfiguration |
isArchived | La ressource est-elle archivée ? | bool |
properties | Dictionnaire de propriétés de ressource. | ResourceBaseProperties |
schedule | Planifier la définition du travail. Si aucune planification n’est fournie, le travail est exécuté une fois et immédiatement après la soumission. |
ScheduleBase |
services | Liste des points de travail. Pour les travaux locaux, un point de terminaison de travail aura une valeur de point de terminaison FileStreamObject. |
JobBaseServices |
tags | Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. | object |
jobType | Définir le type d’objet | AutoML Commande Pipeline Balayage (obligatoire) |
IdentityConfiguration
Nom | Description | Valeur |
---|---|---|
identityType | Définir le type d’objet | AMLToken Managé UserIdentity (obligatoire) |
AmlToken
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | « AMLToken » (obligatoire) |
ManagedIdentity
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | « Managé » (obligatoire) |
clientId | Spécifie une identité affectée par l’utilisateur par ID client. Pour l’affectation par le système, ne définissez pas ce champ. | string Contraintes : Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour l’affectation par le système, ne définissez pas ce champ. | string Contraintes : Longueur minimale = 36 Longueur maximale = 36 Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Spécifie une identité affectée par l’utilisateur par l’ID de ressource ARM. Pour l’affectation par le système, ne définissez pas ce champ. | string |
UserIdentity
Nom | Description | Valeur |
---|---|---|
identityType | [Obligatoire] Spécifie le type d’infrastructure d’identité. | « UserIdentity » (obligatoire) |
ResourceBaseProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string | |
{propriété personnalisée} | string |
ScheduleBase
Nom | Description | Valeur |
---|---|---|
endTime | Spécifie l’heure de fin de la planification au format ISO 8601. Si elle n’est pas présente, la planification s’exécute indéfiniment |
string |
scheduleStatus | Spécifie le status de la planification | « Désactivé » « Activé » |
startTime | Spécifie l’heure de début de la planification au format ISO 8601. | string |
timeZone | Spécifie le fuseau horaire dans lequel la planification s’exécute. TimeZone doit suivre le format de fuseau horaire Windows. |
string |
scheduleType | Définir le type d’objet | Cron Périodicité (obligatoire) |
CronSchedule
Nom | Description | Valeur |
---|---|---|
scheduleType | [Obligatoire] Spécifie le type de planification | « Cron » (obligatoire) |
expression | [Obligatoire] Spécifie l’expression cron de schedule. L’expression doit suivre le format NCronTab. |
string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
RecurrenceSchedule
Nom | Description | Valeur |
---|---|---|
scheduleType | [Obligatoire] Spécifie le type de planification | « Périodicité » (obligatoire) |
frequency | [Obligatoire] Spécifie la fréquence avec laquelle déclencher la planification | « Jour » « Hour » « Minute » « Mois » « Semaine » (obligatoire) |
interval | [Obligatoire] Spécifie l’intervalle de planification conjointement avec la fréquence | int (obligatoire) |
modèle | Spécifie le modèle de planification de périodicité | RecurrencePattern |
RecurrencePattern
Nom | Description | Valeur |
---|---|---|
heures | [Obligatoire] Liste d’heures pour le modèle de planification de périodicité | int[] (obligatoire) |
minutes | [Obligatoire] Liste de minutes pour le modèle de planification de périodicité | int[] (obligatoire) |
Semaine | Liste des jours de semaine pour le modèle de planification de périodicité | Tableau de chaînes contenant l’un des éléments suivants : « Friday » Lundi Samedi « Sunday » « Thursday » « Tuesday » « Wednesday » |
JobBaseServices
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobService |
JobService
Nom | Description | Valeur |
---|---|---|
endpoint | URL du point de terminaison. | string |
jobServiceType | Type de point de terminaison. | string |
port | Port pour point de terminaison. | int |
properties | Propriétés supplémentaires à définir sur le point de terminaison. | JobServiceProperties |
JobServiceProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
AutoMLJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | « AutoML » (obligatoire) |
environmentId | ID de ressource ARM de la spécification Environment pour le travail. Il s’agit d’une valeur facultative pour fournir, si elle n’est pas fournie, AutoML a pour valeur par défaut la version de l’environnement organisé AutoML de production lors de l’exécution du travail. |
string |
environmentVariables | Variables d’environnement incluses dans le travail. | AutoMLJobEnvironmentVariables |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | AutoMLJobOutputs |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
taskDetails | [Obligatoire] Cela représente un scénario qui peut être l’un des tables/NLP/Image | AutoMLVertical (obligatoire) |
AutoMLJobEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
AutoMLJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
JobOutput
Nom | Description | Valeur |
---|---|---|
description | Description de la sortie. | string |
jobOutputType | Définir le type d’objet | CustomModel MLFlowModel MLTable TritonModel UriFile UriFolder (obligatoire) |
CustomModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | « CustomModel » (obligatoire) |
mode | Mode de remise des ressources de sortie. | « ReadWriteMount » « Charger » |
URI | URI de ressource de sortie. | string |
MLFlowModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | « MLFlowModel » (obligatoire) |
mode | Mode de remise des ressources de sortie. | « ReadWriteMount » « Charger » |
URI | URI de ressource de sortie. | string |
MLTableJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | « MLTable » (obligatoire) |
mode | Mode de remise des ressources de sortie. | « ReadWriteMount » « Charger » |
URI | URI de ressource de sortie. | string |
TritonModelJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | « TritonModel » (obligatoire) |
mode | Mode de remise des ressources de sortie. | « ReadWriteMount » « Charger » |
URI | URI de ressource de sortie. | string |
UriFileJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | « UriFile » (obligatoire) |
mode | Mode de remise des ressources de sortie. | « ReadWriteMount » « Charger » |
URI | URI de ressource de sortie. | string |
UriFolderJobOutput
Nom | Description | Valeur |
---|---|---|
jobOutputType | [Obligatoire] Spécifie le type de travail. | « UriFolder » (obligatoire) |
mode | Mode de remise des ressources de sortie. | « ReadWriteMount » « Charger » |
URI | URI de ressource de sortie. | string |
ResourceConfiguration
Nom | Description | Valeur |
---|---|---|
instanceCount | Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. | int |
instanceType | Type facultatif de machine virtuelle utilisé comme pris en charge par la cible de calcul. | string |
properties | Conteneur de propriétés supplémentaires. | ResourceConfigurationProperties |
ResourceConfigurationProperties
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} |
AutoMLVertical
Nom | Description | Valeur |
---|---|---|
logVerbosity | Détail du journal pour le travail. | « Critique » « Debug » « Erreur » « Info » « NotSet » « Warning » (Avertissement) |
taskType | Définir le type d’objet | Classification Prévisions ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Régression TextClassification TextClassificationMultilabel TextNER (obligatoire) |
classification ;
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « Classification » (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : « BernoulliNaiveBayes » « DecisionTree » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LightGBM » « LinearSVM » « LogisticRegression » « MultinomialNaiveBayes » « RandomForest » « SGD » « SVM » « XGBoostClassifier » |
blockedModels | Modèles bloqués pour la tâche de classification. | Tableau de chaînes contenant l’un des éléments suivants : « BernoulliNaiveBayes » « DecisionTree » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LightGBM » « LinearSVM » « LogisticRegression » « MultinomialNaiveBayes » « RandomForest » « SGD » « SVM » « XGBoostClassifier » |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche. | « AUCWeighted » « Précision » « AveragePrecisionScoreWeighted » « NormMacroRecall » « PrecisionScoreWeighted » |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
TableVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’apprentissage. | TrainingDataSettings (obligatoire) |
validationData | Entrées de données de validation. | TableVerticalValidationDataSettings |
weightColumnName | Nom de la colonne de pondération d’échantillons. Le ML automatisé prend en charge une colonne pondérée en entrée. Les lignes des données sont alors pondérées en conséquence. | string |
TestDataSettings
Nom | Description | Valeur |
---|---|---|
data | Tester les données MLTable. | MLTableJobInput |
testDataSize | Fraction du jeu de données de test qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
MLTableJobInput
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | string |
jobInputType | [Obligatoire] Spécifie le type de travail. | « CustomModel » « Littéral » « MLFlowModel » « MLTable » « TritonModel » « UriFile » « UriFolder » (obligatoire) |
mode | Mode de remise des ressources d’entrée. | « Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount » |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
TrainingDataSettings
Nom | Description | Valeur |
---|---|---|
data | [Obligatoire] MlTable de données d’apprentissage. | MLTableJobInput (obligatoire) |
TableVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
cvSplitColumnNames | Colonnes à utiliser pour les données CVSplit. | string[] |
data | MlTable des données de validation. | MLTableJobInput |
nCrossValidations | Nombre de plis de validation croisée à appliquer sur le jeu de données d’entraînement lorsque le jeu de données de validation n’est pas fourni. |
NCrossValidations |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
NCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoNCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | « Auto » (obligatoire) |
CustomNCrossValidations
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode pour déterminer les validations N-Cross. | « Personnalisé » (obligatoire) |
value | [Obligatoire] Valeur des validations N-croisées. | int (obligatoire) |
TableVerticalFeaturizationSettings
Nom | Description | Valeur |
---|---|---|
blockedTransformers | Ces transformateurs ne doivent pas être utilisés dans la caractérisation. | string[] |
columnNameAndTypes | Dictionnaire du nom de la colonne et de son type (int, float, string, datetime, etc.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Langue du jeu de données, utile pour les données de texte. | string |
dropColumns | Colonnes à supprimer des données pendant la caractérisation. | string[] |
enableDnnFeaturization | Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. | bool |
mode | Mode de caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML s’occupe de la transformation nécessaire des données dans la phase de caractérisation. Si « Off » est sélectionné, aucune caractérisation n’est effectuée. Si « Personnalisé » est sélectionné, l’utilisateur peut spécifier des entrées supplémentaires pour personnaliser la façon dont la caractérisation est effectuée. |
« Auto » "Custom" « Désactivé » |
transformerParams | L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser, ainsi que les colonnes auxquelles il serait appliqué et les paramètres du constructeur de transformateur. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
TableVerticalFeaturizationSettingsTransformerParams
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | ColumnTransformer[] |
ColumnTransformer
Nom | Description | Valeur |
---|---|---|
fields | Champs auxquels appliquer la logique du transformateur. | string[] |
parameters | Différentes propriétés à passer au transformateur. L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON. |
TableVerticalLimitSettings
Nom | Description | Valeur |
---|---|---|
enableEarlyTermination | Activer l’arrêt anticipé détermine si AutoMLJob se termine tôt si le score n’a pas été amélioré au cours des 20 dernières itérations. | bool |
exitScore | Score de sortie pour le travail AutoML. | int |
maxConcurrentTrials | Nombre maximal d’itérations simultanées. | int |
maxCoresPerTrial | Nombre maximal de cœurs par itération. | int |
maxTrials | Nombre d’itérations. | int |
timeout | Délai d’expiration du travail AutoML. | string |
trialTimeout | Délai d’expiration de l’itération. | string |
TrainingSettings
Nom | Description | Valeur |
---|---|---|
enableDnnTraining | Activez la recommandation des modèles DNN. | bool |
enableModelExplainability | Indicateur pour activer l’explicabilité sur le meilleur modèle. | bool |
enableOnnxCompatibleModels | Indicateur d’activation des modèles compatibles onnx. | bool |
enableStackEnsemble | Activez l’exécution de l’ensemble de piles. | bool |
enableVoteEnsemble | Activez l’exécution d’ensemble de votes. | bool |
ensembleModelDownloadTimeout | Pendant la génération de modèles VotingEnsemble et StackEnsemble, plusieurs modèles ajustés des exécutions enfants précédentes sont téléchargés. Si plus de temps est nécessaire, configurez ce paramètre avec une valeur supérieure à 300 secondes. |
string |
stackEnsembleSettings | Paramètres d’ensemble de pile pour l’exécution de l’ensemble de piles. | StackEnsembleSettings |
StackEnsembleSettings
Nom | Description | Valeur |
---|---|---|
stackMetaLearnerKWargs | Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. | |
stackMetaLearnerTrainPercentage | Spécifie la proportion du jeu d’entraînement (lors du choix du type d’entraînement et de validation) à réserver à l’entraînement du méta-apprenant. La valeur par défaut est 0,2. | int |
stackMetaLearnerType | Le méta-apprenant est un modèle entraîné sur la sortie des modèles hétérogènes individuels. | « ElasticNet » « ElasticNetCV » « LightGBMClassifier » « LightGBMRegressor » « LinearRegression » « LogisticRegression » « LogisticRegressionCV » "None" |
Prévisions
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « Prévisions » (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : « Arimax » « AutoArima » « Moyenne » « DecisionTree » « ElasticNet » « ExponentielSmoothing » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « Naïf » « Prophète » « RandomForest » « SGD » « SeasonalAverage » « SeasonalNaive » « TCNForecaster » « XGBoostRegressor » |
blockedModels | Modèles bloqués pour la tâche de prévision. | Tableau de chaînes contenant l’un des éléments suivants : « Arimax » « AutoArima » « Moyenne » « DecisionTree » « ElasticNet » « ExponentialSmoothing » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « Naïve » « Prophète » « RandomForest » « SGD » « SeasonalAverage » « SeasonalNaive » « TCNForecaster » « XGBoostRegressor » |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
forecastingSettings | Prévision des entrées spécifiques à la tâche. | ForecastingSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche de prévision. | « NormalizedMeanAbsoluteError » « NormalizedRootMeanSquaredError » « R2Score » « SpearmanCorrelation » |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
ForecastingSettings
Nom | Description | Valeur |
---|---|---|
countryOrRegionForHolidays | Pays ou région pour les jours fériés pour les tâches de prévision. Il doit s’agir des codes de pays/région à deux lettres au format ISO 3166, par exemple, « US » ou « GB ». |
string |
cvStepSize | Nombre de périodes entre l’heure d’origine d’un pli cv et le pli suivant. For par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine de chaque pli seraà trois jours d’intervalle. |
int |
featureLags | Indicateur permettant de générer des retards pour les fonctionnalités numériques avec « auto » ou null. | « Auto » "None" |
forecastHorizon | Horizon maximal de prévision souhaité en unités de fréquence de série chronologique. | ForecastHorizon |
frequency | Lors d'une prévision, ce paramètre représente la période pour laquelle la prévision est souhaitée, par exemple tous les jours, toutes les semaines, tous les ans, etc. La fréquence de prévision correspond à la fréquence du jeu de données par défaut. | string |
Saisonnalité | Définissez le caractère saisonnier de la série chronologique sous la forme d’un entier multiple de la fréquence de la série. Si la saisonnalité est définie sur « auto », elle est déduite. |
Caractère saisonnier |
shortSeriesHandlingConfig | Paramètre définissant la manière dont AutoML doit gérer les séries chronologiques courtes. | « Auto » « Drop » "None" « Pad » |
targetAggregateFunction | Fonction à utiliser pour agréger la colonne cible de la série chronologique de façon à ce qu’elle soit conforme à une fréquence spécifiée par l’utilisateur. Si targetAggregateFunction est défini, c’est-à-dire pas « None », mais que le paramètre freq n’est pas défini, l’erreur est déclenchée. Les fonctions d’agrégation cibles possibles sont les suivantes : « sum », « max », « min » et « mean ». |
« Max » « Moyenne » « Min » "None" « Somme » |
targetLags | Nombre de périodes passées à décaler par rapport à la colonne cible. | TargetLags |
targetRollingWindowSize | Nombre de périodes passées utilisées pour créer une moyenne de fenêtres dynamiques de la colonne cible. | TargetRollingWindowSize |
timeColumnName | Nom de la colonne de temps. Ce paramètre est obligatoire pendant la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées afin de générer la série chronologique et de déduire sa fréquence. | string |
timeSeriesIdColumnNames | Noms des colonnes utilisées pour regrouper une série chronologique. Permet de créer plusieurs séries. Si le grain n’est pas défini, le jeu de données est considéré être une série chronologique. Ce paramètre est utilisé avec les tâches de type prévision. |
string[] |
useStl | Configurez la décomposition STL de la colonne cible de série chronologique. | "None" « Saison » « SeasonTrend » |
ForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection de valeur de l’horizon de prévision. | « Auto » (obligatoire) |
CustomForecastHorizon
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définissez le mode de sélection de valeur de l’horizon de prévision. | « Personnalisé » (obligatoire) |
value | [Obligatoire] Valeur de l’horizon de prévision. | int (obligatoire) |
Caractère saisonnier
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoSeasonality
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de saisonnalité. | « Auto » (obligatoire) |
CustomSeasonality
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de saisonnalité. | « Personnalisé » (obligatoire) |
value | [Obligatoire] Valeur de caractère saisonnier. | int (obligatoire) |
TargetLags
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoTargetLags
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode de décalage cible - Auto/Custom | « Auto » (obligatoire) |
CustomTargetLags
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Définir le mode de décalage cible - Auto/Custom | « Personnalisé » (obligatoire) |
values | [Obligatoire] Définissez des valeurs de décalage cible. | int[] (obligatoire) |
TargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | Définir le type d’objet | Automatique Personnalisé (obligatoire) |
AutoTargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | « Auto » (obligatoire) |
CustomTargetRollingWindowSize
Nom | Description | Valeur |
---|---|---|
mode | [Obligatoire] Mode de détection TargetRollingWindowSiz. | « Personnalisé » (obligatoire) |
value | [Obligatoire] Valeur TargetRollingWindowSize. | int (obligatoire) |
ImageClassification
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « ImageClassification » (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Paramètres de limite pour le travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | « AUCWeighted » « Précision » « AveragePrecisionScoreWeighted » « NormMacroRecall » « PrecisionScoreWeighted » |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Paramètres associés au balayage du modèle et à l’hyperparamètre. | ImageSweepSettings |
ImageVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’entraînement. | TrainingDataSettings (obligatoire) |
validationData | Paramètres du jeu de données de validation. | ImageVerticalValidationDataSettings |
ImageVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
data | Données de validation MLTable. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
ImageLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | int |
maxTrials | Nombre maximal d’itérations AutoML. | int |
timeout | Délai d’expiration du travail AutoML. | string |
ImageModelSettingsClassification
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres pour les scénarios avancés. | string |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | bool |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
checkpointDatasetId | Id FileDataset pour les points de contrôle préentraînés pour l’entraînement incrémentiel. Veillez à passer CheckpointFilename avec CheckpointDatasetId. |
string |
checkpointFilename | Nom de fichier du point de contrôle préentraîné dans FileDataset pour l’apprentissage incrémentiel. Veillez à passer CheckpointDatasetId avec CheckpointFilename. |
string |
checkpointFrequency | Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. | int |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | string |
distributed | Indique s’il faut utiliser l’entraînement distribué. | bool |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | int |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
int |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | "None" « Étape » « WarmupCosine » |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | bool |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | int |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | int |
optimizer | Type d’optimiseur. | « Adam » « Adamw » "None" « Sgd » |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | int |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | int |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | int |
trainingCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif. | int |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | int |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif. | int |
validationResizeSize | Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif. | int |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | int |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | int |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte pondérée avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2. |
int |
ImageModelDistributionSettingsClassification
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | string |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
distributed | Indique s’il faut utiliser l’entraînement du répartiteur. | string |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | string |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
string |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
string |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | string |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | string |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
string |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | string |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
momentum | Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | string |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | string |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | string |
optimizer | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | string |
randomSeed | Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | string |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner des données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
string |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif. | string |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | string |
trainingCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données d’entraînement. Cette valeur doit être un entier positif. | string |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | string |
validationCropSize | Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Cette valeur doit être un entier positif. | string |
validationResizeSize | Taille d’image à laquelle redimensionner avant le rognage du jeu de données de validation. Cette valeur doit être un entier positif. | string |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | string |
weightDecay | Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | string |
weightedLoss | Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée. 1 pour la perte de poids avec sqrt. (class_weights). 2 pour une perte de poids avec class_weights. Doit être 0 ou 1 ou 2. |
string |
ImageSweepSettings
Nom | Description | Valeur |
---|---|---|
earlyTermination | Type de stratégie d’arrêt anticipé. | EarlyTerminationPolicy |
limites | [Obligatoire] Limitez les paramètres pour le balayage du modèle et le balayage hyperparamétrique. | ImageSweepLimitSettings (obligatoire) |
samplingAlgorithm | [Obligatoire] Type des algorithmes d’échantillonnage des hyperparamètres. | « Bayésien » « Grid » « Random » (obligatoire) |
EarlyTerminationPolicy
Nom | Description | Valeur |
---|---|---|
delayEvaluation | Nombre d’intervalles par lesquels retarder la première évaluation. | int |
evaluationInterval | Intervalle (nombre d’exécutions) entre les évaluations de stratégie. | int |
policyType | Définir le type d’objet | Bandit MedianStopping TruncationSelection (obligatoire) |
BanditPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | « Bandit » (obligatoire) |
slackAmount | Distance absolue autorisée par rapport à l’exécution la plus performante. | int |
slackFactor | Ratio de la distance autorisée par rapport à l’exécution la plus performante. | int |
MedianStoppingPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | « MedianStopping » (obligatoire) |
TruncationSelectionPolicy
Nom | Description | Valeur |
---|---|---|
policyType | [Obligatoire] Nom de la configuration de la stratégie | « TruncationSelection » (obligatoire) |
truncationPercentage | Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. | int |
ImageSweepLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations simultanées pour le travail de balayage sous-jacent. | int |
maxTrials | Nombre maximal d’itérations pour le travail de balayage sous-jacent. | int |
ImageClassificationMultilabel
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « ImageClassificationMultilabel » (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsClassification |
primaryMetric | Métrique principale à optimiser pour cette tâche. | « AUCWeighted » « Précision » « AveragePrecisionScoreWeighted » « IOU » « NormMacroRecall » « PrecisionScoreWeighted » |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Paramètres associés au balayage de modèle et aux hyperparamètres. | ImageSweepSettings |
ImageInstanceSegmentation
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « ImageInstanceSegmentation » (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | « MeanAveragePrecision » |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Paramètres associés au balayage de modèle et aux hyperparamètres. | ImageSweepSettings |
ImageModelSettingsObjectDetection
Nom | Description | Valeur |
---|---|---|
advancedSettings | Paramètres pour les scénarios avancés. | string |
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | bool |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
boxScoreThreshold | Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
int |
checkpointDatasetId | Id FileDataset pour le ou les points de contrôle préentraînés pour l’entraînement incrémentiel. Veillez à transmettre CheckpointFilename avec CheckpointDatasetId. |
string |
checkpointFilename | Nom de fichier du point de contrôle préentraîné dans FileDataset pour l’apprentissage incrémentiel. Veillez à transmettre CheckpointDatasetId avec CheckpointFilename. |
string |
checkpointFrequency | Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. | int |
checkpointRunId | ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. | string |
distributed | Indique s’il faut utiliser l’entraînement distribué. | bool |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | bool |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales est suivi pour l’arrêt précoce. Cette valeur doit être un entier positif. |
int |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
int |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | bool |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | int |
gradientAccumulationStep | L’accumulation de dégradés signifie l’exécution d’un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
int |
imageSize | Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut être intégrée à CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
int |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le passage de 2 comme valeur pour 'seresnext' signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». | "None" « Étape » « WarmupCosine » |
Maxsize | Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
minSize | Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
« ExtraLarge » « Large » « Moyen » "None" « Petit » |
momentum | Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
Multi-échelle | Activez l’image à plusieurs échelles en faisant varier la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
bool |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | bool |
nmsIouThreshold | Seuil d’IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | int |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | int |
optimizer | Type d’optimiseur. | « Adam » « Adamw » "None" « Sgd » |
randomSeed | Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. | int |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner des données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
int |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif. | int |
tileGridSize | Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas être Aucun pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tileOverlapRatio | Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
int |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | int |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | int |
validationIouThreshold | Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. | int |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. | « Coco » « CocoVoc » "None" « Voc » |
warmupCosineLRCycles | Valeur du cycle cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | int |
warmupCosineLRWarmupEpochs | Valeur des époques d’échauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | int |
weightDecay | Valeur de la décomposition de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | int |
ImageModelDistributionSettingsObjectDetection
Nom | Description | Valeur |
---|---|---|
amsGradient | Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». | string |
augmentations | Paramètres d’utilisation des augmentations. | string |
bêta1 | Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
bêta2 | Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
boxDetectionsPerImage | Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
boxScoreThreshold | Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1]. |
string |
distributed | Indique s’il faut utiliser l’entraînement du répartiteur. | string |
earlyStopping | Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. | string |
earlyStoppingDelay | Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration des métriques principales fait l’objet d’un suivi pour un arrêt précoce. Cette valeur doit être un entier positif. |
string |
earlyStoppingPatience | Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’exécution est arrêtée. Cette valeur doit être un entier positif. |
string |
enableOnnxNormalization | Activez la normalisation lors de l’exportation du modèle ONNX. | string |
evaluationFrequency | Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. | string |
gradientAccumulationStep | L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mise à jour des pondérations du modèle tout en accumulant les dégradés de ces étapes, puis en utilisant les gradients accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif. |
string |
imageSize | Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : La série d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
layersToFreeze | Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie gel des couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel des couches, veuillez Voir: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
learningRate | Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
learningRateScheduler | Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ». | string |
Maxsize | Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
minSize | Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
modelName | Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
string |
modelSize | Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
momentum | Valeur de l’impulsion lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
Multi-échelle | Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». |
string |
Nesterov | Activez nesterov lorsque l’optimiseur est « sgd ». | string |
nmsIouThreshold | Seuil d’IOU utilisé pendant l’inférence dans le post-traitement NMS. Doit être float dans la plage [0, 1]. | string |
numberOfEpochs | Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. | string |
numberOfWorkers | Nombre de workers du chargeur de données. Doit être un entier non négatif. | string |
optimizer | Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». | string |
randomSeed | Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe. | string |
splitRatio | Si les données de validation ne sont pas définies, cela spécifie le ratio de fractionnement pour le fractionnement entraîner les données dans des sous-ensembles d’apprentissage et de validation aléatoires. Doit être un nombre à virgule flottante dans la plage [0, 1]. |
string |
stepLRGamma | Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
stepLRStepSize | Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « step ». Cette valeur doit être un entier positif. | string |
tileGridSize | Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas être Aucun pour activer la logique de détection des petits objets. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tileOverlapRatio | Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». |
string |
tilePredictionsNmsThreshold | Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ». NMS : suppression non maximale |
string |
trainingBatchSize | Taille du lot d’entraînement. Cette valeur doit être un entier positif. | string |
validationBatchSize | Taille du lot de validation. Cette valeur doit être un entier positif. | string |
validationIouThreshold | Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. | string |
validationMetricType | Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». | string |
warmupCosineLRCycles | Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1]. | string |
warmupCosineLRWarmupEpochs | Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. | string |
weightDecay | Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. | string |
ImageObjectDetection
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « ImageObjectDetection » (obligatoire) |
dataSettings | [Obligatoire] Collection d’ID de jeu de données tabulaires inscrits et d’autres paramètres de données requis pour l’apprentissage et la validation des modèles. | ImageVerticalDataSettings (obligatoire) |
limitSettings | [Obligatoire] Limitez les paramètres du travail AutoML. | ImageLimitSettings (obligatoire) |
modelSettings | Paramètres utilisés pour l’entraînement du modèle. | ImageModelSettingsObjectDetection |
primaryMetric | Métrique principale à optimiser pour cette tâche. | « MeanAveragePrecision » |
searchSpace | Espace de recherche pour l’échantillonnage de différentes combinaisons de modèles et de leurs hyperparamètres. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Paramètres associés au balayage de modèle et aux hyperparamètres. | ImageSweepSettings |
régression ;
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « Régression » (obligatoire) |
allowedModels | Modèles autorisés pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : « DecisionTree » « ElasticNet » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « RandomForest » « SGD » « XGBoostRegressor » |
blockedModels | Modèles bloqués pour la tâche de régression. | Tableau de chaînes contenant l’un des éléments suivants : « DecisionTree » « ElasticNet » « ExtremeRandomTrees » « GradientBoosting » « KNN » « LassoLars » « LightGBM » « RandomForest » « SGD » « XGBoostRegressor » |
dataSettings | Entrées de données pour AutoMLJob. | TableVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | TableVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | TableVerticalLimitSettings |
primaryMetric | Métrique principale pour la tâche de régression. | « NormalizedMeanAbsoluteError » « NormalizedRootMeanSquaredError » « R2Score » « SpearmanCorrelation » |
trainingSettings | Entrées pour la phase d’apprentissage d’un travail AutoML. | TrainingSettings |
TextClassification
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « TextClassification » (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
primaryMetric | Métrique principale pour Text-Classification tâche. | « AUCWeighted » « Précision » « AveragePrecisionScoreWeighted » « NormMacroRecall » « PrecisionScoreWeighted » |
NlpVerticalDataSettings
Nom | Description | Valeur |
---|---|---|
targetColumnName | [Obligatoire] Nom de la colonne cible : il s’agit de la colonne de valeurs de prédiction. Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification. |
chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
testData | Entrée de données de test. | TestDataSettings |
trainingData | [Obligatoire] Entrée de données d’entraînement. | TrainingDataSettings (obligatoire) |
validationData | Entrées de données de validation. | NlpVerticalValidationDataSettings |
NlpVerticalValidationDataSettings
Nom | Description | Valeur |
---|---|---|
data | Données de validation MLTable. | MLTableJobInput |
validationDataSize | Fraction du jeu de données d’entraînement qui doit être mise de côté à des fins de validation. Valeurs comprises entre (0.0 , 1.0) Appliqué lorsque le jeu de données de validation n’est pas fourni. |
int |
NlpVerticalFeaturizationSettings
Nom | Description | Valeur |
---|---|---|
datasetLanguage | Langage du jeu de données, utile pour les données de texte. | string |
NlpVerticalLimitSettings
Nom | Description | Valeur |
---|---|---|
maxConcurrentTrials | Nombre maximal d’itérations AutoML simultanées. | int |
maxTrials | Nombre d’itérations AutoML. | int |
timeout | Délai d’expiration du travail AutoML. | string |
TextClassificationMultilabel
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « TextClassificationMultilabel » (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
TextNer
Nom | Description | Valeur |
---|---|---|
taskType | [Obligatoire] Type de tâche pour AutoMLJob. | « TextNER » (obligatoire) |
dataSettings | Entrées de données pour AutoMLJob. | NlpVerticalDataSettings |
featurizationSettings | Entrées de caractérisation nécessaires pour le travail AutoML. | NlpVerticalFeaturizationSettings |
limitSettings | Contraintes d’exécution pour AutoMLJob. | NlpVerticalLimitSettings |
CommandJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | « Command » (obligatoire) |
codeId | ID de ressource ARM de la ressource de code. | string |
command | [Obligatoire] Commande à exécuter au démarrage du travail. par exemple « python train.py » | chaîne (obligatoire) Contraintes : Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
distribution | Configuration de distribution du travail. S’il est défini, il doit s’agir de Mpi, Tensorflow, PyTorch ou null. | DistributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification Environment pour le travail. | chaîne (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
environmentVariables | Variables d’environnement incluses dans le travail. | CommandJobEnvironmentVariables |
inputs | Mappage des liaisons de données d’entrée utilisées dans le travail. | CommandJobInputs |
limites | Limite du travail de commande. | CommandJobLimits |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | CommandJobOutputs |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
DistributionConfiguration
Nom | Description | Valeur |
---|---|---|
distributionType | Définir le type d’objet | Mpi PyTorch TensorFlow (obligatoire) |
Mpi
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | « Mpi » (obligatoire) |
processCountPerInstance | Nombre de processus par nœud MPI. | int |
PyTorch
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | « PyTorch » (obligatoire) |
processCountPerInstance | Nombre de processus par nœud. | int |
TensorFlow
Nom | Description | Valeur |
---|---|---|
distributionType | [Obligatoire] Spécifie le type d’infrastructure de distribution. | « TensorFlow » (obligatoire) |
parameterServerCount | Nombre de tâches de serveur de paramètres. | int |
workerCount | Nombre de workers. S’il n’est pas spécifié, est défini par défaut sur le nombre de instance. | int |
CommandJobEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
CommandJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
JobInput
Nom | Description | Valeur |
---|---|---|
description | Description de l’entrée. | string |
jobInputType | Définir le type d’objet | CustomModel Littéral MLFlowModel MLTable TritonModel UriFile UriFolder (obligatoire) |
CustomModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | « CustomModel » (obligatoire) |
mode | Mode de remise des ressources d’entrée. | « Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount » |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
LiteralJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | « Littéral » (obligatoire) |
value | [Obligatoire] Valeur littérale de l’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
MLFlowModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | « MLFlowModel » (obligatoire) |
mode | Mode de remise des ressources d’entrée. | « Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount » |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
TritonModelJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | « TritonModel » (obligatoire) |
mode | Mode de remise des ressources d’entrée. | « Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount » |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
UriFileJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | « UriFile » (obligatoire) |
mode | Mode de remise des ressources d’entrée. | « Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount » |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
UriFolderJobInput
Nom | Description | Valeur |
---|---|---|
jobInputType | [Obligatoire] Spécifie le type de travail. | « UriFolder » (obligatoire) |
mode | Mode de remise des ressources d’entrée. | « Direct » « Télécharger » « EvalDownload » « EvalMount » « ReadOnlyMount » « ReadWriteMount » |
URI | [Obligatoire] URI de ressource d’entrée. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
CommandJobLimits
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | « Command » « Balayage » (obligatoire) |
timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | string |
CommandJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
PipelineJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | « Pipeline » (obligatoire) |
inputs | Entrées pour le travail de pipeline. | PipelineJobInputs |
jobs | Les travaux construisent le travail de pipeline. | PipelineJobJobs |
outputs | Sorties pour le travail de pipeline | PipelineJobOutputs |
paramètres | Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. |
PipelineJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
PipelineJobJobs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} |
PipelineJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
SweepJob
Nom | Description | Valeur |
---|---|---|
jobType | [Obligatoire] Spécifie le type de travail. | « Balayage » (obligatoire) |
earlyTermination | Les stratégies d’arrêt anticipé permettent d’annuler les exécutions peu performantes avant qu’elles ne se terminent | EarlyTerminationPolicy |
inputs | Mappage des liaisons de données d’entrée utilisées dans le travail. | SweepJobInputs |
limites | Limite du travail de balayage. | SweepJobLimits |
objective | [Obligatoire] Objectif d’optimisation. | Objectif (obligatoire) |
outputs | Mappage des liaisons de données de sortie utilisées dans le travail. | SweepJobOutputs |
samplingAlgorithm | [Obligatoire] Algorithme d’échantillonnage des hyperparamètres | SamplingAlgorithm (obligatoire) |
searchSpace | [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre | |
trial | [Obligatoire] Définition du composant d’essai. | TrialComponent (obligatoire) |
SweepJobInputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobInput |
SweepJobLimits
Nom | Description | Valeur |
---|---|---|
jobLimitsType | [Obligatoire] Type JobLimit. | « Command » « Balayage » (obligatoire) |
maxConcurrentTrials | Nombre maximal d’essais simultanés du travail de balayage. | int |
maxTotalTrials | Nombre maximal d’essais du travail de balayage. | int |
timeout | Durée d’exécution maximale au format ISO 8601, après laquelle le travail sera annulé. Prend uniquement en charge la durée avec une précision aussi faible que secondes. | string |
trialTimeout | Valeur du délai d’expiration du travail de balayage d’essai. | string |
Objectif
Nom | Description | Valeur |
---|---|---|
goal | [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres | « Agrandir » « Réduire » (obligatoire) |
primaryMetric | [Obligatoire] Nom de la métrique à optimiser. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
SweepJobOutputs
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | JobOutput |
SamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | Définir le type d’objet | Bayésien Grid Aléatoire (obligatoire) |
BayesianSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que des propriétés de configuration | « Bayésien » (obligatoire) |
GridSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que des propriétés de configuration | « Grid » (obligatoire) |
RandomSamplingAlgorithm
Nom | Description | Valeur |
---|---|---|
samplingAlgorithmType | [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que des propriétés de configuration | « Random » (obligatoire) |
rule | Type spécifique d’algorithme aléatoire | « Aléatoire » « Sobol » |
seed | Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires | int |
TrialComponent
Nom | Description | Valeur |
---|---|---|
codeId | ID de ressource ARM de la ressource de code. | string |
command | [Obligatoire] Commande à exécuter au démarrage du travail. par exemple « python train.py » | string (obligatoire) Contraintes : Longueur minimale = 1 Modèle = [a-zA-Z0-9_] |
distribution | Configuration de distribution du travail. S’il est défini, il doit s’agir de Mpi, Tensorflow, PyTorch ou null. | DistributionConfiguration |
environmentId | [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. | string (obligatoire) Contraintes : Modèle = [a-zA-Z0-9_] |
environmentVariables | Variables d’environnement incluses dans le travail. | TrialComponentEnvironmentVariables |
les ressources | Configuration de la ressource de calcul pour le travail. | ResourceConfiguration |
TrialComponentEnvironmentVariables
Nom | Description | Valeur |
---|---|---|
{propriété personnalisée} | string |
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour