Espaces de travail/travaux Microsoft.MachineLearningServices 2022-06-01-preview

  • Article

Définition de ressource Bicep

Le type de ressource espaces de travail/travaux peut être déployé avec des opérations qui ciblent :

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@2022-06-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Objets JobBaseProperties

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: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }
  taskDetails: {
    logVerbosity: 'string'
    targetColumnName: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      uri: 'string'
    }
    taskType: 'string'
    // For remaining properties, see AutoMLVertical objects
  }

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: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }

Pour l’étiquetage, utilisez :

  jobType: 'Labeling'
  dataConfiguration: {
    dataId: 'string'
    incrementalDataRefreshEnabled: bool
  }
  jobInstructions: {
    uri: 'string'
  }
  labelCategories: {
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelectEnabled: bool
    }
    {customized property}: {
      classes: {
        {customized property}: {
          displayName: 'string'
          subclasses: {
            {customized property}: {}
        }
      }
      displayName: 'string'
      multiSelectEnabled: bool
    }
  }
  labelingJobMediaProperties: {
    mediaType: 'string'
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration: {
    mlAssist: 'string'
    // For remaining properties, see MLAssistConfiguration objects
  }

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()
  sourceJobId: 'string'

Pour Spark, utilisez :

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

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: {
      dockerArgs: 'string'
      instanceCount: int
      instanceType: 'string'
      properties: {
        {customized property}: any()
        {customized property}: any()
      }
      shmSize: 'string'
    }
  }

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 JobOutput

Définissez la propriété jobOutputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'

Pour mlflow_model, utilisez :

  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

Pour mltable, utilisez :

  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'

Pour triton_model, utilisez :

  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'

Pour uri_file, utilisez :

  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'

Pour uri_folder, utilisez :

  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Objets AutoMLVertical

Définissez la propriété taskType pour spécifier le type d’objet.

Pour Classification, utilisez :

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

Pour la prévision, utilisez :

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

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour Régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

  jobInputType: 'custom_model'
  mode: 'string'
  uri: 'string'

Pour littéral, utilisez :

  jobInputType: 'literal'
  value: 'string'

Pour mlflow_model, utilisez :

  jobInputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'

Pour mltable, utilisez :

  jobInputType: 'mltable'
  mode: 'string'
  uri: 'string'

Pour triton_model, utilisez :

  jobInputType: 'triton_model'
  mode: 'string'
  uri: 'string'

Pour uri_file, utilisez :

  jobInputType: 'uri_file'
  mode: 'string'
  uri: 'string'

Pour uri_folder, utilisez :

  jobInputType: 'uri_folder'
  mode: 'string'
  uri: 'string'

Objets LabelingJobMediaProperties

Définissez la propriété mediaType pour spécifier le type d’objet.

Pour Image, utilisez :

  mediaType: 'Image'
  annotationType: 'string'

Pour Texte, utilisez :

  mediaType: 'Text'
  annotationType: 'string'

Objets MLAssistConfiguration

Définissez la propriété mlAssist pour spécifier le type d’objet.

Pour Désactivé, utilisez :

  mlAssist: 'Disabled'

Pour Activé, utilisez :

  mlAssist: 'Enabled'
  inferencingComputeBinding: 'string'
  trainingComputeBinding: 'string'

Objets SparkJobEntry

Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.

Pour SparkJobPythonEntry, utilisez :

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

Pour SparkJobScalaEntry, utilisez :

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: '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. JobBaseProperties (obligatoire)

JobBaseProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. string
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
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
Étiquetage
Pipeline
Spark
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
{propriété personnalisée} string
{propriété personnalisée} string

JobBaseServices

Nom Description Valeur
{propriété personnalisée} JobService
{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. JobResourceConfiguration
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 custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

MLFlowModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'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. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

TritonModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

UriFileJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Charger'
URI URI de ressource de sortie. string

UriFolderJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Charger'
URI URI de ressource de sortie. string

JobResourceConfiguration

Nom Description Valeur
dockerArgs Arguments supplémentaires à transmettre à la commande run de Docker. Cela remplacerait tous les paramètres qui ont déjà été définis par le système ou dans cette section. Ce paramètre est uniquement pris en charge pour les types de calcul Azure ML. string
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
shmSize Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où nombre doit être supérieur à 0 et l’unité peut être un de b(octets), k(kilooctets), m(mégaoctets) ou g(gigaoctets). string

Contraintes :
Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom Description Valeur
{propriété personnalisée} Pour Bicep, vous pouvez utiliser la fonction any().
{propriété personnalisée} Pour Bicep, vous pouvez utiliser la fonction any().

AutoMLVertical

Nom Description Valeur
logVerbosity Détail du journal pour le travail. 'Critique'
'Déboguer'
'Erreur'
'Info'
'NotSet'
'Avertissement'
targetColumnName 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
trainingData [Obligatoire] Entrée de données d’entraînement. MLTableJobInput (obligatoire)
taskType Définir le type d’objet Classification
Prévisions
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Régression
TextClassification
TextClassificationMultilabel
TextNER (obligatoire)

MLTableJobInput

Nom Description Valeur
description Description de l’entrée. string
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (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_]

classification ;

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
positiveLabel Étiquette positive pour le calcul des métriques binaires. string
primaryMetric Métrique principale pour la tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationTrainingSettings
validationData Entrées de 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
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

TableVerticalFeaturizationSettings

Nom Description Valeur
blockedTransformers Ces transformateurs ne doivent pas être utilisés pour la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
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
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.
 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’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

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)

ClassificationTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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. 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 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)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
forecastingSettings Prévision d’entrées spécifiques à la tâche. ForecastingSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ForecastingTrainingSettings
validationData Entrées de 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
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

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 sera
à 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)

ForecastingTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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

ImageClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (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
validationData Entrées de 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
checkpointFrequency Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
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
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

MLFlowModelJobInput

Nom Description Valeur
description Description de l’entrée. string
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (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_]

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
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
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
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)
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
validationData Entrées de 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

ImageInstanceSegmentation

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (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
validationData Entrées de 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

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
checkpointFrequency Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
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 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'
'Step'
'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'
'Medium'
'None'
'Small'
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
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 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
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 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 ».		 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)
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
validationData Entrées de 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

régression ;

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’apprentissage d’un travail AutoML. RegressionTrainingSettings
validationData Entrées de 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
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

RegressionTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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

TextClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
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'
validationData Entrées de données de validation. MLTableJobInput

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)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
validationData Entrées de données de validation. MLTableJobInput

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. JobResourceConfiguration

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 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (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_]

TritonModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (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. 'uri_file' (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. 'uri_folder' (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

LabelingJobProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. string
computeId ID de ressource ARM de la ressource de calcul. string
dataConfiguration Configuration des données utilisées dans le travail. LabelingDataConfiguration
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
jobInstructions Instructions d’étiquetage du travail. LabelingJobInstructions
jobType [Obligatoire] Spécifie le type de travail. 'AutoML'
'Command'
'Étiquetage'
'Pipeline'
'Spark'
'Sweep' (obligatoire)
labelCategories Étiqueter les catégories du travail. ÉtiquetageJobLabelCategories
étiquetageJobMediaProperties Propriétés spécifiques au type de média dans le travail. LabelingJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. MLAssistConfiguration
properties Dictionnaire de propriétés de ressource. ResourceBaseProperties
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

LabelingDataConfiguration

Nom Description Valeur
dataId ID de ressource de la ressource de données à effectuer l’étiquetage. string
incrementalDataRefreshEnabled Indique s’il faut activer l’actualisation incrémentielle des données. bool

LabelingJobInstructions

Nom Description Valeur
URI Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. string

ÉtiquetageJobLabelCategories

Nom Description Valeur
{propriété personnalisée} LabelCategory
{propriété personnalisée} LabelCategory

LabelCategory

Nom Description Valeur
Classes Dictionnaire des classes d’étiquettes dans cette catégorie. LabelCategoryClasses
displayName Nom d’affichage de la catégorie d’étiquette. string
multiSelectEnabled Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. bool

LabelCategoryClasses

Nom Description Valeur
{propriété personnalisée} LabelClass

LabelClass

Nom Description Valeur
displayName Nom d’affichage de la classe label. string
Sous-classes Dictionnaire des sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Description Valeur
{propriété personnalisée} LabelClass

LabelingJobMediaProperties

Nom Description Valeur
mediaType Définir le type d’objet Image
Texte (obligatoire)

ÉtiquetageJobImageProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Image' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage d’image. 'BoundingBox'
'Classification'
'InstanceSegmentation'

ÉtiquetageJobTextProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Text' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage de texte. 'Classification'
'NamedEntityRecognition'

MLAssistConfiguration

Nom Description Valeur
mlAssist Définir le type d’objet Désactivé
Activé (obligatoire)

MLAssistConfigurationDisabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Désactivé' (obligatoire)

MLAssistConfigurationEnabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
inferencingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’entraînement. chaîne (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]

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. Pour Bicep, vous pouvez utiliser la fonction any().
sourceJobId ID de ressource ARM du travail source. string

PipelineJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

PipelineJobs

Nom Description Valeur
{propriété personnalisée} Pour Bicep, vous pouvez utiliser la fonction any().

PipelineJobOutputs

Nom Description Valeur
{propriété personnalisée} JobOutput

SparkJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
archives Archiver les fichiers utilisés dans le travail. string[]
args Arguments du travail. string
codeId [Obligatoire] ID de ressource ARM de la ressource de code. string (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]
conf Propriétés configurées par Spark. SparkJobConf
entry [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. string
files Fichiers utilisés dans le travail. string[]
inputs Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
jars Fichiers jar utilisés dans le travail. string[]
outputs Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. string[]
les ressources Configuration de la ressource de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Description Valeur
{propriété personnalisée} string

SparkJobEntry

Nom Description Valeur
sparkJobEntryType Définir le type d’objet SparkJobPythonEntry
SparkJobScalaEntry (obligatoire)

SparkJobPythonEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)
fichier [Obligatoire] Chemin d’accès au fichier Python relatif pour le point d’entrée du travail. string (obligatoire)

Contraintes :
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)
ClassName [Obligatoire] Nom de la classe Scala utilisé comme point d’entrée. string (obligatoire)

Contraintes :
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SparkJobOutputs

Nom Description Valeur
{propriété personnalisée} JobOutput

SparkResourceConfiguration

Nom Description Valeur
instanceType Type facultatif de machine virtuelle utilisé comme pris en charge par la cible de calcul. string
runtimeVersion Version du runtime Spark utilisée pour le travail. string

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. 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 '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. JobResourceConfiguration

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

Déployer sur Azure		 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

Déployer sur Azure		 Ce modèle crée un travail Azure Machine Learning Command avec un script hello_world de base
Créer un travail Azure Machine Learning Sweep

Déployer sur Azure		 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 :

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": "2022-06-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      },
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Objets JobBaseProperties

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": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "taskDetails": {
    "logVerbosity": "string",
    "targetColumnName": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "uri": "string"
    },
    "taskType": "string"
    // For remaining properties, see AutoMLVertical objects
  }

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": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  }

Pour l’étiquetage, utilisez :

  "jobType": "Labeling",
  "dataConfiguration": {
    "dataId": "string",
    "incrementalDataRefreshEnabled": "bool"
  },
  "jobInstructions": {
    "uri": "string"
  },
  "labelCategories": {
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelectEnabled": "bool"
    },
    "{customized property}": {
      "classes": {
        "{customized property}": {
          "displayName": "string",
          "subclasses": {
            "{customized property}": {}
        }
      },
      "displayName": "string",
      "multiSelectEnabled": "bool"
    }
  },
  "labelingJobMediaProperties": {
    "mediaType": "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  },
  "mlAssistConfiguration": {
    "mlAssist": "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

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": {},
  "sourceJobId": "string"

Pour Spark, utilisez :

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

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": {
      "dockerArgs": "string",
      "instanceCount": "int",
      "instanceType": "string",
      "properties": {
        "{customized property}": {},
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }

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 JobOutput

Définissez la propriété jobOutputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

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

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets AutoMLVertical

Définissez la propriété taskType pour spécifier le type d’objet.

Pour Classification, utilisez :

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

Pour la prévision, utilisez :

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

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour Régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

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

Pour littéral, utilisez :

  "jobInputType": "literal",
  "value": "string"

Pour mlflow_model, utilisez :

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

Pour mltable, utilisez :

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

Pour triton_model, utilisez :

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

Pour uri_file, utilisez :

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

Pour uri_folder, utilisez :

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

Objets LabelingJobMediaProperties

Définissez la propriété mediaType pour spécifier le type d’objet.

Pour Image, utilisez :

  "mediaType": "Image",
  "annotationType": "string"

Pour Texte, utilisez :

  "mediaType": "Text",
  "annotationType": "string"

Objets MLAssistConfiguration

Définissez la propriété mlAssist pour spécifier le type d’objet.

Pour Désactivé, utilisez :

  "mlAssist": "Disabled"

Pour Activé, utilisez :

  "mlAssist": "Enabled",
  "inferencingComputeBinding": "string",
  "trainingComputeBinding": "string"

Objets SparkJobEntry

Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.

Pour SparkJobPythonEntry, utilisez :

  "sparkJobEntryType": "SparkJobPythonEntry",
  "file": "string"

Pour SparkJobScalaEntry, utilisez :

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "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 « 2022-06-01-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. JobBaseProperties (obligatoire)

JobBaseProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. string
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
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
Étiquetage
Pipeline
Spark
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
{propriété personnalisée} string
{propriété personnalisée} string

JobBaseServices

Nom Description Valeur
{propriété personnalisée} JobService
{propriété personnalisée} JobService

JobService

Nom Description Valeur
endpoint URL du point de terminaison. string
jobServiceType Type de point de terminaison. string
port Port pour le 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. JobResourceConfiguration
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 custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

MLFlowModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'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. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

TritonModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

UriFileJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

UriFolderJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Upload'
URI URI de ressource de sortie. string

JobResourceConfiguration

Nom Description Valeur
dockerArgs Arguments supplémentaires à transmettre à la commande run de Docker. Cela remplacerait tous les paramètres qui ont déjà été définis par le système ou dans cette section. Ce paramètre est uniquement pris en charge pour les types de calcul Azure ML. string
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
shmSize Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où nombre doit être supérieur à 0 et l’unité peut être un de b(octets), k(kilooctets), m(mégaoctets) ou g(gigaoctets). string

Contraintes :
Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom Description Valeur
{propriété personnalisée}
{propriété personnalisée}

AutoMLVertical

Nom Description Valeur
logVerbosity Détail du journal pour le travail. 'Critique'
'Déboguer'
'Erreur'
'Info'
'NotSet'
'Avertissement'
targetColumnName 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
trainingData [Obligatoire] Entrée de données d’entraînement. MLTableJobInput (obligatoire)
taskType Définir le type d’objet Classification
Prévisions
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Régression
TextClassification
TextClassificationMultilabel
TextNER (obligatoire)

MLTableJobInput

Nom Description Valeur
description Description de l’entrée. string
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'literal'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (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_]

classification ;

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
positiveLabel Étiquette positive pour le calcul des métriques binaires. string
primaryMetric Métrique principale pour la tâche. 'AUCWeighted'
'Précision'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’apprentissage d’un travail AutoML. ClassificationTrainingSettings
validationData Entrées de 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
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

TableVerticalFeaturizationSettings

Nom Description Valeur
blockedTransformers Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'CountVectorizer'
'HashOneHotEncoder'
'LabelEncoder'
'NaiveBayes'
'OneHotEncoder'
'TextTargetEncoder'
'TfIdf'
'WoETargetEncoder'
'WordEmbedding'
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
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.

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

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)

ClassificationTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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.
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)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
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
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
primaryMetric Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’apprentissage d’un travail AutoML. ForecastingTrainingSettings
validationData Entrées de 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
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

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 sera
à 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)

ForecastingTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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

ImageClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (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
validationData Entrées de 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
checkpointFrequency Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
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
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

MLFlowModelJobInput

Nom Description Valeur
description Description de l’entrée. string
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (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_]

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
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
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
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)
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
validationData Entrées de 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

ImageInstanceSegmentation

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (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
validationData Entrées de 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

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
checkpointFrequency Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
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'
'Medium'
'None'
'Small'
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
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 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
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)
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
validationData Entrées de 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

régression ;

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'SpearmanCorrelation'
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’apprentissage d’un travail AutoML. RegressionTrainingSettings
validationData Entrées de 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
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

RegressionTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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'
blockedTrainingAlgorithms 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'
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

TextClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
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'
validationData Entrées de données de validation. MLTableJobInput

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)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
validationData Entrées de données de validation. MLTableJobInput

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. JobResourceConfiguration

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 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (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_]

TritonModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (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. 'uri_file' (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. 'uri_folder' (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

LabelingJobProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. string
computeId ID de ressource ARM de la ressource de calcul. string
dataConfiguration Configuration des données utilisées dans le travail. LabelingDataConfiguration
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
jobInstructions Instructions d’étiquetage du travail. LabelingJobInstructions
jobType [Obligatoire] Spécifie le type de travail. 'AutoML'
'Command'
'Étiquetage'
'Pipeline'
'Spark'
'Sweep' (obligatoire)
labelCategories Étiqueter les catégories du travail. ÉtiquetageJobLabelCategories
étiquetageJobMediaProperties Propriétés spécifiques au type de média dans le travail. LabelingJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. MLAssistConfiguration
properties Dictionnaire de propriétés de ressource. ResourceBaseProperties
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

LabelingDataConfiguration

Nom Description Valeur
dataId ID de ressource de la ressource de données à effectuer l’étiquetage. string
incrementalDataRefreshEnabled Indique s’il faut activer l’actualisation incrémentielle des données. bool

LabelingJobInstructions

Nom Description Valeur
URI Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. string

ÉtiquetageJobLabelCategories

Nom Description Valeur
{propriété personnalisée} LabelCategory
{propriété personnalisée} LabelCategory

LabelCategory

Nom Description Valeur
Classes Dictionnaire des classes d’étiquettes de cette catégorie. LabelCategoryClasses
displayName Nom d’affichage de la catégorie d’étiquette. string
multiSelectEnabled Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. bool

LabelCategoryClasses

Nom Description Valeur
{propriété personnalisée} LabelClass

LabelClass

Nom Description Valeur
displayName Nom d’affichage de la classe label. string
Sous-classes Dictionnaire des sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Description Valeur
{propriété personnalisée} LabelClass

ÉtiquetageJobMediaProperties

Nom Description Valeur
mediaType Définir le type d’objet Image
Texte (obligatoire)

ÉtiquetageJobImageProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Image' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage d’image. 'BoundingBox'
'Classification'
'InstanceSegmentation'

ÉtiquetageJobTextProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. 'Text' (obligatoire)
annotationType Type d’annotation du travail d’étiquetage de texte. 'Classification'
'NamedEntityRecognition'

MLAssistConfiguration

Nom Description Valeur
mlAssist Définir le type d’objet Désactivé
Activé (obligatoire)

MLAssistConfigurationDisabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Désactivé' (obligatoire)

MLAssistConfigurationEnabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
inferencingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’entraînement. string (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]

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.
sourceJobId ID de ressource ARM du travail source. string

PipelineJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

PipelineJobJobs

Nom Description Valeur
{propriété personnalisée}

PipelineJobOutputs

Nom Description Valeur
{propriété personnalisée} JobOutput

SparkJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
archives Archiver les fichiers utilisés dans le travail. string[]
args Arguments du travail. string
codeId [Obligatoire] ID de ressource ARM de la ressource de code. string (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]
conf Propriétés configurées par Spark. SparkJobConf
entry [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. string
files Fichiers utilisés dans le travail. string[]
inputs Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
jars Fichiers jar utilisés dans le travail. string[]
outputs Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. string[]
les ressources Configuration de la ressource de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Description Valeur
{propriété personnalisée} string

SparkJobEntry

Nom Description Valeur
sparkJobEntryType Définir le type d’objet SparkJobPythonEntry
SparkJobScalaEntry (obligatoire)

SparkJobPythonEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)
fichier [Obligatoire] Chemin du fichier Python relatif pour le point d’entrée du travail. chaîne (obligatoire)

Contraintes :
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)
ClassName [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne (obligatoire)

Contraintes :
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SparkJobOutputs

Nom Description Valeur
{propriété personnalisée} JobOutput

SparkResourceConfiguration

Nom Description Valeur
instanceType Type de machine virtuelle facultatif utilisé comme pris en charge par la cible de calcul. string
runtimeVersion Version du runtime Spark utilisée pour le travail. string

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 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 'Bayésian' (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 'Random'
'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. JobResourceConfiguration

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

Déployer sur Azure		 Ce modèle crée un travail de classification AutoML Azure Machine Learning pour déterminer 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

Déployer sur Azure		 Ce modèle crée un travail de commande Azure Machine Learning avec un script hello_world de base
Créer un travail de balayage Azure Machine Learning

Déployer sur Azure		 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 d’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@2022-06-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

Objets JobBaseProperties

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 = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }
  taskDetails = {
    logVerbosity = "string"
    targetColumnName = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      uri = "string"
    }
    taskType = "string"
    // For remaining properties, see AutoMLVertical objects
  }

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 = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }

Pour l’étiquetage, utilisez :

  jobType = "Labeling"
  dataConfiguration = {
    dataId = "string"
    incrementalDataRefreshEnabled = bool
  }
  jobInstructions = {
    uri = "string"
  }
  labelCategories = {
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelectEnabled = bool
    }
    {customized property} = {
      classes = {
        {customized property} = {
          displayName = "string"
          subclasses = {
            {customized property} = {}
        }
      }
      displayName = "string"
      multiSelectEnabled = bool
    }
  }
  labelingJobMediaProperties = {
    mediaType = "string"
    // For remaining properties, see LabelingJobMediaProperties objects
  }
  mlAssistConfiguration = {
    mlAssist = "string"
    // For remaining properties, see MLAssistConfiguration objects
  }

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
    }
  }
  sourceJobId = "string"

Pour Spark, utilisez :

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

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 = {
      dockerArgs = "string"
      instanceCount = int
      instanceType = "string"
      properties = {}
      shmSize = "string"
    }
  }

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 JobOutput

Définissez la propriété jobOutputType pour spécifier le type d’objet.

Pour custom_model, utilisez :

  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"

Pour mlflow_model, utilisez :

  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"

Pour mltable, utilisez :

  jobOutputType = "mltable"
  mode = "string"
  uri = "string"

Pour triton_model, utilisez :

  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"

Pour uri_file, utilisez :

  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"

Pour uri_folder, utilisez :

  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"

Objets AutoMLVertical

Définissez la propriété taskType pour spécifier le type d’objet.

Pour Classification, utilisez :

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

Pour prévision, utilisez :

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

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour Régression, utilisez :

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

Pour TextClassification, utilisez :

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

Pour TextClassificationMultilabel, utilisez :

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

Pour TextNER, utilisez :

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

  jobInputType = "custom_model"
  mode = "string"
  uri = "string"

Pour littéral, utilisez :

  jobInputType = "literal"
  value = "string"

Pour mlflow_model, utilisez :

  jobInputType = "mlflow_model"
  mode = "string"
  uri = "string"

Pour mltable, utilisez :

  jobInputType = "mltable"
  mode = "string"
  uri = "string"

Pour triton_model, utilisez :

  jobInputType = "triton_model"
  mode = "string"
  uri = "string"

Pour uri_file, utilisez :

  jobInputType = "uri_file"
  mode = "string"
  uri = "string"

Pour uri_folder, utilisez :

  jobInputType = "uri_folder"
  mode = "string"
  uri = "string"

Objets LabelingJobMediaProperties

Définissez la propriété mediaType pour spécifier le type d’objet.

Pour Image, utilisez :

  mediaType = "Image"
  annotationType = "string"

Pour Text, utilisez :

  mediaType = "Text"
  annotationType = "string"

Objets MLAssistConfiguration

Définissez la propriété mlAssist pour spécifier le type d’objet.

Pour Désactivé, utilisez :

  mlAssist = "Disabled"

Pour Activé, utilisez :

  mlAssist = "Enabled"
  inferencingComputeBinding = "string"
  trainingComputeBinding = "string"

Objets SparkJobEntry

Définissez la propriété sparkJobEntryType pour spécifier le type d’objet.

Pour SparkJobPythonEntry, utilisez :

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

Pour SparkJobScalaEntry, utilisez :

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "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@2022-06-01-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. JobBaseProperties (obligatoire)

JobBaseProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. string
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
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
Étiquetage
Pipeline
Spark
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. « Géré » (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 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
{propriété personnalisée} string
{propriété personnalisée} string

JobBaseServices

Nom Description Valeur
{propriété personnalisée} JobService
{propriété personnalisée} JobService

JobService

Nom Description Valeur
endpoint URL du point de terminaison. string
jobServiceType Type de point de terminaison. string
port Port pour le 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. JobResourceConfiguration
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 custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « custom_model » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. string

MLFlowModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « mlflow_model » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« 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. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. string

TritonModelJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « triton_model » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. string

UriFileJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « uri_file » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. string

UriFolderJobOutput

Nom Description Valeur
jobOutputType [Obligatoire] Spécifie le type de travail. « uri_folder » (obligatoire)
mode Mode de remise des ressources de sortie. « Direct »
« ReadWriteMount »
« Charger »
URI URI de ressource de sortie. string

JobResourceConfiguration

Nom Description Valeur
dockerArgs Arguments supplémentaires à transmettre à la commande run de Docker. Cela remplacerait tous les paramètres qui ont déjà été définis par le système ou dans cette section. Ce paramètre est uniquement pris en charge pour les types de calcul Azure ML. string
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
shmSize Taille du bloc de mémoire partagée du conteneur Docker. Cela doit être au format (nombre)(unité) où le nombre doit être supérieur à 0 et l’unité peut être l’une des valeurs b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). string

Contraintes :
Modèle = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nom Description Valeur
{propriété personnalisée}
{propriété personnalisée}

AutoMLVertical

Nom Description Valeur
logVerbosity Détail du journal pour le travail. « Critique »
« Debug »
« Erreur »
« Info »
« NotSet »
« Warning » (Avertissement)
targetColumnName 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
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)
taskType Définir le type d’objet Classification
Prévisions
ImageClassification
ImageClassificationMultilabel
ImageInstanceSegmentation
ImageObjectDetection
Régression
TextClassification
TextClassificationMultilabel
TextNER (obligatoire)

MLTableJobInput

Nom Description Valeur
description Description de l’entrée. string
jobInputType [Obligatoire] Spécifie le type de travail. « custom_model »
« littéral »
« mlflow_model »
« mltable »
« triton_model »
« uri_file »
« uri_folder » (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_]

classification ;

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « Classification » (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
positiveLabel Étiquette positive pour le calcul des métriques binaires. string
primaryMetric Métrique principale pour la tâche. « AUCWeighted »
« Précision »
« AveragePrecisionScoreWeighted »
« NormMacroRecall »
« PrecisionScoreWeighted »
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationTrainingSettings
validationData Entrées de 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
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

TableVerticalFeaturizationSettings

Nom Description Valeur
blockedTransformers Ces transformateurs ne doivent pas être utilisés pour la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
« CatTargetEncoder »
« CountVectorizer »
« HashOneHotEncoder »
« LabelEncoder »
« NaiveBayes »
« OneHotEncoder »
« TextTargetEncoder »
« TfIdf »
« WoETargetEncoder »
« WordEmbedding »
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
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 »
"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 un 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’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

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)

ClassificationTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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 »
blockedTrainingAlgorithms 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 »
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.
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)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
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
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
primaryMetric Métrique principale pour la tâche de prévision. « NormalizedMeanAbsoluteError »
« NormalizedRootMeanSquaredError »
« R2Score »
« SpearmanCorrelation »
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’apprentissage d’un travail AutoML. ForecastingTrainingSettings
validationData Entrées de 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
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

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 sera
à 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 »
« 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 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. « 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 saisonnalité. « Auto » (obligatoire)

CustomSeasonality

Nom Description Valeur
mode [Obligatoire] Mode saisonnalité. « Personnalisé » (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 « 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)

ForecastingTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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 »
blockedTrainingAlgorithms Modèles bloqués 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 »
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

ImageClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « ImageClassification » (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
validationData Entrées de 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
checkpointFrequency Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
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"
« 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 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 Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. 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
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 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
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.
 int

MLFlowModelJobInput

Nom Description Valeur
description Description de l’entrée. string
jobInputType [Obligatoire] Spécifie le type de travail. « custom_model »
« littéral »
« mlflow_model »
« mltable »
« triton_model »
« uri_file »
« uri_folder » (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_]

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
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
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
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)
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
validationData Entrées de 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

ImageInstanceSegmentation

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « ImageInstanceSegmentation » (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
validationData Entrées de 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

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
checkpointFrequency Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif. int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
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
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 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
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)
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
validationData Entrées de 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

régression ;

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « Régression » (obligatoire)
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. string[]
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. TableVerticalLimitSettings
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
primaryMetric Métrique principale pour la tâche de régression. « NormalizedMeanAbsoluteError »
« NormalizedRootMeanSquaredError »
« R2Score »
« SpearmanCorrelation »
testData Entrée de données de test. 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
trainingSettings Entrées pour la phase d’apprentissage d’un travail AutoML. RegressionTrainingSettings
validationData Entrées de 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
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

RegressionTrainingSettings

Nom Description Valeur
allowedTrainingAlgorithms 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 »
blockedTrainingAlgorithms 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 »
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

TextClassification

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « TextClassification » (obligatoire)
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 »
validationData Entrées de données de validation. MLTableJobInput

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)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Description Valeur
taskType [Obligatoire] Type de tâche pour AutoMLJob. « TextNER » (obligatoire)
featurizationSettings Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
limitSettings Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
validationData Entrées de données de validation. MLTableJobInput

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. JobResourceConfiguration

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 custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder (obligatoire)

CustomModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « custom_model » (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. « literal » (obligatoire)
value [Obligatoire] Valeur littérale de l’entrée. string (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]

TritonModelJobInput

Nom Description Valeur
jobInputType [Obligatoire] Spécifie le type de travail. « triton_model » (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. « uri_file » (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. « uri_folder » (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

LabelingJobProperties

Nom Description Valeur
componentId ID de ressource ARM de la ressource de composant. string
computeId ID de ressource ARM de la ressource de calcul. string
dataConfiguration Configuration des données utilisées dans le travail. LabelingDataConfiguration
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
jobInstructions Instructions d’étiquetage du travail. LabelingJobInstructions
jobType [Obligatoire] Spécifie le type de travail. « AutoML »
« Command »
« Étiquetage »
« Pipeline »
« Spark »
« Balayage » (obligatoire)
labelCategories Étiqueter les catégories du travail. ÉtiquetageJobLabelCategories
étiquetageJobMediaProperties Propriétés spécifiques au type de média dans le travail. LabelingJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. MLAssistConfiguration
properties Dictionnaire de propriétés de ressource. ResourceBaseProperties
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

LabelingDataConfiguration

Nom Description Valeur
dataId ID de ressource de la ressource de données à effectuer l’étiquetage. string
incrementalDataRefreshEnabled Indique s’il faut activer l’actualisation incrémentielle des données. bool

LabelingJobInstructions

Nom Description Valeur
URI Lien vers une page contenant des instructions d’étiquetage détaillées pour les étiqueteurs. string

ÉtiquetageJobLabelCategories

Nom Description Valeur
{propriété personnalisée} LabelCategory
{propriété personnalisée} LabelCategory

LabelCategory

Nom Description Valeur
Classes Dictionnaire des classes d’étiquettes dans cette catégorie. LabelCategoryClasses
displayName Nom d’affichage de la catégorie d’étiquette. string
multiSelectEnabled Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. bool

LabelCategoryClasses

Nom Description Valeur
{propriété personnalisée} LabelClass

LabelClass

Nom Description Valeur
displayName Nom d’affichage de la classe label. string
Sous-classes Dictionnaire des sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Description Valeur
{propriété personnalisée} LabelClass

LabelingJobMediaProperties

Nom Description Valeur
mediaType Définir le type d’objet Image
Texte (obligatoire)

ÉtiquetageJobImageProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. « Image » (obligatoire)
annotationType Type d’annotation du travail d’étiquetage d’image. « BoundingBox »
« Classification »
« InstanceSegmentation »

ÉtiquetageJobTextProperties

Nom Description Valeur
mediaType [Obligatoire] Type de média du travail. « Texte » (obligatoire)
annotationType Type d’annotation du travail d’étiquetage de texte. « Classification »
« NamedEntityRecognition »

MLAssistConfiguration

Nom Description Valeur
mlAssist Définir le type d’objet Désactivé
Activé (obligatoire)

MLAssistConfigurationDisabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. « Désactivé » (obligatoire)

MLAssistConfigurationEnabled

Nom Description Valeur
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. « Enabled » (obligatoire)
inferencingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’entraînement. chaîne (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]

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.
sourceJobId ID de ressource ARM du travail source. string

PipelineJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

PipelineJobs

Nom Description Valeur
{propriété personnalisée}

PipelineJobOutputs

Nom Description Valeur
{propriété personnalisée} JobOutput

SparkJob

Nom Description Valeur
jobType [Obligatoire] Spécifie le type de travail. « Spark » (obligatoire)
archives Archiver les fichiers utilisés dans le travail. string[]
args Arguments du travail. string
codeId [Obligatoire] ID de ressource ARM de la ressource de code. string (obligatoire)

Contraintes :
Modèle = [a-zA-Z0-9_]
conf Propriétés configurées par Spark. SparkJobConf
entry [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. string
files Fichiers utilisés dans le travail. string[]
inputs Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
jars Fichiers jar utilisés dans le travail. string[]
outputs Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. string[]
les ressources Configuration de la ressource de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Description Valeur
{propriété personnalisée} string

SparkJobEntry

Nom Description Valeur
sparkJobEntryType Définir le type d’objet SparkJobPythonEntry
SparkJobScalaEntry (obligatoire)

SparkJobPythonEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. « SparkJobPythonEntry » (obligatoire)
fichier [Obligatoire] Chemin d’accès au fichier Python relatif pour le point d’entrée du travail. string (obligatoire)

Contraintes :
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobScalaEntry

Nom Description Valeur
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. « SparkJobScalaEntry » (obligatoire)
ClassName [Obligatoire] Nom de la classe Scala utilisé comme point d’entrée. string (obligatoire)

Contraintes :
Longueur minimale = 1
Modèle = [a-zA-Z0-9_]

SparkJobInputs

Nom Description Valeur
{propriété personnalisée} JobInput

SparkJobOutputs

Nom Description Valeur
{propriété personnalisée} JobOutput

SparkResourceConfiguration

Nom Description Valeur
instanceType Type facultatif de machine virtuelle utilisé comme pris en charge par la cible de calcul. string
runtimeVersion Version du runtime Spark utilisée pour le travail. string

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. « Commande »
« 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 « Bayésien » (obligatoire)

GridSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration « Grille » (obligatoire)

RandomSamplingAlgorithm

Nom Description Valeur
samplingAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs hyperparamètres, ainsi que les propriétés de configuration « Aléatoire » (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. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Description Valeur
{propriété personnalisée} string