Partager via

Espaces de travail/emplois Microsoft.MachineLearningServices 2023-06-01-preview

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 de ressource

Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le bicep suivant à votre modèle.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-preview' = {
  parent: resourceSymbolicName
  name: 'string'
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    notificationSetting: {
      emailOn: [
        'string'
      ]
      emails: [
        'string'
      ]
      webhooks: {
        {customized property}: {
          eventType: 'string'
          webhookType: 'string'
          // For remaining properties, see Webhook objects
        }
      }
    }
    properties: {
      {customized property}: 'string'
    }
    secretsConfiguration: {
      {customized property}: {
        uri: 'string'
        workspaceSecretName: 'string'
      }
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
    }
    tags: {
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

Objets IdentityConfiguration

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

Pour AMLToken, utilisez :

{
  identityType: 'AMLToken'
}

Pour managé, utilisez :

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

Pour UserIdentity, utilisez :

{
  identityType: 'UserIdentity'
}

Objets TargetLags

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode: 'Auto'
}

Pour Custom, utilisez :

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

Objets LabelingJobMediaProperties

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

Pour Image, utilisez :

{
  annotationType: 'string'
  mediaType: 'Image'
}

Pour le texte, utilisez :

{
  annotationType: 'string'
  mediaType: 'Text'
}

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 Ray, utilisez :

{
  address: 'string'
  dashboardPort: int
  distributionType: 'Ray'
  headNodeAdditionalArgs: 'string'
  includeDashboard: bool
  port: int
  workerNodeAdditionalArgs: 'string'
}

Pour TensorFlow, utilisez :

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

Objets JobOutput

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

Pour custom_model, utilisez :

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'custom_model'
  mode: 'string'
  uri: 'string'
}

Pour mlflow_model, utilisez :

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'mlflow_model'
  mode: 'string'
  uri: 'string'
}

Pour mltable, utilisez :

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'mltable'
  mode: 'string'
  uri: 'string'
}

Pour triton_model, utilisez :

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'triton_model'
  mode: 'string'
  uri: 'string'
}

Pour uri_file, utilisez :

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'uri_file'
  mode: 'string'
  uri: 'string'
}

Pour uri_folder, utilisez :

{
  assetName: 'string'
  assetVersion: 'string'
  autoDeleteSetting: {
    condition: 'string'
    value: 'string'
  }
  jobOutputType: 'uri_folder'
  mode: 'string'
  uri: 'string'
}

Objets SamplingAlgorithm

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

Pour Bayésien, utilisez :

{
  samplingAlgorithmType: 'Bayesian'
}

Pour Grid, utilisez :

{
  samplingAlgorithmType: 'Grid'
}

Pour Random, utilisez :

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

Objets TargetRollingWindowSize

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode: 'Auto'
}

Pour Custom, utilisez :

{
  mode: 'Custom'
  value: int
}

Objets SparkJobEntry

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

Pour SparkJobPythonEntry, utilisez :

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

Pour SparkJobScalaEntry, utilisez :

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

Objets NCrossValidations

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode: 'Auto'
}

Pour Custom, utilisez :

{
  mode: 'Custom'
  value: int
}

Objets ForecastHorizon

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode: 'Auto'
}

Pour Custom, utilisez :

{
  mode: 'Custom'
  value: int
}

Objets de saisonnalité

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode: 'Auto'
}

Pour Custom, utilisez :

{
  mode: 'Custom'
  value: 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 le 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 JobBaseProperties

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

Pour AutoML, utilisez :

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

Pour La commande, utilisez :

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

Pour l’étiquetage, utilisez :

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

Pour Pipeline, utilisez :

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

Pour Spark, utilisez :

{
  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'
  ]
  jobType: 'Spark'
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles: [
    'string'
  ]
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  resources: {
    instanceType: 'string'
    runtimeVersion: 'string'
  }
}

Pour balayage, utilisez :

{
  earlyTermination: {
    delayEvaluation: int
    evaluationInterval: int
    policyType: 'string'
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  jobType: 'Sweep'
  limits: {
    jobLimitsType: 'string'
    maxConcurrentTrials: int
    maxTotalTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  objective: {
    goal: 'string'
    primaryMetric: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings: {
    jobTier: 'string'
    priority: int
  }
  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'
      locations: [
        'string'
      ]
      maxInstanceCount: int
      properties: {
        {customized property}: any(...)
      }
      shmSize: 'string'
    }
  }
}

Objets nœuds

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

Pour tous, utilisez :

{
  nodesValueType: 'All'
}

Objets AutoMLVertical

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

Pour la classification, utilisez :

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(...)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Classification'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(...)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pour la prévision, utilisez :

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(...)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    featuresUnknownAtForecastTime: [
      '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
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Forecasting'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(...)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour la régression, utilisez :

{
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any(...)
        }
      ]
    }
  }
  fixedParameters: {
    booster: 'string'
    boostingType: 'string'
    growPolicy: 'string'
    learningRate: int
    maxBin: int
    maxDepth: int
    maxLeaves: int
    minDataInLeaf: int
    minSplitGain: int
    modelName: 'string'
    nEstimators: int
    numLeaves: int
    preprocessorName: 'string'
    regAlpha: int
    regLambda: int
    subsample: int
    subsampleFreq: int
    treeMethod: 'string'
    withMean: bool
    withStd: bool
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxNodes: int
    maxTrials: int
    sweepConcurrentTrials: int
    sweepTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      booster: 'string'
      boostingType: 'string'
      growPolicy: 'string'
      learningRate: 'string'
      maxBin: 'string'
      maxDepth: 'string'
      maxLeaves: 'string'
      minDataInLeaf: 'string'
      minSplitGain: 'string'
      modelName: 'string'
      nEstimators: 'string'
      numLeaves: 'string'
      preprocessorName: 'string'
      regAlpha: 'string'
      regLambda: 'string'
      subsample: 'string'
      subsampleFreq: 'string'
      treeMethod: 'string'
      withMean: 'string'
      withStd: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'Regression'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any(...)
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
    trainingMode: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'
}

Pour TextClassification, utilisez :

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  primaryMetric: 'string'
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextClassification'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Pour TextClassificationMultilabel, utilisez :

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextClassificationMultilabel'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Pour TextNER, utilisez :

{
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  fixedParameters: {
    gradientAccumulationSteps: int
    learningRate: int
    learningRateScheduler: 'string'
    modelName: 'string'
    numberOfEpochs: int
    trainingBatchSize: int
    validationBatchSize: int
    warmupRatio: int
    weightDecay: int
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxNodes: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  searchSpace: [
    {
      gradientAccumulationSteps: 'string'
      learningRate: 'string'
      learningRateScheduler: 'string'
      modelName: 'string'
      numberOfEpochs: 'string'
      trainingBatchSize: 'string'
      validationBatchSize: 'string'
      warmupRatio: 'string'
      weightDecay: 'string'
    }
  ]
  sweepSettings: {
    earlyTermination: {
      delayEvaluation: int
      evaluationInterval: int
      policyType: 'string'
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm: 'string'
  }
  taskType: 'TextNER'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
}

Objets Webhook

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

Pour AzureDevOps, utilisez :

{
  webhookType: 'AzureDevOps'
}

Objets EarlyTerminationPolicy

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

Pour Bandit, utilisez :

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

Pour l’arrêt médian, utilisez :

{
  policyType: 'MedianStopping'
}

Pour TruncationSelection, utilisez :

{
  policyType: 'TruncationSelection'
  truncationPercentage: int
}

Objets MLAssistConfiguration

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

Pour Désactivé, utilisez :

{
  mlAssist: 'Disabled'
}

Pour Activé, utilisez :

{
  inferencingComputeBinding: 'string'
  mlAssist: 'Enabled'
  trainingComputeBinding: 'string'
}

Valeurs de propriété

Microsoft.MachineLearningServices/espaces de travail/emplois

Nom Descriptif Valeur
nom Nom de la ressource chaîne

Contraintes:
Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire)
parent Dans Bicep, vous pouvez spécifier la ressource parente d’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 de la ressource de type : espaces de travail
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. JobBaseProperties (obligatoire)

AllNodes

Nom Descriptif Valeur
nodeValueType [Obligatoire] Type de la valeur nœuds 'All' (obligatoire)

AmlToken

Nom Descriptif Valeur
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'AMLToken' (obligatoire)

AutoDeleteSetting

Nom Descriptif Valeur
état Quand vérifier si une ressource a expiré 'CrééSupérieurÀ'
'LastAccessedGreaterThan'
valeur Valeur de condition d’expiration. ficelle

AutoForecastHorizon

Nom Descriptif Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Auto' (obligatoire)

AutologgerParamètres

Nom Descriptif Valeur
mlflowAutologger [Obligatoire] Indique si l’autologger mlflow est activé. 'Désactivé'
'Enabled' (obligatoire)

AutoMLJob

Nom Descriptif Valeur
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 est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.		 ficelle
variables d'environnement Variables d’environnement incluses dans le travail. AutoMLJobEnvironmentVariables
type d'emploi [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration
taskDetails [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image AutoMLVertical (obligatoire)

AutoMLJobEnvironmentVariables

Nom Descriptif Valeur

AutoMLJobOutputs

Nom Descriptif Valeur

AutoMLVertical

Nom Descriptif Valeur
logVerbosité Journaliser les verbes du travail. 'Critique'
'Déboguer'
'Erreur'
'Infos'
'Pas Set'
'Avertissement'
targetColumnName Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction.
Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.		 ficelle
type de tâche Défini sur « Classification » pour la classification de type. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Définissez sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour la régression de type. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Définissez sur « TextNER » pour le type TextNer. « Classification »
'Prévision'
'Classification d’image'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
'Régression'
'Classification de texte'
'TextClassificationMultilabel'
'TextNER' (obligatoire)
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)

AutoNCrossValidations

Nom Descriptif Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Auto' (obligatoire)

Auto-saisonnalité

Nom Descriptif Valeur
mode [Obligatoire] Mode saisonnalité. 'Auto' (obligatoire)

AutoTargetLags

Nom Descriptif Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Auto' (obligatoire)

AutoTargetRollingWindowSize

Nom Descriptif Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Auto' (obligatoire)

AzureDevOpsWebhook

Nom Descriptif Valeur
webhookType [Obligatoire] Spécifie le type de service à envoyer un rappel 'AzureDevOps' (obligatoire)

BanditPolicy

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'Bandit' (obligatoire)
slackAmount Distance absolue autorisée à partir de la meilleure exécution. Int
slackFactor Ratio de la distance autorisée par rapport à la meilleure exécution. Int

Algorithme d’échantillonnage bayésien

Nom Descriptif Valeur
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Bayésien' (obligatoire)

Catégorisation

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitParamètres 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. ficelle
primaireMétrique Métrique principale de la tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationParamètres de formation
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

ClassificationParamètres de formation

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'Arbre de décision'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'SVM linéaire'
« Régression logistique »
'MultinomialNaiveBayes'
'Forêt aléatoire'
« SGD »
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'Arbre de décision'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'SVM linéaire'
« Régression logistique »
'MultinomialNaiveBayes'
'Forêt aléatoire'
« SGD »
'SVM'
'XGBoostClassifier'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

Transformateur de colonne

Nom Descriptif Valeur
champs Champs sur utilisant la logique de transformateur. chaîne[]
paramètres Différentes propriétés à passer au transformateur.
L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON.		 quelconque

CommandeJob

Nom Descriptif Valeur
autologgerParamètres Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. AutologgerParamètres
codeId ID de ressource ARM de la ressource de code. ficelle
ordre [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch, Ray ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
variables d'environnement Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
Limites Limite du travail de commande. CommandJobLimits
sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

CommandJobEnvironmentVariables

Nom Descriptif Valeur

CommandJobInputs

Nom Descriptif Valeur

CommandJobLimits

Nom Descriptif Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Commandement'
'Balayage' (obligatoire)
Délai d'attente 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. ficelle

CommandJobOutputs

Nom Descriptif Valeur

CustomForecastHorizon

Nom Descriptif Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de l’horizon de prévision. int (obligatoire)

CustomModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

CustomModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

CustomNCrossValidations

Nom Descriptif Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de validation n-croisée. int (obligatoire)

PersonnaliséSaisonnalité

Nom Descriptif Valeur
mode [Obligatoire] Mode saisonnalité. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de saisonnalité. int (obligatoire)

CustomTargetLags

Nom Descriptif Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Custom' (obligatoire)
Valeurs [Obligatoire] Définissez les valeurs des décalages cibles. int[] (obligatoire)

CustomTargetRollingWindowSize

Nom Descriptif Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur TargetRollingWindowSize. int (obligatoire)

distributionConfiguration

Nom Descriptif Valeur
distributionType Défini sur « Mpi » pour le type Mpi. Défini sur « PyTorch » pour le type PyTorch. Défini sur « Ray » pour le type Ray. Défini sur « TensorFlow » pour le type TensorFlow. 'Mpi'
'PyTorch'
'Ray'
'TensorFlow' (obligatoire)

Politique de résiliation anticipée

Nom Descriptif Valeur
delayÉvaluation Nombre d’intervalles par lesquels retarder la première évaluation. Int
evaluationInterval Intervalle (nombre d’exécutions) entre les évaluations de stratégie. Int
policyType Défini sur « Bandit » pour type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. 'Bandit'
'Arrêt médian'
'TruncationSelection' (obligatoire)

Horizon de prévision

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. 'Auto'
'Custom' (obligatoire)

Prévisions

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
prévisionParamètres Prévision d’entrées spécifiques à une tâche. PrévisionParamètres
limitParamètres 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
primaireMétrique Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'Corrélation Spearman'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. PrévisionsFormationParamètres
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

PrévisionParamètres

Nom Descriptif Valeur
paysourégionpourvacances Pays ou région pour les vacances pour les tâches de prévision.
Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».		 ficelle
cvStepSize Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour
par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine pour chaque pli sera
trois jours à part.		 Int
featureLags Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. 'Auto'
« Aucun »
featuresUnknownAtForecastTime Colonnes de fonctionnalités disponibles pour l’apprentissage, mais inconnues au moment de la prévision/inférence.
Si features_unknown_at_forecast_time n’est pas défini, il est supposé que toutes les colonnes de fonctionnalités du jeu de données sont connues au moment de l’inférence.		 chaîne[]
forecastHorizon Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. Horizon de prévision
fréquence Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. ficelle
Saisonnalité Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série.
Si la saisonnalité est définie sur « auto », elle sera déduite.		 Saisonnalité
shortSeriesHandlingConfig Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. 'Auto'
'Laisser tomber'
« Aucun »
'Pad'
targetAggregateFunction Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer 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 cible possibles sont : « somme », « max », « min » et « moyenne ».		 'Max'
'Moyenne'
'Min'
« Aucun »
'Somme'
targetLags Nombre de périodes passées à décalager à partir de la colonne cible. TargetLags
targetRollingWindowSize Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. TargetRollingWindowSize
timeColumnName Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. ficelle
timeSeriesIdColumnNames Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries.
Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.		 chaîne[]
useStl Configurez la décomposition STL de la colonne cible de série chronologique. « Aucun »
'Saison'
'SaisonTendance'

PrévisionsFormationParamètres

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
« Moyen »
'Arbre de décision'
« ElasticNet »
'Lissage exponentiel'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
« Naïf »
'Prophète'
'Forêt aléatoire'
'SaisonnierMoyenne'
« Naïf saisonnier »
« SGD »
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
« Moyen »
'Arbre de décision'
« ElasticNet »
'Lissage exponentiel'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
« Naïf »
'Prophète'
'Forêt aléatoire'
'SaisonnierMoyenne'
« Naïf saisonnier »
« SGD »
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

GridSamplingAlgorithm

Nom Descriptif Valeur
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Grid' (obligatoire)

Configuration de l’identité

Nom Descriptif Valeur
type d'identité Défini sur « AMLToken » pour le type AmlToken. Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. « AMLToken »
« Géré »
'UserIdentity' (obligatoire)

Classification d’images

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaireMétrique Métrique principale à optimiser pour cette tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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

ImageClassificationMultilabel

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaireMétrique Métrique principale à optimiser pour cette tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
« Reconnaissances de dette »
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaireMétrique Métrique principale à optimiser pour cette tâche. 'MoyenneMoyennePrécision'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 Descriptif Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxTrials Nombre maximal d’itérations AutoML. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle

ImageModelDistributionSettingsClassification

Nom Descriptif Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». ficelle
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
distribué Indique s’il faut utiliser la formation du répartiteur. ficelle
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. ficelle
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 ficelle
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 ficelle
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. ficelle
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. ficelle
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 ficelle
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 ficelle
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. ficelle
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». ficelle
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. ficelle
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». ficelle
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. ficelle
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. ficelle
optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». ficelle
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. ficelle
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. ficelle
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. ficelle
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. ficelle
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. ficelle
validationBatchSize Taille du lot de validation. Doit être un entier positif. ficelle
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. ficelle
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. ficelle
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. ficelle
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. ficelle
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. ficelle
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.		 ficelle

ImageModelDistributionSettingsObjectDetection

Nom Descriptif Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». ficelle
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 ficelle
distribué Indique s’il faut utiliser la formation du répartiteur. ficelle
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. ficelle
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 ficelle
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 ficelle
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. ficelle
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. ficelle
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 ficelle
taille de l’image Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 ficelle
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. ficelle
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». ficelle
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. ficelle
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». ficelle
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. ficelle
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. ficelle
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. ficelle
optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». ficelle
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. ficelle
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. ficelle
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. ficelle
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune 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 ».		 ficelle
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
NMS : suppression non maximale		 ficelle
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. ficelle
validationBatchSize Taille du lot de validation. Doit être un entier positif. ficelle
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. ficelle
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». ficelle
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. ficelle
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. ficelle
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. ficelle

ImageModelSettingsClassification

Nom Descriptif Valeur
avancéParamètres avancés Paramètres des scénarios avancés. ficelle
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
point de contrôleFréquence Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
point de contrôleRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. ficelle
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
'Étape'
'ÉchauffementCosinus'
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. Int
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
optimiseur Type d’optimiseur. 'Adam'
'Adamw'
« Aucun »
'Sgd'
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. Int
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. Int
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
poidsDécroissance Valeur de la dégradation du 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 la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.		 Int

ImageModelSettingsObjectDetection

Nom Descriptif Valeur
avancéParamètres avancés Paramètres des scénarios avancés. ficelle
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 Int
point de contrôleFréquence Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
point de contrôleRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. ficelle
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
taille de l’image Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Int
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
'Étape'
'ÉchauffementCosinus'
logTrainingMetrics Activez les métriques d’apprentissage de calcul et de journalisation. 'Désactiver'
'Activer'
logValidationLoss Activez la perte de validation de l’informatique et de la journalisation. 'Désactiver'
'Activer'
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM 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 rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM 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 :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 'ExtraLarge'
'Grand'
'Moyen'
« Aucun »
« Petit »
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Bool
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. Int
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. Int
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
optimiseur Type d’optimiseur. 'Adam'
'Adamw'
« Aucun »
'Sgd'
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune 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 ».		 ficelle
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant 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 nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant 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. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. Int
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. 'Coco'
'CocoVoc'
« Aucun »
'Voc'
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int

ImageObjectDetection

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaireMétrique Métrique principale à optimiser pour cette tâche. 'MoyenneMoyennePrécision'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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

ImageSweepSettings

Nom Descriptif Valeur
earlyTermination Type de stratégie d’arrêt anticipé. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres. 'Bayésien'
« Grille »
'Random' (obligatoire)

JobBaseProperties

Nom Descriptif Valeur
componentId ID de ressource ARM de la ressource de composant. ficelle
calculId ID de ressource ARM de la ressource de calcul. ficelle
descriptif Texte de description de la ressource. ficelle
nom d’affichage Nom complet du travail. ficelle
nom_expérience Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». ficelle
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 Configuration de l’identité
estarchivé La ressource est-elle archivée ? Bool
type d'emploi Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Étiquetage » pour le type LabelingJobProperties. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Spark » pour le type SparkJob. Défini sur « Balayage » pour le type SweepJob. « AutoML »
'Commandement'
'Étiquetage'
« Pipeline »
« Étincelle »
'Balayage' (obligatoire)
notificationParamétrage Paramètre de notification pour le travail NotificationSetting
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
secretConfiguration Configuration des secrets à rendre disponibles pendant l’exécution. JobBaseSecretsConfiguration
prestations Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices (en anglais)
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. ResourceBaseTags

JobBaseSecretsConfiguration

Nom Descriptif Valeur

JobBaseServices (en anglais)

Nom Descriptif Valeur

Entrée de travail

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
jobInputType Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobOutput

Nom Descriptif Valeur
descriptif Description de la sortie. ficelle
jobOutputType Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. 'custom_model'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobResourceConfiguration

Nom Descriptif Valeur
dockerArgs Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. ficelle
nombre d'instances Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. Int
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. ficelle
lieux Emplacements où le travail peut s’exécuter. chaîne[]
maxInstanceCount Nombre maximal maximal facultatif d’instances ou de nœuds à utiliser par la cible de calcul.
Pour une utilisation avec l’entraînement élastique, actuellement pris en charge par le type de distribution PyTorch uniquement.		 Int
Propriétés 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 que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). chaîne

Contraintes:
Modèle = \d+[bBkKmMgG]

JobService (en anglais)

Nom Descriptif Valeur
point de terminaison URL du point de terminaison. ficelle
jobServiceType Type de point de terminaison. ficelle
Nœuds Nœuds sur lesquels l’utilisateur souhaite démarrer le service.
Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.		 Nœuds
Port Port du point de terminaison défini par l’utilisateur. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

JobServiceProperties

Nom Descriptif Valeur

LabelCategory

Nom Descriptif Valeur
Classes Dictionnaire de classes d’étiquettes dans cette catégorie. LabelCategoryClasses
nom d’affichage Nom complet de la catégorie d’étiquette. ficelle
multiselect Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. 'Désactivé'
'Activé'

LabelCategoryClasses

Nom Descriptif Valeur

Classe d’étiquette

Nom Descriptif Valeur
nom d’affichage Nom complet de la classe d’étiquette. ficelle
Sous-classes Dictionnaire de sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Descriptif Valeur

étiquetageDataConfiguration

Nom Descriptif Valeur
dataId ID de ressource de la ressource de données pour effectuer l’étiquetage. ficelle
incrémentActualisation des données Indique s’il faut activer l’actualisation incrémentielle des données. 'Désactivé'
'Activé'

LabelingJobImageProperties

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

ÉtiquetageJobInstructions

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

ÉtiquetageEmploiÉtiquetteCatégories

Nom Descriptif Valeur

ÉtiquetageJobMediaProperties

Nom Descriptif Valeur
mediaType Défini sur « Image » pour le type LabelingJobImageProperties. Défini sur « Text » pour le type LabelingJobTextProperties. 'Image'
'Text' (obligatoire)

LabelingJobProperties

Nom Descriptif Valeur
dataConfiguration Configuration des données utilisées dans le travail. étiquetageDataConfiguration
jobInstructions Instructions d’étiquetage du travail. ÉtiquetageJobInstructions
type d'emploi [Obligatoire] Spécifie le type de travail. 'Étiquetage' (obligatoire)
labelCatégories Catégories d’étiquettes du travail. ÉtiquetageEmploiÉtiquetteCatégories
étiquetageJobMediaProperties Propriétés spécifiques du type de média dans le travail. ÉtiquetageJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. mlAssistConfiguration

LabelingJobTextProperties

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

LiteralJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'littéral' (obligatoire)
valeur [Obligatoire] Valeur littérale de l’entrée. chaîne

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

Identitémanagée

Nom Descriptif Valeur
clientId Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. chaîne

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'Managed' (obligatoire)
objectId Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. chaîne

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identifiant de ressource Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. ficelle

Politique d'arrêt médian

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'MedianStopping' (obligatoire)

MLAssistConfiguration

Nom Descriptif Valeur
mlAssist Défini sur « Disabled » pour le type MLAssistConfigurationDisabled. Défini sur « Enabled » pour le type MLAssistConfigurationEnabled. 'Désactivé'
'Enabled' (obligatoire)

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nom Descriptif Valeur
inférenceComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. chaîne

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

MLFlowModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLFlowModelJobInput

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
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'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLFlowModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

MLTableJobInput

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
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'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLTableJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLTableJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

Mpi

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Mpi' (obligatoire)
processCountPerInstance Nombre de processus par nœud MPI. Int

NCrossValidations

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. 'Auto'
'Custom' (obligatoire)

NlpFixedParameters

Nom Descriptif Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. Int
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. « Constant »
'ConstantWithWarmup'
'Cosinus'
'CosineWithRestarts'
'Linéaire'
« Aucun »
« Polynôme »
modelName Nom du modèle à entraîner. ficelle
nombre d’époques Nombre d’époques d’entraînement. Int
trainingBatchSize Taille du lot pour la procédure d’entraînement. Int
validationBatchSize Taille du lot à utiliser pendant l’évaluation. Int
échauffementRatio Rapport de préchauffage utilisé avec LrSchedulerType. Int
poidsDécroissance La dégradation du poids pour la procédure d’entraînement. Int

NlpParameterSubspace

Nom Descriptif Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. ficelle
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. ficelle
modelName Nom du modèle à entraîner. ficelle
nombre d’époques Nombre d’époques d’entraînement. ficelle
trainingBatchSize Taille du lot pour la procédure d’entraînement. ficelle
validationBatchSize Taille du lot à utiliser pendant l’évaluation. ficelle
échauffementRatio Rapport de préchauffage utilisé avec LrSchedulerType. ficelle
poidsDécroissance La dégradation du poids pour la procédure d’entraînement. ficelle

NlpSweepSettings

Nom Descriptif Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
« Grille »
'Random' (obligatoire)

NlpVerticalFeaturizationSettings

Nom Descriptif Valeur
jeu de donnéesLangue Langage du jeu de données, utile pour les données de texte. ficelle

NlpVerticalLimitSettings

Nom Descriptif Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxNodes Nombre maximal de nœuds à utiliser pour l’expérience. Int
maxTrials Nombre d’itérations AutoML. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle
trialTimeout Délai d’expiration pour les essais HD individuels. ficelle

Nœuds

Nom Descriptif Valeur
nodeValueType Défini sur « All » pour le type AllNodes. 'All' (obligatoire)

NotificationSetting

Nom Descriptif Valeur
emailSur Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié Tableau de chaînes contenant l’un des éléments suivants :
'JobCancelled'
'JobCompleted'
« JobFailed »
e-mails Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules chaîne[]
Webhooks Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook. NotificationDéfinitionWebhooks

NotificationDéfinitionWebhooks

Nom Descriptif Valeur

Objectif

Nom Descriptif Valeur
objectif [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres 'Agrandir'
'Réduire' (obligatoire)
primaireMétrique [Obligatoire] Nom de la métrique à optimiser. chaîne

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

PipelineJob

Nom Descriptif Valeur
entrées Entrées pour le travail de pipeline. PipelineJobInputs
Emplois Les travaux construisent le travail de pipeline. PipelineJobJobs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Pipeline' (obligatoire)
sorties Sorties du travail de pipeline PipelineJobOutputs
paramètres Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. quelconque
sourceJobId ID de ressource ARM du travail source. ficelle

PipelineJobInputs

Nom Descriptif Valeur

PipelineJobJobs

Nom Descriptif Valeur

PipelineJobOutputs

Nom Descriptif Valeur

PyTorch

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'PyTorch' (obligatoire)
processCountPerInstance Nombre de processus par nœud. Int

QueueSettings

Nom Descriptif Valeur
jobTier Contrôle le niveau de travail de calcul 'De base'
'Nulle'
« Haut de gamme »
'Spot'
« Standard »
priorité Contrôle la priorité du travail sur un calcul. Int

RandomSamplingAlgorithm

Nom Descriptif Valeur
Logbase Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux ficelle
règle Type spécifique d’algorithme aléatoire « Aléatoire »
'Sobol'
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Random' (obligatoire)
Graines Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires Int

Rayon

Nom Descriptif Valeur
adresse Adresse du nœud principal Ray. ficelle
tableau de bordPort Port auquel lier le serveur de tableau de bord. Int
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Ray' (obligatoire)
headNodeAdditionalArgs Arguments supplémentaires passés au début du rayon dans le nœud principal. ficelle
includeTableau de bord Fournissez cet argument pour démarrer l’interface utilisateur utilisateur du tableau de bord Ray. Bool
Port Port du processus de rayon de tête. Int
workerNodeAdditionalArgs Arguments supplémentaires passés au début du rayon dans le nœud Worker. ficelle

régression ;

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitParamètres 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
primaireMétrique Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'Corrélation Spearman'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. RégressionTrainingParamètres
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

RégressionTrainingParamètres

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'Arbre de décision'
« ElasticNet »
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Forêt aléatoire'
« SGD »
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'Arbre de décision'
« ElasticNet »
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Forêt aléatoire'
« SGD »
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

ResourceBaseProperties

Nom Descriptif Valeur

ResourceBaseTags

Nom Descriptif Valeur

ResourceConfigurationProperties

Nom Descriptif Valeur

Algorithme d’échantillonnage

Nom Descriptif Valeur
échantillonnageAlgorithmType Défini sur « Bayesian » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. 'Bayésien'
« Grille »
'Random' (obligatoire)

Saisonnalité

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. 'Auto'
'Custom' (obligatoire)

SecretConfiguration

Nom Descriptif Valeur
URI URI de secret.
Exemple d’URI : https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 ficelle
workspaceSecretName Nom du secret dans le coffre de clés de l’espace de travail. ficelle

SparkJob

Nom Descriptif Valeur
archives Archiver les fichiers utilisés dans le travail. chaîne[]
args Arguments du travail. ficelle
codeId [Obligatoire] ID de ressource ARM de la ressource de code. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
Conf Propriétés configurées par Spark. SparkJobConf
entrée [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. ficelle
Fichiers Fichiers utilisés dans le travail. chaîne[]
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
Pots Fichiers jar utilisés dans le travail. chaîne[]
type d'emploi [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. chaîne[]
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Descriptif Valeur

SparkJobEntry

Nom Descriptif Valeur
sparkJobEntryType Définissez sur « SparkJobPythonEntry » pour type SparkJobPythonEntry. Définissez sur « SparkJobScalaEntry » pour type SparkJobScalaEntry. 'SparkJobPythonEntry'
'SparkJobScalaEntry' (obligatoire)

SparkJobInputs

Nom Descriptif Valeur

SparkJobOutputs

Nom Descriptif Valeur

SparkJobPythonEntry

Nom Descriptif Valeur
fichier [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)

SparkJobScalaEntry

Nom Descriptif Valeur
nomDeClasse [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)

SparkResourceConfiguration

Nom Descriptif Valeur
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. ficelle
runtimeVersion Version du runtime Spark utilisée pour le travail. ficelle

StackEnsembleSettings

Nom Descriptif Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. quelconque
stackMetaLearnerTrainPercentage Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour 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'
« Régression linéaire »
« Régression logistique »
'LogisticRegressionCV'
« Aucun »

SweepJob

Nom Descriptif Valeur
earlyTermination Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent Politique de résiliation anticipée
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SweepJobInputs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
Limites Limite du travail de balayage. SweepJobLimits
objectif [Obligatoire] Objectif d’optimisation. Objectif (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. SweepJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
échantillonnageAlgorithme [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres SamplingAlgorithm (obligatoire)
espace de recherche [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre tout (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. TrialComponent (obligatoire)

SweepJobInputs

Nom Descriptif Valeur

SweepJobLimits

Nom Descriptif Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Commandement'
'Balayage' (obligatoire)
maxConcurrentTrials Nombre maximal d’essais simultanés du travail de balayage. Int
maxTotalTrials Nombre maximal d’essais du travail de balayage. Int
Délai d'attente 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. ficelle
trialTimeout Valeur du délai d’expiration du délai d’expiration du travail de balayage. ficelle

SweepJobOutputs

Nom Descriptif Valeur

TableFixedParameters

Nom Descriptif Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. ficelle
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. ficelle
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. Int
profondeurMaximum Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. Int
maxFeuilles Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. Int
minDataInLeaf Nombre minimal de données par feuille. Int
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. Int
modelName Nom du modèle à entraîner. ficelle
nEstimateurs Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. Int
numFeuilles Spécifiez le nombre de feuilles. Int
preprocessorName Nom du préprocesseur à utiliser. ficelle
regAlpha Terme de régularisation L1 sur les poids. Int
regLambda Terme de régularisation L2 sur les poids. Int
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. Int
subsampleFreq Fréquence de sous-échantillonnage. Int
treeMethod Spécifiez la méthode d’arborescence. ficelle
avecMoyenne Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. Bool
avec Std Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. Bool

TableParameterSubspace

Nom Descriptif Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. ficelle
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. ficelle
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. ficelle
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. ficelle
profondeurMaximum Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. ficelle
maxFeuilles Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. ficelle
minDataInLeaf Nombre minimal de données par feuille. ficelle
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. ficelle
modelName Nom du modèle à entraîner. ficelle
nEstimateurs Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. ficelle
numFeuilles Spécifiez le nombre de feuilles. ficelle
preprocessorName Nom du préprocesseur à utiliser. ficelle
regAlpha Terme de régularisation L1 sur les poids. ficelle
regLambda Terme de régularisation L2 sur les poids. ficelle
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. ficelle
subsampleFreq Fréquence de sous-échantillonnage ficelle
treeMethod Spécifiez la méthode d’arborescence. ficelle
avecMoyenne Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. ficelle
avec Std Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. ficelle

TableSweepSettings

Nom Descriptif Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
« Grille »
'Random' (obligatoire)

TableVerticalFeaturizationSettings

Nom Descriptif Valeur
bloquésTransformateurs Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'ComptageVectoriseur'
'HashOneHotEncoder'
'LabelEncoder'
« Naïve »
'OneHotEncoder'
'TextTargetEncoder'
« TfIdf »
'WoETargetEncoder'
'Intégration de mots'
columnNameAndTypes Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). TableVerticalFeaturizationSettingsColumnNameAndTypes
jeu de donnéesLangue Langage du jeu de données, utile pour les données de texte. ficelle
enableDnnFeaturization Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. Bool
mode Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation.
Si « Désactivé » 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'
'Coutume'
'Éteint'
transformerParams L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom Descriptif Valeur

TableVerticalFeaturizationSettingsTransformerParams

Nom Descriptif Valeur

TableVerticalLimitSettings

Nom Descriptif Valeur
enableEarlyTermination Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score 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
maxNodes Nombre maximal de nœuds à utiliser pour l’expérience. Int
maxTrials Nombre d’itérations. Int
sweepConcurrentTrials Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. Int
sweepTrials Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle
trialTimeout Délai d’expiration de l’itération. ficelle

TargetLags

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoTargetLags. Définissez sur « Custom » pour type CustomTargetLags. 'Auto'
'Custom' (obligatoire)

TargetRollingWindowSize

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. 'Auto'
'Custom' (obligatoire)

TensorFlow

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'TensorFlow' (obligatoire)
paramètreServerCount Nombre de tâches de serveur de paramètres. Int
workerCount Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. Int

TextClassification

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaireMétrique Métrique principale pour Text-Classification tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextClassificationMultilabel

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

Composant d’essai

Nom Descriptif Valeur
codeId ID de ressource ARM de la ressource de code. ficelle
ordre [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
variables d'environnement Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Descriptif Valeur

TritonModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

TritonModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

PolitiqueDeSélectionDeTroncature

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'TruncationSelection' (obligatoire)
troncationPercentage Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. Int

UriFileJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

UriFileJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

UriFolderJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

UriFolderJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

IdentitéUtilisateur

Nom Descriptif Valeur
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'UserIdentity' (obligatoire)

Webhook

Nom Descriptif Valeur
type d'événement Envoyer un rappel sur un événement de notification spécifié ficelle
webhookType Défini sur « AzureDevOps » pour type AzureDevOpsWebhook. 'AzureDevOps' (obligatoire)

Exemples d’utilisation

Exemples de démarrage rapide Azure

Les modèles de démarrage rapide Azure suivants contiennent des exemples Bicep pour le déploiement de ce type de ressource.

Fichier Bicep Descriptif
Créer un travail de classification AutoML Azure Machine Learning 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 Ce modèle crée un travail de commande Azure Machine Learning avec un script de base hello_world
Créer un travail De balayage Azure Machine Learning Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.

Définition de ressource 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 de ressource

Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le code JSON suivant à votre modèle.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2023-06-01-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",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      }
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

Objets IdentityConfiguration

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

Pour AMLToken, utilisez :

{
  "identityType": "AMLToken"
}

Pour managé, utilisez :

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

Pour UserIdentity, utilisez :

{
  "identityType": "UserIdentity"
}

Objets TargetLags

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  "mode": "Auto"
}

Pour Custom, utilisez :

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

Objets LabelingJobMediaProperties

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

Pour Image, utilisez :

{
  "annotationType": "string",
  "mediaType": "Image"
}

Pour le texte, utilisez :

{
  "annotationType": "string",
  "mediaType": "Text"
}

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 Ray, utilisez :

{
  "address": "string",
  "dashboardPort": "int",
  "distributionType": "Ray",
  "headNodeAdditionalArgs": "string",
  "includeDashboard": "bool",
  "port": "int",
  "workerNodeAdditionalArgs": "string"
}

Pour TensorFlow, utilisez :

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

Objets JobOutput

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

Pour custom_model, utilisez :

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "custom_model",
  "mode": "string",
  "uri": "string"
}

Pour mlflow_model, utilisez :

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "mlflow_model",
  "mode": "string",
  "uri": "string"
}

Pour mltable, utilisez :

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "mltable",
  "mode": "string",
  "uri": "string"
}

Pour triton_model, utilisez :

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "triton_model",
  "mode": "string",
  "uri": "string"
}

Pour uri_file, utilisez :

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "uri_file",
  "mode": "string",
  "uri": "string"
}

Pour uri_folder, utilisez :

{
  "assetName": "string",
  "assetVersion": "string",
  "autoDeleteSetting": {
    "condition": "string",
    "value": "string"
  },
  "jobOutputType": "uri_folder",
  "mode": "string",
  "uri": "string"
}

Objets SamplingAlgorithm

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

Pour Bayésien, utilisez :

{
  "samplingAlgorithmType": "Bayesian"
}

Pour Grid, utilisez :

{
  "samplingAlgorithmType": "Grid"
}

Pour Random, utilisez :

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

Objets TargetRollingWindowSize

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  "mode": "Auto"
}

Pour Custom, utilisez :

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

Objets SparkJobEntry

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

Pour SparkJobPythonEntry, utilisez :

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

Pour SparkJobScalaEntry, utilisez :

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

Objets NCrossValidations

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  "mode": "Auto"
}

Pour Custom, utilisez :

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

Objets ForecastHorizon

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  "mode": "Auto"
}

Pour Custom, utilisez :

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

Objets de saisonnalité

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  "mode": "Auto"
}

Pour Custom, utilisez :

{
  "mode": "Custom",
  "value": "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 le 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 JobBaseProperties

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

Pour AutoML, utilisez :

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

Pour La commande, utilisez :

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

Pour l’étiquetage, utilisez :

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

Pour Pipeline, utilisez :

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

Pour Spark, utilisez :

{
  "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" ],
  "jobType": "Spark",
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "pyFiles": [ "string" ],
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "resources": {
    "instanceType": "string",
    "runtimeVersion": "string"
  }
}

Pour balayage, utilisez :

{
  "earlyTermination": {
    "delayEvaluation": "int",
    "evaluationInterval": "int",
    "policyType": "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "jobType": "Sweep",
  "limits": {
    "jobLimitsType": "string",
    "maxConcurrentTrials": "int",
    "maxTotalTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "objective": {
    "goal": "string",
    "primaryMetric": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "queueSettings": {
    "jobTier": "string",
    "priority": "int"
  },
  "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",
      "locations": [ "string" ],
      "maxInstanceCount": "int",
      "properties": {
        "{customized property}": {}
      },
      "shmSize": "string"
    }
  }
}

Objets nœuds

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

Pour tous, utilisez :

{
  "nodesValueType": "All"
}

Objets AutoMLVertical

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

Pour la classification, utilisez :

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Classification",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pour la prévision, utilisez :

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "forecastingSettings": {
    "countryOrRegionForHolidays": "string",
    "cvStepSize": "int",
    "featureLags": "string",
    "featuresUnknownAtForecastTime": [ "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",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Forecasting",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour la régression, utilisez :

{
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "fixedParameters": {
    "booster": "string",
    "boostingType": "string",
    "growPolicy": "string",
    "learningRate": "int",
    "maxBin": "int",
    "maxDepth": "int",
    "maxLeaves": "int",
    "minDataInLeaf": "int",
    "minSplitGain": "int",
    "modelName": "string",
    "nEstimators": "int",
    "numLeaves": "int",
    "preprocessorName": "string",
    "regAlpha": "int",
    "regLambda": "int",
    "subsample": "int",
    "subsampleFreq": "int",
    "treeMethod": "string",
    "withMean": "bool",
    "withStd": "bool"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "sweepConcurrentTrials": "int",
    "sweepTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "booster": "string",
      "boostingType": "string",
      "growPolicy": "string",
      "learningRate": "string",
      "maxBin": "string",
      "maxDepth": "string",
      "maxLeaves": "string",
      "minDataInLeaf": "string",
      "minSplitGain": "string",
      "modelName": "string",
      "nEstimators": "string",
      "numLeaves": "string",
      "preprocessorName": "string",
      "regAlpha": "string",
      "regLambda": "string",
      "subsample": "string",
      "subsampleFreq": "string",
      "treeMethod": "string",
      "withMean": "string",
      "withStd": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "Regression",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    },
    "trainingMode": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"
}

Pour TextClassification, utilisez :

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "primaryMetric": "string",
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextClassification",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Pour TextClassificationMultilabel, utilisez :

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextClassificationMultilabel",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Pour TextNER, utilisez :

{
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "fixedParameters": {
    "gradientAccumulationSteps": "int",
    "learningRate": "int",
    "learningRateScheduler": "string",
    "modelName": "string",
    "numberOfEpochs": "int",
    "trainingBatchSize": "int",
    "validationBatchSize": "int",
    "warmupRatio": "int",
    "weightDecay": "int"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxNodes": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "searchSpace": [
    {
      "gradientAccumulationSteps": "string",
      "learningRate": "string",
      "learningRateScheduler": "string",
      "modelName": "string",
      "numberOfEpochs": "string",
      "trainingBatchSize": "string",
      "validationBatchSize": "string",
      "warmupRatio": "string",
      "weightDecay": "string"
    }
  ],
  "sweepSettings": {
    "earlyTermination": {
      "delayEvaluation": "int",
      "evaluationInterval": "int",
      "policyType": "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    },
    "samplingAlgorithm": "string"
  },
  "taskType": "TextNER",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }
}

Objets Webhook

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

Pour AzureDevOps, utilisez :

{
  "webhookType": "AzureDevOps"
}

Objets EarlyTerminationPolicy

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

Pour Bandit, utilisez :

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

Pour l’arrêt médian, utilisez :

{
  "policyType": "MedianStopping"
}

Pour TruncationSelection, utilisez :

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

Objets MLAssistConfiguration

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

Pour Désactivé, utilisez :

{
  "mlAssist": "Disabled"
}

Pour Activé, utilisez :

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

Valeurs de propriété

Microsoft.MachineLearningServices/espaces de travail/emplois

Nom Descriptif Valeur
apiVersion Version de l’API '2023-06-01-preview'
nom Nom de la ressource chaîne

Contraintes:
Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire)
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. JobBaseProperties (obligatoire)
type Type de ressource « Microsoft.MachineLearningServices/workspaces/jobs »

AllNodes

Nom Descriptif Valeur
nodeValueType [Obligatoire] Type de la valeur nœuds 'All' (obligatoire)

AmlToken

Nom Descriptif Valeur
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'AMLToken' (obligatoire)

AutoDeleteSetting

Nom Descriptif Valeur
état Quand vérifier si une ressource a expiré 'CrééSupérieurÀ'
'LastAccessedGreaterThan'
valeur Valeur de condition d’expiration. ficelle

AutoForecastHorizon

Nom Descriptif Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Auto' (obligatoire)

AutologgerParamètres

Nom Descriptif Valeur
mlflowAutologger [Obligatoire] Indique si l’autologger mlflow est activé. 'Désactivé'
'Enabled' (obligatoire)

AutoMLJob

Nom Descriptif Valeur
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 est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.		 ficelle
variables d'environnement Variables d’environnement incluses dans le travail. AutoMLJobEnvironmentVariables
type d'emploi [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration
taskDetails [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image AutoMLVertical (obligatoire)

AutoMLJobEnvironmentVariables

Nom Descriptif Valeur

AutoMLJobOutputs

Nom Descriptif Valeur

AutoMLVertical

Nom Descriptif Valeur
logVerbosité Journaliser les verbes du travail. 'Critique'
'Déboguer'
'Erreur'
'Infos'
'Pas Set'
'Avertissement'
targetColumnName Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction.
Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.		 ficelle
type de tâche Défini sur « Classification » pour la classification de type. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Définissez sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour la régression de type. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Définissez sur « TextNER » pour le type TextNer. « Classification »
'Prévision'
'Classification d’image'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
'Régression'
'Classification de texte'
'TextClassificationMultilabel'
'TextNER' (obligatoire)
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)

AutoNCrossValidations

Nom Descriptif Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Auto' (obligatoire)

Auto-saisonnalité

Nom Descriptif Valeur
mode [Obligatoire] Mode saisonnalité. 'Auto' (obligatoire)

AutoTargetLags

Nom Descriptif Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Auto' (obligatoire)

AutoTargetRollingWindowSize

Nom Descriptif Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Auto' (obligatoire)

AzureDevOpsWebhook

Nom Descriptif Valeur
webhookType [Obligatoire] Spécifie le type de service à envoyer un rappel 'AzureDevOps' (obligatoire)

BanditPolicy

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'Bandit' (obligatoire)
slackAmount Distance absolue autorisée à partir de la meilleure exécution. Int
slackFactor Ratio de la distance autorisée par rapport à la meilleure exécution. Int

Algorithme d’échantillonnage bayésien

Nom Descriptif Valeur
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Bayésien' (obligatoire)

Catégorisation

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitParamètres 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. ficelle
primaireMétrique Métrique principale de la tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationParamètres de formation
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

ClassificationParamètres de formation

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'Arbre de décision'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'SVM linéaire'
« Régression logistique »
'MultinomialNaiveBayes'
'Forêt aléatoire'
« SGD »
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'Arbre de décision'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'SVM linéaire'
« Régression logistique »
'MultinomialNaiveBayes'
'Forêt aléatoire'
« SGD »
'SVM'
'XGBoostClassifier'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

Transformateur de colonne

Nom Descriptif Valeur
champs Champs sur utilisant la logique de transformateur. chaîne[]
paramètres Différentes propriétés à passer au transformateur.
L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON.		 quelconque

CommandeJob

Nom Descriptif Valeur
autologgerParamètres Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. AutologgerParamètres
codeId ID de ressource ARM de la ressource de code. ficelle
ordre [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch, Ray ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
variables d'environnement Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
Limites Limite du travail de commande. CommandJobLimits
sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

CommandJobEnvironmentVariables

Nom Descriptif Valeur

CommandJobInputs

Nom Descriptif Valeur

CommandJobLimits

Nom Descriptif Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Commandement'
'Balayage' (obligatoire)
Délai d'attente 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. ficelle

CommandJobOutputs

Nom Descriptif Valeur

CustomForecastHorizon

Nom Descriptif Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de l’horizon de prévision. int (obligatoire)

CustomModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

CustomModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

CustomNCrossValidations

Nom Descriptif Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de validation n-croisée. int (obligatoire)

PersonnaliséSaisonnalité

Nom Descriptif Valeur
mode [Obligatoire] Mode saisonnalité. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de saisonnalité. int (obligatoire)

CustomTargetLags

Nom Descriptif Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Custom' (obligatoire)
Valeurs [Obligatoire] Définissez les valeurs des décalages cibles. int[] (obligatoire)

CustomTargetRollingWindowSize

Nom Descriptif Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur TargetRollingWindowSize. int (obligatoire)

distributionConfiguration

Nom Descriptif Valeur
distributionType Défini sur « Mpi » pour le type Mpi. Défini sur « PyTorch » pour le type PyTorch. Défini sur « Ray » pour le type Ray. Défini sur « TensorFlow » pour le type TensorFlow. 'Mpi'
'PyTorch'
'Ray'
'TensorFlow' (obligatoire)

Politique de résiliation anticipée

Nom Descriptif Valeur
delayÉvaluation Nombre d’intervalles par lesquels retarder la première évaluation. Int
evaluationInterval Intervalle (nombre d’exécutions) entre les évaluations de stratégie. Int
policyType Défini sur « Bandit » pour type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. 'Bandit'
'Arrêt médian'
'TruncationSelection' (obligatoire)

Horizon de prévision

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. 'Auto'
'Custom' (obligatoire)

Prévisions

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
prévisionParamètres Prévision d’entrées spécifiques à une tâche. PrévisionParamètres
limitParamètres 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
primaireMétrique Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'Corrélation Spearman'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. PrévisionsFormationParamètres
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

PrévisionParamètres

Nom Descriptif Valeur
paysourégionpourvacances Pays ou région pour les vacances pour les tâches de prévision.
Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».		 ficelle
cvStepSize Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour
par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine pour chaque pli sera
trois jours à part.		 Int
featureLags Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. 'Auto'
« Aucun »
featuresUnknownAtForecastTime Colonnes de fonctionnalités disponibles pour l’apprentissage, mais inconnues au moment de la prévision/inférence.
Si features_unknown_at_forecast_time n’est pas défini, il est supposé que toutes les colonnes de fonctionnalités du jeu de données sont connues au moment de l’inférence.		 chaîne[]
forecastHorizon Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. Horizon de prévision
fréquence Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. ficelle
Saisonnalité Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série.
Si la saisonnalité est définie sur « auto », elle sera déduite.		 Saisonnalité
shortSeriesHandlingConfig Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. 'Auto'
'Laisser tomber'
« Aucun »
'Pad'
targetAggregateFunction Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer 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 cible possibles sont : « somme », « max », « min » et « moyenne ».		 'Max'
'Moyenne'
'Min'
« Aucun »
'Somme'
targetLags Nombre de périodes passées à décalager à partir de la colonne cible. TargetLags
targetRollingWindowSize Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. TargetRollingWindowSize
timeColumnName Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. ficelle
timeSeriesIdColumnNames Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries.
Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.		 chaîne[]
useStl Configurez la décomposition STL de la colonne cible de série chronologique. « Aucun »
'Saison'
'SaisonTendance'

PrévisionsFormationParamètres

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
« Moyen »
'Arbre de décision'
« ElasticNet »
'Lissage exponentiel'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
« Naïf »
'Prophète'
'Forêt aléatoire'
'SaisonnierMoyenne'
« Naïf saisonnier »
« SGD »
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
« Moyen »
'Arbre de décision'
« ElasticNet »
'Lissage exponentiel'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
« Naïf »
'Prophète'
'Forêt aléatoire'
'SaisonnierMoyenne'
« Naïf saisonnier »
« SGD »
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

GridSamplingAlgorithm

Nom Descriptif Valeur
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Grid' (obligatoire)

Configuration de l’identité

Nom Descriptif Valeur
type d'identité Défini sur « AMLToken » pour le type AmlToken. Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. « AMLToken »
« Géré »
'UserIdentity' (obligatoire)

Classification d’images

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaireMétrique Métrique principale à optimiser pour cette tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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

ImageClassificationMultilabel

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaireMétrique Métrique principale à optimiser pour cette tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
« Reconnaissances de dette »
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaireMétrique Métrique principale à optimiser pour cette tâche. 'MoyenneMoyennePrécision'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 Descriptif Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxTrials Nombre maximal d’itérations AutoML. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle

ImageModelDistributionSettingsClassification

Nom Descriptif Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». ficelle
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
distribué Indique s’il faut utiliser la formation du répartiteur. ficelle
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. ficelle
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 ficelle
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 ficelle
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. ficelle
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. ficelle
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 ficelle
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 ficelle
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. ficelle
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». ficelle
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. ficelle
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». ficelle
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. ficelle
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. ficelle
optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». ficelle
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. ficelle
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. ficelle
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. ficelle
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. ficelle
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. ficelle
validationBatchSize Taille du lot de validation. Doit être un entier positif. ficelle
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. ficelle
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. ficelle
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. ficelle
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. ficelle
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. ficelle
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.		 ficelle

ImageModelDistributionSettingsObjectDetection

Nom Descriptif Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». ficelle
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 ficelle
distribué Indique s’il faut utiliser la formation du répartiteur. ficelle
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. ficelle
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 ficelle
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 ficelle
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. ficelle
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. ficelle
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 ficelle
taille de l’image Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 ficelle
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. ficelle
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». ficelle
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. ficelle
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». ficelle
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. ficelle
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. ficelle
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. ficelle
optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». ficelle
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. ficelle
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. ficelle
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. ficelle
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune 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 ».		 ficelle
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
NMS : suppression non maximale		 ficelle
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. ficelle
validationBatchSize Taille du lot de validation. Doit être un entier positif. ficelle
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. ficelle
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». ficelle
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. ficelle
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. ficelle
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. ficelle

ImageModelSettingsClassification

Nom Descriptif Valeur
avancéParamètres avancés Paramètres des scénarios avancés. ficelle
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
point de contrôleFréquence Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
point de contrôleRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. ficelle
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
'Étape'
'ÉchauffementCosinus'
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. Int
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
optimiseur Type d’optimiseur. 'Adam'
'Adamw'
« Aucun »
'Sgd'
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. Int
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. Int
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
poidsDécroissance Valeur de la dégradation du 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 la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.		 Int

ImageModelSettingsObjectDetection

Nom Descriptif Valeur
avancéParamètres avancés Paramètres des scénarios avancés. ficelle
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 Int
point de contrôleFréquence Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
point de contrôleRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. ficelle
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
taille de l’image Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Int
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
'Étape'
'ÉchauffementCosinus'
logTrainingMetrics Activez les métriques d’apprentissage de calcul et de journalisation. 'Désactiver'
'Activer'
logValidationLoss Activez la perte de validation de l’informatique et de la journalisation. 'Désactiver'
'Activer'
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM 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 rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM 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 :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 'ExtraLarge'
'Grand'
'Moyen'
« Aucun »
« Petit »
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Bool
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. Int
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. Int
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
optimiseur Type d’optimiseur. 'Adam'
'Adamw'
« Aucun »
'Sgd'
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune 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 ».		 ficelle
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant 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 nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant 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. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. Int
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. 'Coco'
'CocoVoc'
« Aucun »
'Voc'
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int

ImageObjectDetection

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaireMétrique Métrique principale à optimiser pour cette tâche. 'MoyenneMoyennePrécision'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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

ImageSweepSettings

Nom Descriptif Valeur
earlyTermination Type de stratégie d’arrêt anticipé. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres. 'Bayésien'
« Grille »
'Random' (obligatoire)

JobBaseProperties

Nom Descriptif Valeur
componentId ID de ressource ARM de la ressource de composant. ficelle
calculId ID de ressource ARM de la ressource de calcul. ficelle
descriptif Texte de description de la ressource. ficelle
nom d’affichage Nom complet du travail. ficelle
nom_expérience Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». ficelle
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 Configuration de l’identité
estarchivé La ressource est-elle archivée ? Bool
type d'emploi Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Étiquetage » pour le type LabelingJobProperties. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Spark » pour le type SparkJob. Défini sur « Balayage » pour le type SweepJob. « AutoML »
'Commandement'
'Étiquetage'
« Pipeline »
« Étincelle »
'Balayage' (obligatoire)
notificationParamétrage Paramètre de notification pour le travail NotificationSetting
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
secretConfiguration Configuration des secrets à rendre disponibles pendant l’exécution. JobBaseSecretsConfiguration
prestations Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices (en anglais)
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. ResourceBaseTags

JobBaseSecretsConfiguration

Nom Descriptif Valeur

JobBaseServices (en anglais)

Nom Descriptif Valeur

Entrée de travail

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
jobInputType Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobOutput

Nom Descriptif Valeur
descriptif Description de la sortie. ficelle
jobOutputType Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. 'custom_model'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobResourceConfiguration

Nom Descriptif Valeur
dockerArgs Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. ficelle
nombre d'instances Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. Int
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. ficelle
lieux Emplacements où le travail peut s’exécuter. chaîne[]
maxInstanceCount Nombre maximal maximal facultatif d’instances ou de nœuds à utiliser par la cible de calcul.
Pour une utilisation avec l’entraînement élastique, actuellement pris en charge par le type de distribution PyTorch uniquement.		 Int
Propriétés 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 que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). chaîne

Contraintes:
Modèle = \d+[bBkKmMgG]

JobService (en anglais)

Nom Descriptif Valeur
point de terminaison URL du point de terminaison. ficelle
jobServiceType Type de point de terminaison. ficelle
Nœuds Nœuds sur lesquels l’utilisateur souhaite démarrer le service.
Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.		 Nœuds
Port Port du point de terminaison défini par l’utilisateur. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

JobServiceProperties

Nom Descriptif Valeur

LabelCategory

Nom Descriptif Valeur
Classes Dictionnaire de classes d’étiquettes dans cette catégorie. LabelCategoryClasses
nom d’affichage Nom complet de la catégorie d’étiquette. ficelle
multiselect Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. 'Désactivé'
'Activé'

LabelCategoryClasses

Nom Descriptif Valeur

Classe d’étiquette

Nom Descriptif Valeur
nom d’affichage Nom complet de la classe d’étiquette. ficelle
Sous-classes Dictionnaire de sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Descriptif Valeur

étiquetageDataConfiguration

Nom Descriptif Valeur
dataId ID de ressource de la ressource de données pour effectuer l’étiquetage. ficelle
incrémentActualisation des données Indique s’il faut activer l’actualisation incrémentielle des données. 'Désactivé'
'Activé'

LabelingJobImageProperties

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

ÉtiquetageJobInstructions

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

ÉtiquetageEmploiÉtiquetteCatégories

Nom Descriptif Valeur

ÉtiquetageJobMediaProperties

Nom Descriptif Valeur
mediaType Défini sur « Image » pour le type LabelingJobImageProperties. Défini sur « Text » pour le type LabelingJobTextProperties. 'Image'
'Text' (obligatoire)

LabelingJobProperties

Nom Descriptif Valeur
dataConfiguration Configuration des données utilisées dans le travail. étiquetageDataConfiguration
jobInstructions Instructions d’étiquetage du travail. ÉtiquetageJobInstructions
type d'emploi [Obligatoire] Spécifie le type de travail. 'Étiquetage' (obligatoire)
labelCatégories Catégories d’étiquettes du travail. ÉtiquetageEmploiÉtiquetteCatégories
étiquetageJobMediaProperties Propriétés spécifiques du type de média dans le travail. ÉtiquetageJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. mlAssistConfiguration

LabelingJobTextProperties

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

LiteralJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'littéral' (obligatoire)
valeur [Obligatoire] Valeur littérale de l’entrée. chaîne

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

Identitémanagée

Nom Descriptif Valeur
clientId Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. chaîne

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'Managed' (obligatoire)
objectId Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. chaîne

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identifiant de ressource Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. ficelle

Politique d'arrêt médian

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'MedianStopping' (obligatoire)

MLAssistConfiguration

Nom Descriptif Valeur
mlAssist Défini sur « Disabled » pour le type MLAssistConfigurationDisabled. Défini sur « Enabled » pour le type MLAssistConfigurationEnabled. 'Désactivé'
'Enabled' (obligatoire)

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nom Descriptif Valeur
inférenceComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. chaîne

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

MLFlowModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLFlowModelJobInput

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
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'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLFlowModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

MLTableJobInput

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
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'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLTableJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLTableJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

Mpi

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Mpi' (obligatoire)
processCountPerInstance Nombre de processus par nœud MPI. Int

NCrossValidations

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. 'Auto'
'Custom' (obligatoire)

NlpFixedParameters

Nom Descriptif Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. Int
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. « Constant »
'ConstantWithWarmup'
'Cosinus'
'CosineWithRestarts'
'Linéaire'
« Aucun »
« Polynôme »
modelName Nom du modèle à entraîner. ficelle
nombre d’époques Nombre d’époques d’entraînement. Int
trainingBatchSize Taille du lot pour la procédure d’entraînement. Int
validationBatchSize Taille du lot à utiliser pendant l’évaluation. Int
échauffementRatio Rapport de préchauffage utilisé avec LrSchedulerType. Int
poidsDécroissance La dégradation du poids pour la procédure d’entraînement. Int

NlpParameterSubspace

Nom Descriptif Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. ficelle
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. ficelle
modelName Nom du modèle à entraîner. ficelle
nombre d’époques Nombre d’époques d’entraînement. ficelle
trainingBatchSize Taille du lot pour la procédure d’entraînement. ficelle
validationBatchSize Taille du lot à utiliser pendant l’évaluation. ficelle
échauffementRatio Rapport de préchauffage utilisé avec LrSchedulerType. ficelle
poidsDécroissance La dégradation du poids pour la procédure d’entraînement. ficelle

NlpSweepSettings

Nom Descriptif Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
« Grille »
'Random' (obligatoire)

NlpVerticalFeaturizationSettings

Nom Descriptif Valeur
jeu de donnéesLangue Langage du jeu de données, utile pour les données de texte. ficelle

NlpVerticalLimitSettings

Nom Descriptif Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxNodes Nombre maximal de nœuds à utiliser pour l’expérience. Int
maxTrials Nombre d’itérations AutoML. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle
trialTimeout Délai d’expiration pour les essais HD individuels. ficelle

Nœuds

Nom Descriptif Valeur
nodeValueType Défini sur « All » pour le type AllNodes. 'All' (obligatoire)

NotificationSetting

Nom Descriptif Valeur
emailSur Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié Tableau de chaînes contenant l’un des éléments suivants :
'JobCancelled'
'JobCompleted'
« JobFailed »
e-mails Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules chaîne[]
Webhooks Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook. NotificationDéfinitionWebhooks

NotificationDéfinitionWebhooks

Nom Descriptif Valeur

Objectif

Nom Descriptif Valeur
objectif [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres 'Agrandir'
'Réduire' (obligatoire)
primaireMétrique [Obligatoire] Nom de la métrique à optimiser. chaîne

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

PipelineJob

Nom Descriptif Valeur
entrées Entrées pour le travail de pipeline. PipelineJobInputs
Emplois Les travaux construisent le travail de pipeline. PipelineJobJobs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Pipeline' (obligatoire)
sorties Sorties du travail de pipeline PipelineJobOutputs
paramètres Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. quelconque
sourceJobId ID de ressource ARM du travail source. ficelle

PipelineJobInputs

Nom Descriptif Valeur

PipelineJobJobs

Nom Descriptif Valeur

PipelineJobOutputs

Nom Descriptif Valeur

PyTorch

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'PyTorch' (obligatoire)
processCountPerInstance Nombre de processus par nœud. Int

QueueSettings

Nom Descriptif Valeur
jobTier Contrôle le niveau de travail de calcul 'De base'
'Nulle'
« Haut de gamme »
'Spot'
« Standard »
priorité Contrôle la priorité du travail sur un calcul. Int

RandomSamplingAlgorithm

Nom Descriptif Valeur
Logbase Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux ficelle
règle Type spécifique d’algorithme aléatoire « Aléatoire »
'Sobol'
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Random' (obligatoire)
Graines Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires Int

Rayon

Nom Descriptif Valeur
adresse Adresse du nœud principal Ray. ficelle
tableau de bordPort Port auquel lier le serveur de tableau de bord. Int
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Ray' (obligatoire)
headNodeAdditionalArgs Arguments supplémentaires passés au début du rayon dans le nœud principal. ficelle
includeTableau de bord Fournissez cet argument pour démarrer l’interface utilisateur utilisateur du tableau de bord Ray. Bool
Port Port du processus de rayon de tête. Int
workerNodeAdditionalArgs Arguments supplémentaires passés au début du rayon dans le nœud Worker. ficelle

régression ;

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitParamètres 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
primaireMétrique Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'Corrélation Spearman'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. RégressionTrainingParamètres
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

RégressionTrainingParamètres

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'Arbre de décision'
« ElasticNet »
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Forêt aléatoire'
« SGD »
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'Arbre de décision'
« ElasticNet »
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Forêt aléatoire'
« SGD »
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

ResourceBaseProperties

Nom Descriptif Valeur

ResourceBaseTags

Nom Descriptif Valeur

ResourceConfigurationProperties

Nom Descriptif Valeur

Algorithme d’échantillonnage

Nom Descriptif Valeur
échantillonnageAlgorithmType Défini sur « Bayesian » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. 'Bayésien'
« Grille »
'Random' (obligatoire)

Saisonnalité

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. 'Auto'
'Custom' (obligatoire)

SecretConfiguration

Nom Descriptif Valeur
URI URI de secret.
Exemple d’URI : https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 ficelle
workspaceSecretName Nom du secret dans le coffre de clés de l’espace de travail. ficelle

SparkJob

Nom Descriptif Valeur
archives Archiver les fichiers utilisés dans le travail. chaîne[]
args Arguments du travail. ficelle
codeId [Obligatoire] ID de ressource ARM de la ressource de code. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
Conf Propriétés configurées par Spark. SparkJobConf
entrée [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. ficelle
Fichiers Fichiers utilisés dans le travail. chaîne[]
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
Pots Fichiers jar utilisés dans le travail. chaîne[]
type d'emploi [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. chaîne[]
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Descriptif Valeur

SparkJobEntry

Nom Descriptif Valeur
sparkJobEntryType Définissez sur « SparkJobPythonEntry » pour type SparkJobPythonEntry. Définissez sur « SparkJobScalaEntry » pour type SparkJobScalaEntry. 'SparkJobPythonEntry'
'SparkJobScalaEntry' (obligatoire)

SparkJobInputs

Nom Descriptif Valeur

SparkJobOutputs

Nom Descriptif Valeur

SparkJobPythonEntry

Nom Descriptif Valeur
fichier [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)

SparkJobScalaEntry

Nom Descriptif Valeur
nomDeClasse [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)

SparkResourceConfiguration

Nom Descriptif Valeur
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. ficelle
runtimeVersion Version du runtime Spark utilisée pour le travail. ficelle

StackEnsembleSettings

Nom Descriptif Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. quelconque
stackMetaLearnerTrainPercentage Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour 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'
« Régression linéaire »
« Régression logistique »
'LogisticRegressionCV'
« Aucun »

SweepJob

Nom Descriptif Valeur
earlyTermination Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent Politique de résiliation anticipée
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SweepJobInputs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
Limites Limite du travail de balayage. SweepJobLimits
objectif [Obligatoire] Objectif d’optimisation. Objectif (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. SweepJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
échantillonnageAlgorithme [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres SamplingAlgorithm (obligatoire)
espace de recherche [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre tout (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. TrialComponent (obligatoire)

SweepJobInputs

Nom Descriptif Valeur

SweepJobLimits

Nom Descriptif Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Commandement'
'Balayage' (obligatoire)
maxConcurrentTrials Nombre maximal d’essais simultanés du travail de balayage. Int
maxTotalTrials Nombre maximal d’essais du travail de balayage. Int
Délai d'attente 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. ficelle
trialTimeout Valeur du délai d’expiration du délai d’expiration du travail de balayage. ficelle

SweepJobOutputs

Nom Descriptif Valeur

TableFixedParameters

Nom Descriptif Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. ficelle
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. ficelle
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. Int
profondeurMaximum Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. Int
maxFeuilles Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. Int
minDataInLeaf Nombre minimal de données par feuille. Int
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. Int
modelName Nom du modèle à entraîner. ficelle
nEstimateurs Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. Int
numFeuilles Spécifiez le nombre de feuilles. Int
preprocessorName Nom du préprocesseur à utiliser. ficelle
regAlpha Terme de régularisation L1 sur les poids. Int
regLambda Terme de régularisation L2 sur les poids. Int
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. Int
subsampleFreq Fréquence de sous-échantillonnage. Int
treeMethod Spécifiez la méthode d’arborescence. ficelle
avecMoyenne Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. Bool
avec Std Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. Bool

TableParameterSubspace

Nom Descriptif Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. ficelle
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. ficelle
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. ficelle
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. ficelle
profondeurMaximum Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. ficelle
maxFeuilles Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. ficelle
minDataInLeaf Nombre minimal de données par feuille. ficelle
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. ficelle
modelName Nom du modèle à entraîner. ficelle
nEstimateurs Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. ficelle
numFeuilles Spécifiez le nombre de feuilles. ficelle
preprocessorName Nom du préprocesseur à utiliser. ficelle
regAlpha Terme de régularisation L1 sur les poids. ficelle
regLambda Terme de régularisation L2 sur les poids. ficelle
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. ficelle
subsampleFreq Fréquence de sous-échantillonnage ficelle
treeMethod Spécifiez la méthode d’arborescence. ficelle
avecMoyenne Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. ficelle
avec Std Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. ficelle

TableSweepSettings

Nom Descriptif Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
« Grille »
'Random' (obligatoire)

TableVerticalFeaturizationSettings

Nom Descriptif Valeur
bloquésTransformateurs Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'ComptageVectoriseur'
'HashOneHotEncoder'
'LabelEncoder'
« Naïve »
'OneHotEncoder'
'TextTargetEncoder'
« TfIdf »
'WoETargetEncoder'
'Intégration de mots'
columnNameAndTypes Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). TableVerticalFeaturizationSettingsColumnNameAndTypes
jeu de donnéesLangue Langage du jeu de données, utile pour les données de texte. ficelle
enableDnnFeaturization Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. Bool
mode Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation.
Si « Désactivé » 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'
'Coutume'
'Éteint'
transformerParams L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom Descriptif Valeur

TableVerticalFeaturizationSettingsTransformerParams

Nom Descriptif Valeur

TableVerticalLimitSettings

Nom Descriptif Valeur
enableEarlyTermination Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score 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
maxNodes Nombre maximal de nœuds à utiliser pour l’expérience. Int
maxTrials Nombre d’itérations. Int
sweepConcurrentTrials Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. Int
sweepTrials Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle
trialTimeout Délai d’expiration de l’itération. ficelle

TargetLags

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoTargetLags. Définissez sur « Custom » pour type CustomTargetLags. 'Auto'
'Custom' (obligatoire)

TargetRollingWindowSize

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. 'Auto'
'Custom' (obligatoire)

TensorFlow

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'TensorFlow' (obligatoire)
paramètreServerCount Nombre de tâches de serveur de paramètres. Int
workerCount Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. Int

TextClassification

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaireMétrique Métrique principale pour Text-Classification tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextClassificationMultilabel

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

Composant d’essai

Nom Descriptif Valeur
codeId ID de ressource ARM de la ressource de code. ficelle
ordre [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
variables d'environnement Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Descriptif Valeur

TritonModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

TritonModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

PolitiqueDeSélectionDeTroncature

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'TruncationSelection' (obligatoire)
troncationPercentage Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. Int

UriFileJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

UriFileJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

UriFolderJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

UriFolderJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

IdentitéUtilisateur

Nom Descriptif Valeur
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'UserIdentity' (obligatoire)

Webhook

Nom Descriptif Valeur
type d'événement Envoyer un rappel sur un événement de notification spécifié ficelle
webhookType Défini sur « AzureDevOps » pour type AzureDevOpsWebhook. 'AzureDevOps' (obligatoire)

Exemples d’utilisation

Modèles de démarrage rapide Microsoft Azure

Les modèles de démarrage rapide Azure suivants déployer ce type de ressource.

Modèle Descriptif
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 de base hello_world
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 de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.MachineLearningServices/workspaces/jobs, ajoutez le terraform suivant à votre modèle.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-preview"
  name = "string"
  parent_id = "string"
  body = {
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      notificationSetting = {
        emailOn = [
          "string"
        ]
        emails = [
          "string"
        ]
        webhooks = {
          {customized property} = {
            eventType = "string"
            webhookType = "string"
            // For remaining properties, see Webhook objects
          }
        }
      }
      properties = {
        {customized property} = "string"
      }
      secretsConfiguration = {
        {customized property} = {
          uri = "string"
          workspaceSecretName = "string"
        }
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
      }
      tags = {
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  }
}

Objets IdentityConfiguration

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

Pour AMLToken, utilisez :

{
  identityType = "AMLToken"
}

Pour managé, utilisez :

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

Pour UserIdentity, utilisez :

{
  identityType = "UserIdentity"
}

Objets TargetLags

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode = "Auto"
}

Pour Custom, utilisez :

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

Objets LabelingJobMediaProperties

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

Pour Image, utilisez :

{
  annotationType = "string"
  mediaType = "Image"
}

Pour le texte, utilisez :

{
  annotationType = "string"
  mediaType = "Text"
}

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 Ray, utilisez :

{
  address = "string"
  dashboardPort = int
  distributionType = "Ray"
  headNodeAdditionalArgs = "string"
  includeDashboard = bool
  port = int
  workerNodeAdditionalArgs = "string"
}

Pour TensorFlow, utilisez :

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

Objets JobOutput

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

Pour custom_model, utilisez :

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "custom_model"
  mode = "string"
  uri = "string"
}

Pour mlflow_model, utilisez :

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "mlflow_model"
  mode = "string"
  uri = "string"
}

Pour mltable, utilisez :

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "mltable"
  mode = "string"
  uri = "string"
}

Pour triton_model, utilisez :

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "triton_model"
  mode = "string"
  uri = "string"
}

Pour uri_file, utilisez :

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "uri_file"
  mode = "string"
  uri = "string"
}

Pour uri_folder, utilisez :

{
  assetName = "string"
  assetVersion = "string"
  autoDeleteSetting = {
    condition = "string"
    value = "string"
  }
  jobOutputType = "uri_folder"
  mode = "string"
  uri = "string"
}

Objets SamplingAlgorithm

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

Pour Bayésien, utilisez :

{
  samplingAlgorithmType = "Bayesian"
}

Pour Grid, utilisez :

{
  samplingAlgorithmType = "Grid"
}

Pour Random, utilisez :

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

Objets TargetRollingWindowSize

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode = "Auto"
}

Pour Custom, utilisez :

{
  mode = "Custom"
  value = int
}

Objets SparkJobEntry

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

Pour SparkJobPythonEntry, utilisez :

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

Pour SparkJobScalaEntry, utilisez :

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

Objets NCrossValidations

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode = "Auto"
}

Pour Custom, utilisez :

{
  mode = "Custom"
  value = int
}

Objets ForecastHorizon

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode = "Auto"
}

Pour Custom, utilisez :

{
  mode = "Custom"
  value = int
}

Objets de saisonnalité

Définissez la propriété en mode pour spécifier le type d’objet.

Pour Auto, utilisez :

{
  mode = "Auto"
}

Pour Custom, utilisez :

{
  mode = "Custom"
  value = 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 le 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 JobBaseProperties

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

Pour AutoML, utilisez :

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

Pour La commande, utilisez :

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

Pour l’étiquetage, utilisez :

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

Pour Pipeline, utilisez :

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

Pour Spark, utilisez :

{
  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"
  ]
  jobType = "Spark"
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  pyFiles = [
    "string"
  ]
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  resources = {
    instanceType = "string"
    runtimeVersion = "string"
  }
}

Pour balayage, utilisez :

{
  earlyTermination = {
    delayEvaluation = int
    evaluationInterval = int
    policyType = "string"
    // For remaining properties, see EarlyTerminationPolicy objects
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  jobType = "Sweep"
  limits = {
    jobLimitsType = "string"
    maxConcurrentTrials = int
    maxTotalTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  objective = {
    goal = "string"
    primaryMetric = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  queueSettings = {
    jobTier = "string"
    priority = int
  }
  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"
      locations = [
        "string"
      ]
      maxInstanceCount = int
      properties = {
        {customized property} = ?
      }
      shmSize = "string"
    }
  }
}

Objets nœuds

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

Pour tous, utilisez :

{
  nodesValueType = "All"
}

Objets AutoMLVertical

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

Pour la classification, utilisez :

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Classification"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pour la prévision, utilisez :

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  forecastingSettings = {
    countryOrRegionForHolidays = "string"
    cvStepSize = int
    featureLags = "string"
    featuresUnknownAtForecastTime = [
      "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
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Forecasting"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pour ImageClassification, utilisez :

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

Pour ImageClassificationMultilabel, utilisez :

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

Pour ImageInstanceSegmentation, utilisez :

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

Pour ImageObjectDetection, utilisez :

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

Pour la régression, utilisez :

{
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
          parameters = ?
        }
      ]
    }
  }
  fixedParameters = {
    booster = "string"
    boostingType = "string"
    growPolicy = "string"
    learningRate = int
    maxBin = int
    maxDepth = int
    maxLeaves = int
    minDataInLeaf = int
    minSplitGain = int
    modelName = "string"
    nEstimators = int
    numLeaves = int
    preprocessorName = "string"
    regAlpha = int
    regLambda = int
    subsample = int
    subsampleFreq = int
    treeMethod = "string"
    withMean = bool
    withStd = bool
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxNodes = int
    maxTrials = int
    sweepConcurrentTrials = int
    sweepTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  searchSpace = [
    {
      booster = "string"
      boostingType = "string"
      growPolicy = "string"
      learningRate = "string"
      maxBin = "string"
      maxDepth = "string"
      maxLeaves = "string"
      minDataInLeaf = "string"
      minSplitGain = "string"
      modelName = "string"
      nEstimators = "string"
      numLeaves = "string"
      preprocessorName = "string"
      regAlpha = "string"
      regLambda = "string"
      subsample = "string"
      subsampleFreq = "string"
      treeMethod = "string"
      withMean = "string"
      withStd = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "Regression"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerKWargs = ?
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
    trainingMode = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"
}

Pour TextClassification, utilisez :

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  primaryMetric = "string"
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextClassification"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Pour TextClassificationMultilabel, utilisez :

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextClassificationMultilabel"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Pour TextNER, utilisez :

{
  featurizationSettings = {
    datasetLanguage = "string"
  }
  fixedParameters = {
    gradientAccumulationSteps = int
    learningRate = int
    learningRateScheduler = "string"
    modelName = "string"
    numberOfEpochs = int
    trainingBatchSize = int
    validationBatchSize = int
    warmupRatio = int
    weightDecay = int
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxNodes = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  searchSpace = [
    {
      gradientAccumulationSteps = "string"
      learningRate = "string"
      learningRateScheduler = "string"
      modelName = "string"
      numberOfEpochs = "string"
      trainingBatchSize = "string"
      validationBatchSize = "string"
      warmupRatio = "string"
      weightDecay = "string"
    }
  ]
  sweepSettings = {
    earlyTermination = {
      delayEvaluation = int
      evaluationInterval = int
      policyType = "string"
      // For remaining properties, see EarlyTerminationPolicy objects
    }
    samplingAlgorithm = "string"
  }
  taskType = "TextNER"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
}

Objets Webhook

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

Pour AzureDevOps, utilisez :

{
  webhookType = "AzureDevOps"
}

Objets EarlyTerminationPolicy

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

Pour Bandit, utilisez :

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

Pour l’arrêt médian, utilisez :

{
  policyType = "MedianStopping"
}

Pour TruncationSelection, utilisez :

{
  policyType = "TruncationSelection"
  truncationPercentage = int
}

Objets MLAssistConfiguration

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

Pour Désactivé, utilisez :

{
  mlAssist = "Disabled"
}

Pour Activé, utilisez :

{
  inferencingComputeBinding = "string"
  mlAssist = "Enabled"
  trainingComputeBinding = "string"
}

Valeurs de propriété

Microsoft.MachineLearningServices/espaces de travail/emplois

Nom Descriptif Valeur
nom Nom de la ressource chaîne

Contraintes:
Modèle = ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$ (obligatoire)
parent_id ID de la ressource qui est le parent de cette ressource. ID de ressource de type : espaces de travail
Propriétés [Obligatoire] Attributs supplémentaires de l’entité. JobBaseProperties (obligatoire)
type Type de ressource « Microsoft.MachineLearningServices/workspaces/jobs@2023-06-01-preview »

AllNodes

Nom Descriptif Valeur
nodeValueType [Obligatoire] Type de la valeur nœuds 'All' (obligatoire)

AmlToken

Nom Descriptif Valeur
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'AMLToken' (obligatoire)

AutoDeleteSetting

Nom Descriptif Valeur
état Quand vérifier si une ressource a expiré 'CrééSupérieurÀ'
'LastAccessedGreaterThan'
valeur Valeur de condition d’expiration. ficelle

AutoForecastHorizon

Nom Descriptif Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Auto' (obligatoire)

AutologgerParamètres

Nom Descriptif Valeur
mlflowAutologger [Obligatoire] Indique si l’autologger mlflow est activé. 'Désactivé'
'Enabled' (obligatoire)

AutoMLJob

Nom Descriptif Valeur
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 est définie par défaut sur la version de l’environnement organisé AutoML de production lors de l’exécution du travail.		 ficelle
variables d'environnement Variables d’environnement incluses dans le travail. AutoMLJobEnvironmentVariables
type d'emploi [Obligatoire] Spécifie le type de travail. 'AutoML' (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. AutoMLJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration
taskDetails [Obligatoire] Cela représente un scénario qui peut être l’une des tables/NLP/Image AutoMLVertical (obligatoire)

AutoMLJobEnvironmentVariables

Nom Descriptif Valeur

AutoMLJobOutputs

Nom Descriptif Valeur

AutoMLVertical

Nom Descriptif Valeur
logVerbosité Journaliser les verbes du travail. 'Critique'
'Déboguer'
'Erreur'
'Infos'
'Pas Set'
'Avertissement'
targetColumnName Nom de la colonne cible : il s’agit de la colonne valeurs de prédiction.
Également appelé nom de colonne d’étiquette dans le contexte des tâches de classification.		 ficelle
type de tâche Défini sur « Classification » pour la classification de type. Défini sur « Prévision » pour le type Prévision. Défini sur « ImageClassification » pour le type ImageClassification. Défini sur « ImageClassificationMultilabel » pour le type ImageClassificationMultilabel. Définissez sur « ImageInstanceSegmentation » pour le type ImageInstanceSegmentation. Défini sur « ImageObjectDetection » pour le type ImageObjectDetection. Défini sur « Régression » pour la régression de type. Défini sur « TextClassification » pour le type TextClassification. Défini sur « TextClassificationMultilabel » pour le type TextClassificationMultilabel. Définissez sur « TextNER » pour le type TextNer. « Classification »
'Prévision'
'Classification d’image'
'ImageClassificationMultilabel'
'ImageInstanceSegmentation'
'ImageObjectDetection'
'Régression'
'Classification de texte'
'TextClassificationMultilabel'
'TextNER' (obligatoire)
trainingData [Obligatoire] Entrée de données d’apprentissage. MLTableJobInput (obligatoire)

AutoNCrossValidations

Nom Descriptif Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Auto' (obligatoire)

Auto-saisonnalité

Nom Descriptif Valeur
mode [Obligatoire] Mode saisonnalité. 'Auto' (obligatoire)

AutoTargetLags

Nom Descriptif Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Auto' (obligatoire)

AutoTargetRollingWindowSize

Nom Descriptif Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Auto' (obligatoire)

AzureDevOpsWebhook

Nom Descriptif Valeur
webhookType [Obligatoire] Spécifie le type de service à envoyer un rappel 'AzureDevOps' (obligatoire)

BanditPolicy

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'Bandit' (obligatoire)
slackAmount Distance absolue autorisée à partir de la meilleure exécution. Int
slackFactor Ratio de la distance autorisée par rapport à la meilleure exécution. Int

Algorithme d’échantillonnage bayésien

Nom Descriptif Valeur
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Bayésien' (obligatoire)

Catégorisation

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitParamètres 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. ficelle
primaireMétrique Métrique principale de la tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Classification' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. ClassificationParamètres de formation
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

ClassificationParamètres de formation

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'Arbre de décision'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'SVM linéaire'
« Régression logistique »
'MultinomialNaiveBayes'
'Forêt aléatoire'
« SGD »
'SVM'
'XGBoostClassifier'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de classification. Tableau de chaînes contenant l’un des éléments suivants :
'BernoulliNaiveBayes'
'Arbre de décision'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LightGBM'
'SVM linéaire'
« Régression logistique »
'MultinomialNaiveBayes'
'Forêt aléatoire'
« SGD »
'SVM'
'XGBoostClassifier'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

Transformateur de colonne

Nom Descriptif Valeur
champs Champs sur utilisant la logique de transformateur. chaîne[]
paramètres Différentes propriétés à passer au transformateur.
L’entrée attendue est le dictionnaire de paires clé,valeur au format JSON.		 quelconque

CommandeJob

Nom Descriptif Valeur
autologgerParamètres Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. AutologgerParamètres
codeId ID de ressource ARM de la ressource de code. ficelle
ordre [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch, Ray ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
variables d'environnement Variables d’environnement incluses dans le travail. CommandJobEnvironmentVariables
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. CommandJobInputs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Command' (obligatoire)
Limites Limite du travail de commande. CommandJobLimits
sorties Mappage des liaisons de données de sortie utilisées dans le travail. CommandJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

CommandJobEnvironmentVariables

Nom Descriptif Valeur

CommandJobInputs

Nom Descriptif Valeur

CommandJobLimits

Nom Descriptif Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Commandement'
'Balayage' (obligatoire)
Délai d'attente 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. ficelle

CommandJobOutputs

Nom Descriptif Valeur

CustomForecastHorizon

Nom Descriptif Valeur
mode [Obligatoire] Définissez le mode de sélection des valeurs de l’horizon de prévision. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de l’horizon de prévision. int (obligatoire)

CustomModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

CustomModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'custom_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

CustomNCrossValidations

Nom Descriptif Valeur
mode [Obligatoire] Mode pour déterminer les validations N-Cross. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de validation n-croisée. int (obligatoire)

PersonnaliséSaisonnalité

Nom Descriptif Valeur
mode [Obligatoire] Mode saisonnalité. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur de saisonnalité. int (obligatoire)

CustomTargetLags

Nom Descriptif Valeur
mode [Obligatoire] Définir le mode décalages cibles - Auto/Custom 'Custom' (obligatoire)
Valeurs [Obligatoire] Définissez les valeurs des décalages cibles. int[] (obligatoire)

CustomTargetRollingWindowSize

Nom Descriptif Valeur
mode [Obligatoire] Mode de détection TargetRollingWindowSiz. 'Custom' (obligatoire)
valeur [Obligatoire] Valeur TargetRollingWindowSize. int (obligatoire)

distributionConfiguration

Nom Descriptif Valeur
distributionType Défini sur « Mpi » pour le type Mpi. Défini sur « PyTorch » pour le type PyTorch. Défini sur « Ray » pour le type Ray. Défini sur « TensorFlow » pour le type TensorFlow. 'Mpi'
'PyTorch'
'Ray'
'TensorFlow' (obligatoire)

Politique de résiliation anticipée

Nom Descriptif Valeur
delayÉvaluation Nombre d’intervalles par lesquels retarder la première évaluation. Int
evaluationInterval Intervalle (nombre d’exécutions) entre les évaluations de stratégie. Int
policyType Défini sur « Bandit » pour type BanditPolicy. Défini sur « MedianStopping » pour le type MedianStoppingPolicy. Défini sur « TruncationSelection » pour le type TruncationSelectionPolicy. 'Bandit'
'Arrêt médian'
'TruncationSelection' (obligatoire)

Horizon de prévision

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoForecastHorizon. Défini sur « Custom » pour le type CustomForecastHorizon. 'Auto'
'Custom' (obligatoire)

Prévisions

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
prévisionParamètres Prévision d’entrées spécifiques à une tâche. PrévisionParamètres
limitParamètres 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
primaireMétrique Métrique principale pour la tâche de prévision. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'Corrélation Spearman'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Prévision' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. PrévisionsFormationParamètres
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

PrévisionParamètres

Nom Descriptif Valeur
paysourégionpourvacances Pays ou région pour les vacances pour les tâches de prévision.
Il doit s’agir de codes pays/région à deux lettres ISO 3166, par exemple « US » ou « Go ».		 ficelle
cvStepSize Nombre de périodes entre l’heure d’origine d’un pliage CV et le pli suivant. Pour
par exemple, si CVStepSize = 3 pour les données quotidiennes, l’heure d’origine pour chaque pli sera
trois jours à part.		 Int
featureLags Indicateur de génération de décalages pour les fonctionnalités numériques avec « auto » ou null. 'Auto'
« Aucun »
featuresUnknownAtForecastTime Colonnes de fonctionnalités disponibles pour l’apprentissage, mais inconnues au moment de la prévision/inférence.
Si features_unknown_at_forecast_time n’est pas défini, il est supposé que toutes les colonnes de fonctionnalités du jeu de données sont connues au moment de l’inférence.		 chaîne[]
forecastHorizon Horizon de prévision maximal souhaité en unités de fréquence de série chronologique. Horizon de prévision
fréquence Lors de la prévision, ce paramètre représente la période avec laquelle la prévision est souhaitée, par exemple quotidienne, hebdomadaire, annuelle, etc. La fréquence de prévision est la fréquence du jeu de données par défaut. ficelle
Saisonnalité Définissez la saisonnalité des séries chronologiques en tant que multiple entier de la fréquence de la série.
Si la saisonnalité est définie sur « auto », elle sera déduite.		 Saisonnalité
shortSeriesHandlingConfig Paramètre définissant comment si AutoML doit gérer des séries chronologiques courtes. 'Auto'
'Laisser tomber'
« Aucun »
'Pad'
targetAggregateFunction Fonction à utiliser pour agréger la colonne cible de série chronologique afin de se conformer 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 cible possibles sont : « somme », « max », « min » et « moyenne ».		 'Max'
'Moyenne'
'Min'
« Aucun »
'Somme'
targetLags Nombre de périodes passées à décalager à partir de la colonne cible. TargetLags
targetRollingWindowSize Nombre de périodes passées utilisées pour créer une moyenne de fenêtre propagée de la colonne cible. TargetRollingWindowSize
timeColumnName Nom de la colonne time. Ce paramètre est requis lors de la prévision pour spécifier la colonne datetime dans les données d’entrée utilisées pour générer la série chronologique et déduire sa fréquence. ficelle
timeSeriesIdColumnNames Noms des colonnes utilisées pour regrouper une série chronologique. Il peut être utilisé pour créer plusieurs séries.
Si le grain n’est pas défini, le jeu de données est supposé être une série chronologique. Ce paramètre est utilisé avec la prévision de type de tâche.		 chaîne[]
useStl Configurez la décomposition STL de la colonne cible de série chronologique. « Aucun »
'Saison'
'SaisonTendance'

PrévisionsFormationParamètres

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
« Moyen »
'Arbre de décision'
« ElasticNet »
'Lissage exponentiel'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
« Naïf »
'Prophète'
'Forêt aléatoire'
'SaisonnierMoyenne'
« Naïf saisonnier »
« SGD »
'TCNForecaster'
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de prévision. Tableau de chaînes contenant l’un des éléments suivants :
'Arimax'
'AutoArima'
« Moyen »
'Arbre de décision'
« ElasticNet »
'Lissage exponentiel'
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
« Naïf »
'Prophète'
'Forêt aléatoire'
'SaisonnierMoyenne'
« Naïf saisonnier »
« SGD »
'TCNForecaster'
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

GridSamplingAlgorithm

Nom Descriptif Valeur
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Grid' (obligatoire)

Configuration de l’identité

Nom Descriptif Valeur
type d'identité Défini sur « AMLToken » pour le type AmlToken. Défini sur « Managed » pour le type ManagedIdentity. Défini sur « UserIdentity » pour le type UserIdentity. « AMLToken »
« Géré »
'UserIdentity' (obligatoire)

Classification d’images

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaireMétrique Métrique principale à optimiser pour cette tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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

ImageClassificationMultilabel

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsClassification
primaireMétrique Métrique principale à optimiser pour cette tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
« Reconnaissances de dette »
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsClassification[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaireMétrique Métrique principale à optimiser pour cette tâche. 'MoyenneMoyennePrécision'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageInstanceSegmentation' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 Descriptif Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxTrials Nombre maximal d’itérations AutoML. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle

ImageModelDistributionSettingsClassification

Nom Descriptif Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». ficelle
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
distribué Indique s’il faut utiliser la formation du répartiteur. ficelle
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. ficelle
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 ficelle
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 ficelle
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. ficelle
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. ficelle
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 ficelle
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 ficelle
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. ficelle
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». ficelle
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. ficelle
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». ficelle
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. ficelle
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. ficelle
optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». ficelle
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. ficelle
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. ficelle
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. ficelle
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. ficelle
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. ficelle
validationBatchSize Taille du lot de validation. Doit être un entier positif. ficelle
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. ficelle
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. ficelle
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. ficelle
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. ficelle
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. ficelle
weightedLoss Perte pondérée. Les valeurs acceptées sont 0 pour aucune perte pondérée.
1 pour la perte pondérée avec sqrt. (class_weights). 2 pour la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.		 ficelle

ImageModelDistributionSettingsObjectDetection

Nom Descriptif Valeur
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». ficelle
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. ficelle
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 ficelle
distribué Indique s’il faut utiliser la formation du répartiteur. ficelle
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. ficelle
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 ficelle
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 ficelle
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. ficelle
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif. ficelle
gradientAccumulationStep L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans
mise à jour des pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 ficelle
taille de l’image Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 ficelle
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. ficelle
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». ficelle
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
minSize Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. ficelle
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 ficelle
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». ficelle
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être flottant dans la plage [0, 1]. ficelle
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. ficelle
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. ficelle
optimiseur Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». ficelle
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. ficelle
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. ficelle
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. ficelle
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune 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 ».		 ficelle
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1).
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 ficelle
tilePredictionsNmsThreshold Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1].
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
NMS : suppression non maximale		 ficelle
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. ficelle
validationBatchSize Taille du lot de validation. Doit être un entier positif. ficelle
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. ficelle
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». ficelle
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. ficelle
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. ficelle
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. ficelle

ImageModelSettingsClassification

Nom Descriptif Valeur
avancéParamètres avancés Paramètres des scénarios avancés. ficelle
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
point de contrôleFréquence Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
point de contrôleRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. ficelle
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
'Étape'
'ÉchauffementCosinus'
modelName Nom du modèle à utiliser pour l’entraînement.
Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. Int
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
optimiseur Type d’optimiseur. 'Adam'
'Adamw'
« Aucun »
'Sgd'
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
trainingBatchSize Taille du lot d’entraînement. Doit être un entier positif. Int
trainingCropSize Taille de rognage d’image qui est entrée dans le réseau neuronal pour le jeu de données d’entraînement. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationCropSize Taille de rognage d’image entrée dans le réseau neuronal pour le jeu de données de validation. Doit être un entier positif. Int
validationResizeSize Taille de l’image à laquelle redimensionner avant de rogner pour le jeu de données de validation. Doit être un entier positif. Int
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
poidsDécroissance Valeur de la dégradation du 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 la perte pondérée avec class_weights. Doit être 0 ou 1 ou 2.		 Int

ImageModelSettingsObjectDetection

Nom Descriptif Valeur
avancéParamètres avancés Paramètres des scénarios avancés. ficelle
amsGradient Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». Bool
Augmentations Paramètres d’utilisation des augmentations. ficelle
bêta1 Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
bêta2 Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1]. Int
boxDetectionsPerImage Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif.
Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».		 Int
boxScoreThreshold Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à
BoxScoreThreshold. Doit être un float dans la plage[0, 1].		 Int
point de contrôleFréquence Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif. Int
checkpointModel Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel. MLFlowModelJobInput
point de contrôleRunId ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel. ficelle
distribué Indique s’il faut utiliser l’entraînement distribué. Bool
début de l’arrêt Activez la logique d’arrêt précoce pendant l’entraînement. Bool
earlyStoppingDelay Nombre minimal d’époques ou d’évaluations de validation à attendre avant l’amélioration de la métrique principale
est suivi pour un arrêt précoce. Doit être un entier positif.		 Int
tôtArrêterPatience Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant
l’exécution est arrêtée. Doit être un entier positif.		 Int
enableOnnxNormalisation Activez la normalisation lors de l’exportation du modèle ONNX. Bool
evaluationFréquence Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. 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 cumulant les dégradés de ces étapes, puis en utilisant
dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.		 Int
taille de l’image Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif.
Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Int
couchesToFreeze Nombre de couches à figer pour le modèle. Doit être un entier positif.
Par exemple, passer 2 comme valeur pour « seresnext » signifie
couche de congélation0 et couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, veuillez
voir : /azure/machine-learning/how-to-auto-train-image-models.		 Int
learningRate Taux d’apprentissage initial. Doit être un float dans la plage [0, 1]. Int
learningRateScheduler Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». « Aucun »
'Étape'
'ÉchauffementCosinus'
logTrainingMetrics Activez les métriques d’apprentissage de calcul et de journalisation. 'Désactiver'
'Activer'
logValidationLoss Activez la perte de validation de l’informatique et de la journalisation. 'Désactiver'
'Activer'
maxSize Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM 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 rescaler avant de l’alimenter dans la colonne principale.
Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM 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 :
/azure/machine-learning/how-to-auto-train-image-models.		 ficelle
modelSize Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ».
Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 'ExtraLarge'
'Grand'
'Moyen'
« Aucun »
« Petit »
élan Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1]. Int
multiscale Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%.
Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante.
Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».		 Bool
Nesterov Activez nesterov lorsque l’optimiseur est « sgd ». Bool
nmsIouThreshold Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1]. Int
nombre d’époques Nombre d’époques d’entraînement. Doit être un entier positif. Int
nombreDe Travailleurs Nombre de travailleurs du chargeur de données. Doit être un entier non négatif. Int
optimiseur Type d’optimiseur. 'Adam'
'Adamw'
« Aucun »
'Sgd'
graine aléatoire Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. Int
stepLRGamma Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1]. Int
stepLRStepSize Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif. Int
tileGridSize Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être
Aucune 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 ».		 ficelle
tileOverlapRatio Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant 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 nmS lors de la fusion des prédictions à partir de vignettes et d’images.
Utilisé dans la validation/inférence. Doit être flottant 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. Doit être un entier positif. Int
validationBatchSize Taille du lot de validation. Doit être un entier positif. Int
validationIouThreshold Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1]. Int
validationMetricType Méthode de calcul de métrique à utiliser pour les métriques de validation. 'Coco'
'CocoVoc'
« Aucun »
'Voc'
échauffementCosinusLRCycles Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1]. Int
échauffementCosinusLRWarmupEpochs Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif. Int
poidsDécroissance Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. Int

ImageObjectDetection

Nom Descriptif Valeur
limitParamètres [Obligatoire] Limitez les paramètres du travail AutoML. ImageLimitSettings (obligatoire)
modelSettings Paramètres utilisés pour l’apprentissage du modèle. ImageModelSettingsObjectDetection
primaireMétrique Métrique principale à optimiser pour cette tâche. 'MoyenneMoyennePrécision'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. ImageModelDistributionSettingsObjectDetection[]
balayageParamètres Modèles de balayage et de balayage hyperparamètres paramètres associés au balayage. ImageSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'ImageObjectDetection' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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

ImageSweepSettings

Nom Descriptif Valeur
earlyTermination Type de stratégie d’arrêt anticipé. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type des algorithmes d’échantillonnage d’hyperparamètres. 'Bayésien'
« Grille »
'Random' (obligatoire)

JobBaseProperties

Nom Descriptif Valeur
componentId ID de ressource ARM de la ressource de composant. ficelle
calculId ID de ressource ARM de la ressource de calcul. ficelle
descriptif Texte de description de la ressource. ficelle
nom d’affichage Nom complet du travail. ficelle
nom_expérience Nom de l’expérience à laquelle appartient le travail. S’il n’est pas défini, le travail est placé dans l’expérience « Par défaut ». ficelle
identité Configuration de l’identité. Si cette valeur est définie, il doit s’agir de l’un des éléments AmlToken, ManagedIdentity, UserIdentity ou Null.
La valeur par défaut est AmlToken si null.		 Configuration de l’identité
estarchivé La ressource est-elle archivée ? Bool
type d'emploi Défini sur « AutoML » pour le type AutoMLJob. Définissez la valeur « Command » pour le type CommandJob. Défini sur « Étiquetage » pour le type LabelingJobProperties. Défini sur « Pipeline » pour le type PipelineJob. Défini sur « Spark » pour le type SparkJob. Défini sur « Balayage » pour le type SweepJob. « AutoML »
'Commandement'
'Étiquetage'
« Pipeline »
« Étincelle »
'Balayage' (obligatoire)
notificationParamétrage Paramètre de notification pour le travail NotificationSetting
Propriétés Dictionnaire de propriétés de ressource. ResourceBaseProperties
secretConfiguration Configuration des secrets à rendre disponibles pendant l’exécution. JobBaseSecretsConfiguration
prestations Liste des points de terminaison de travail.
Pour les travaux locaux, un point de terminaison de travail a une valeur de point de terminaison de FileStreamObject.		 JobBaseServices (en anglais)
étiquettes Dictionnaire de balises. Les balises peuvent être ajoutées, supprimées et mises à jour. ResourceBaseTags

JobBaseSecretsConfiguration

Nom Descriptif Valeur

JobBaseServices (en anglais)

Nom Descriptif Valeur

Entrée de travail

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
jobInputType Défini sur « custom_model » pour le type CustomModelJobInput. Défini sur « littéral » pour le type LiteralJobInput. Défini sur « mlflow_model » pour le type MLFlowModelJobInput. Défini sur « mltable » pour le type MLTableJobInput. Défini sur « triton_model » pour le type TritonModelJobInput. Défini sur « uri_file » pour le type UriFileJobInput. Défini sur « uri_folder » pour le type UriFolderJobInput. 'custom_model'
'littéral'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobOutput

Nom Descriptif Valeur
descriptif Description de la sortie. ficelle
jobOutputType Défini sur « custom_model » pour le type CustomModelJobOutput. Défini sur « mlflow_model » pour le type MLFlowModelJobOutput. Défini sur « mltable » pour le type MLTableJobOutput. Défini sur « triton_model » pour le type TritonModelJobOutput. Défini sur « uri_file » pour le type UriFileJobOutput. Défini sur « uri_folder » pour le type UriFolderJobOutput. 'custom_model'
'mlflow_model'
'mltable'
'triton_model'
'uri_file'
'uri_folder' (obligatoire)

JobResourceConfiguration

Nom Descriptif Valeur
dockerArgs Arguments supplémentaires à passer à la commande Docker run. Cela remplacerait tous les paramètres qui ont déjà été définis par le système, ou dans cette section. Ce paramètre est pris en charge uniquement pour les types de calcul Azure ML. ficelle
nombre d'instances Nombre facultatif d’instances ou de nœuds utilisés par la cible de calcul. Int
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. ficelle
lieux Emplacements où le travail peut s’exécuter. chaîne[]
maxInstanceCount Nombre maximal maximal facultatif d’instances ou de nœuds à utiliser par la cible de calcul.
Pour une utilisation avec l’entraînement élastique, actuellement pris en charge par le type de distribution PyTorch uniquement.		 Int
Propriétés 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 que l’unité peut être l’un des b(octets), k(kilo-octets), m(mégaoctets) ou g(gigaoctets). chaîne

Contraintes:
Modèle = \d+[bBkKmMgG]

JobService (en anglais)

Nom Descriptif Valeur
point de terminaison URL du point de terminaison. ficelle
jobServiceType Type de point de terminaison. ficelle
Nœuds Nœuds sur lesquels l’utilisateur souhaite démarrer le service.
Si les nœuds ne sont pas définis ou définis sur null, le service est démarré uniquement sur le nœud leader.		 Nœuds
Port Port du point de terminaison défini par l’utilisateur. Int
Propriétés Propriétés supplémentaires à définir sur le point de terminaison. JobServiceProperties

JobServiceProperties

Nom Descriptif Valeur

LabelCategory

Nom Descriptif Valeur
Classes Dictionnaire de classes d’étiquettes dans cette catégorie. LabelCategoryClasses
nom d’affichage Nom complet de la catégorie d’étiquette. ficelle
multiselect Indique s’il est autorisé à sélectionner plusieurs classes dans cette catégorie. 'Désactivé'
'Activé'

LabelCategoryClasses

Nom Descriptif Valeur

Classe d’étiquette

Nom Descriptif Valeur
nom d’affichage Nom complet de la classe d’étiquette. ficelle
Sous-classes Dictionnaire de sous-classes de la classe label. LabelClassSubclasses

LabelClassSubclasses

Nom Descriptif Valeur

étiquetageDataConfiguration

Nom Descriptif Valeur
dataId ID de ressource de la ressource de données pour effectuer l’étiquetage. ficelle
incrémentActualisation des données Indique s’il faut activer l’actualisation incrémentielle des données. 'Désactivé'
'Activé'

LabelingJobImageProperties

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

ÉtiquetageJobInstructions

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

ÉtiquetageEmploiÉtiquetteCatégories

Nom Descriptif Valeur

ÉtiquetageJobMediaProperties

Nom Descriptif Valeur
mediaType Défini sur « Image » pour le type LabelingJobImageProperties. Défini sur « Text » pour le type LabelingJobTextProperties. 'Image'
'Text' (obligatoire)

LabelingJobProperties

Nom Descriptif Valeur
dataConfiguration Configuration des données utilisées dans le travail. étiquetageDataConfiguration
jobInstructions Instructions d’étiquetage du travail. ÉtiquetageJobInstructions
type d'emploi [Obligatoire] Spécifie le type de travail. 'Étiquetage' (obligatoire)
labelCatégories Catégories d’étiquettes du travail. ÉtiquetageEmploiÉtiquetteCatégories
étiquetageJobMediaProperties Propriétés spécifiques du type de média dans le travail. ÉtiquetageJobMediaProperties
mlAssistConfiguration Configuration de la fonctionnalité MLAssist dans le travail. mlAssistConfiguration

LabelingJobTextProperties

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

LiteralJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'littéral' (obligatoire)
valeur [Obligatoire] Valeur littérale de l’entrée. chaîne

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

Identitémanagée

Nom Descriptif Valeur
clientId Spécifie une identité affectée par l’utilisateur par ID client. Pour les données attribuées par le système, ne définissez pas ce champ. chaîne

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'Managed' (obligatoire)
objectId Spécifie une identité affectée par l’utilisateur par ID d’objet. Pour les données attribuées par le système, ne définissez pas ce champ. chaîne

Contraintes:
Longueur minimale = 36
Longueur maximale = 36
Modèle = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
identifiant de ressource Spécifie une identité affectée par l’utilisateur par ID de ressource ARM. Pour les données attribuées par le système, ne définissez pas ce champ. ficelle

Politique d'arrêt médian

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'MedianStopping' (obligatoire)

MLAssistConfiguration

Nom Descriptif Valeur
mlAssist Défini sur « Disabled » pour le type MLAssistConfigurationDisabled. Défini sur « Enabled » pour le type MLAssistConfigurationEnabled. 'Désactivé'
'Enabled' (obligatoire)

MLAssistConfigurationDisabled

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

MLAssistConfigurationEnabled

Nom Descriptif Valeur
inférenceComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’inférence. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
mlAssist [Obligatoire] Indique si la fonctionnalité MLAssist est activée. 'Enabled' (obligatoire)
trainingComputeBinding [Obligatoire] Liaison de calcul AML utilisée dans l’apprentissage. chaîne

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

MLFlowModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLFlowModelJobInput

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
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'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLFlowModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'mlflow_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

MLTableJobInput

Nom Descriptif Valeur
descriptif Description de l’entrée. ficelle
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'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLTableJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

MLTableJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'mltable' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

Mpi

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Mpi' (obligatoire)
processCountPerInstance Nombre de processus par nœud MPI. Int

NCrossValidations

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoNCrossValidations. Défini sur « Custom » pour le type CustomNCrossValidations. 'Auto'
'Custom' (obligatoire)

NlpFixedParameters

Nom Descriptif Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. Int
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. « Constant »
'ConstantWithWarmup'
'Cosinus'
'CosineWithRestarts'
'Linéaire'
« Aucun »
« Polynôme »
modelName Nom du modèle à entraîner. ficelle
nombre d’époques Nombre d’époques d’entraînement. Int
trainingBatchSize Taille du lot pour la procédure d’entraînement. Int
validationBatchSize Taille du lot à utiliser pendant l’évaluation. Int
échauffementRatio Rapport de préchauffage utilisé avec LrSchedulerType. Int
poidsDécroissance La dégradation du poids pour la procédure d’entraînement. Int

NlpParameterSubspace

Nom Descriptif Valeur
gradientAccumulationSteps Nombre d’étapes à effectuer pour accumuler des dégradés avant d’exécuter une passe descendante. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. ficelle
learningRateScheduler Type de planification du taux d’apprentissage à utiliser pendant la procédure d’entraînement. ficelle
modelName Nom du modèle à entraîner. ficelle
nombre d’époques Nombre d’époques d’entraînement. ficelle
trainingBatchSize Taille du lot pour la procédure d’entraînement. ficelle
validationBatchSize Taille du lot à utiliser pendant l’évaluation. ficelle
échauffementRatio Rapport de préchauffage utilisé avec LrSchedulerType. ficelle
poidsDécroissance La dégradation du poids pour la procédure d’entraînement. ficelle

NlpSweepSettings

Nom Descriptif Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
« Grille »
'Random' (obligatoire)

NlpVerticalFeaturizationSettings

Nom Descriptif Valeur
jeu de donnéesLangue Langage du jeu de données, utile pour les données de texte. ficelle

NlpVerticalLimitSettings

Nom Descriptif Valeur
maxConcurrentTrials Nombre maximal d’itérations AutoML simultanées. Int
maxNodes Nombre maximal de nœuds à utiliser pour l’expérience. Int
maxTrials Nombre d’itérations AutoML. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle
trialTimeout Délai d’expiration pour les essais HD individuels. ficelle

Nœuds

Nom Descriptif Valeur
nodeValueType Défini sur « All » pour le type AllNodes. 'All' (obligatoire)

NotificationSetting

Nom Descriptif Valeur
emailSur Envoyer une notification par e-mail à l’utilisateur sur le type de notification spécifié Tableau de chaînes contenant l’un des éléments suivants :
'JobCancelled'
'JobCompleted'
« JobFailed »
e-mails Il s’agit de la liste des destinataires d’e-mail qui a une limitation de 499 caractères dans le total concat avec séparateur de virgules chaîne[]
Webhooks Envoyez un rappel de webhook à un service. La clé est un nom fourni par l’utilisateur pour le webhook. NotificationDéfinitionWebhooks

NotificationDéfinitionWebhooks

Nom Descriptif Valeur

Objectif

Nom Descriptif Valeur
objectif [Obligatoire] Définit les objectifs de métriques pris en charge pour le réglage des hyperparamètres 'Agrandir'
'Réduire' (obligatoire)
primaireMétrique [Obligatoire] Nom de la métrique à optimiser. chaîne

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

PipelineJob

Nom Descriptif Valeur
entrées Entrées pour le travail de pipeline. PipelineJobInputs
Emplois Les travaux construisent le travail de pipeline. PipelineJobJobs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Pipeline' (obligatoire)
sorties Sorties du travail de pipeline PipelineJobOutputs
paramètres Paramètres de pipeline, pour des éléments tels que ContinueRunOnStepFailure, etc. quelconque
sourceJobId ID de ressource ARM du travail source. ficelle

PipelineJobInputs

Nom Descriptif Valeur

PipelineJobJobs

Nom Descriptif Valeur

PipelineJobOutputs

Nom Descriptif Valeur

PyTorch

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'PyTorch' (obligatoire)
processCountPerInstance Nombre de processus par nœud. Int

QueueSettings

Nom Descriptif Valeur
jobTier Contrôle le niveau de travail de calcul 'De base'
'Nulle'
« Haut de gamme »
'Spot'
« Standard »
priorité Contrôle la priorité du travail sur un calcul. Int

RandomSamplingAlgorithm

Nom Descriptif Valeur
Logbase Nombre positif facultatif ou e au format de chaîne à utiliser comme base pour l’échantillonnage aléatoire basé sur les journaux ficelle
règle Type spécifique d’algorithme aléatoire « Aléatoire »
'Sobol'
échantillonnageAlgorithmType [Obligatoire] Algorithme utilisé pour générer des valeurs d’hyperparamètres, ainsi que des propriétés de configuration 'Random' (obligatoire)
Graines Entier facultatif à utiliser comme valeur initiale pour la génération de nombres aléatoires Int

Rayon

Nom Descriptif Valeur
adresse Adresse du nœud principal Ray. ficelle
tableau de bordPort Port auquel lier le serveur de tableau de bord. Int
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'Ray' (obligatoire)
headNodeAdditionalArgs Arguments supplémentaires passés au début du rayon dans le nœud principal. ficelle
includeTableau de bord Fournissez cet argument pour démarrer l’interface utilisateur utilisateur du tableau de bord Ray. Bool
Port Port du processus de rayon de tête. Int
workerNodeAdditionalArgs Arguments supplémentaires passés au début du rayon dans le nœud Worker. ficelle

régression ;

Nom Descriptif Valeur
cvSplitColumnNames Colonnes à utiliser pour les données CVSplit. chaîne[]
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. TableVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. TableFixedParameters
limitParamètres 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
primaireMétrique Métrique principale pour la tâche de régression. 'NormalizedMeanAbsoluteError'
'NormalizedRootMeanSquaredError'
'R2Score'
'Corrélation Spearman'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. TableParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. TableSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'Régression' (obligatoire)
testData Tester l’entrée de données. MLTableJobInput
testDataSize Fraction du jeu de données de test qui doit être mis 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
trainingParamètres Entrées pour la phase d’entraînement d’un travail AutoML. RégressionTrainingParamètres
validationData Entrées de données de validation. MLTableJobInput
validationDataSize Fraction du jeu de données d’entraînement qui doit être mis 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 l’exemple de colonne de poids. Le ML automatisé prend en charge une colonne pondérée en tant qu’entrée, ce qui entraîne une pondération des lignes dans les données. ficelle

RégressionTrainingParamètres

Nom Descriptif Valeur
allowedTrainingAlgorithms Modèles autorisés pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'Arbre de décision'
« ElasticNet »
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Forêt aléatoire'
« SGD »
'XGBoostRegressor'
blockedTrainingAlgorithms Modèles bloqués pour la tâche de régression. Tableau de chaînes contenant l’un des éléments suivants :
'Arbre de décision'
« ElasticNet »
'ExtremeRandomTrees'
'GradientBoosting'
'KNN'
'LassoLars'
'LightGBM'
'Forêt aléatoire'
« SGD »
'XGBoostRegressor'
enableDnnTraining Activez la recommandation des modèles DNN. Bool
enableModelExplainability Indicateur pour activer l’explication 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 Activer l’exécution de l’ensemble de vote. Bool
ensembleModelDownloadTimeout Pendant la génération du modèle VotingEnsemble et StackEnsemble, plusieurs modèles adaptés des exécutions enfants précédentes sont téléchargés.
Configurez ce paramètre avec une valeur supérieure à 300 secondes, si plus de temps est nécessaire.		 ficelle
stackEnsembleSettings Paramètres d’ensemble de pile pour l’exécution d’un ensemble de piles. StackEnsembleSettings
trainingMode Mode TrainingMode : le paramètre « auto » est identique à celui défini sur « non distribué » pour l’instant. Toutefois, dans le futur, cela peut entraîner une sélection en mode mixte ou en mode heuristique. La valeur par défaut est « auto ».
Si « Distributed », seule la caractérisation distribuée est utilisée et les algorithmes distribués sont choisis.
Si « NonDistributed », seuls les algorithmes non distribués sont choisis.		 'Auto'
« Distribué »
'Non distribué'

ResourceBaseProperties

Nom Descriptif Valeur

ResourceBaseTags

Nom Descriptif Valeur

ResourceConfigurationProperties

Nom Descriptif Valeur

Algorithme d’échantillonnage

Nom Descriptif Valeur
échantillonnageAlgorithmType Défini sur « Bayesian » pour le type BayesianSamplingAlgorithm. Défini sur « Grid » pour type GridSamplingAlgorithm. Défini sur « Random » pour le type RandomSamplingAlgorithm. 'Bayésien'
« Grille »
'Random' (obligatoire)

Saisonnalité

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoSeasonality. Défini sur « Custom » pour le type CustomSeasonality. 'Auto'
'Custom' (obligatoire)

SecretConfiguration

Nom Descriptif Valeur
URI URI de secret.
Exemple d’URI : https://myvault.vault.azure.net/secrets/mysecretname/secretversion		 ficelle
workspaceSecretName Nom du secret dans le coffre de clés de l’espace de travail. ficelle

SparkJob

Nom Descriptif Valeur
archives Archiver les fichiers utilisés dans le travail. chaîne[]
args Arguments du travail. ficelle
codeId [Obligatoire] ID de ressource ARM de la ressource de code. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
Conf Propriétés configurées par Spark. SparkJobConf
entrée [Obligatoire] Entrée à exécuter au démarrage du travail. SparkJobEntry (obligatoire)
environmentId ID de ressource ARM de la spécification d’environnement pour le travail. ficelle
Fichiers Fichiers utilisés dans le travail. chaîne[]
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SparkJobInputs
Pots Fichiers jar utilisés dans le travail. chaîne[]
type d'emploi [Obligatoire] Spécifie le type de travail. 'Spark' (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. SparkJobOutputs
pyFiles Fichiers Python utilisés dans le travail. chaîne[]
queueParamètres Paramètres de file d’attente du travail QueueSettings
Ressources Configuration des ressources de calcul pour le travail. SparkResourceConfiguration

SparkJobConf

Nom Descriptif Valeur

SparkJobEntry

Nom Descriptif Valeur
sparkJobEntryType Définissez sur « SparkJobPythonEntry » pour type SparkJobPythonEntry. Définissez sur « SparkJobScalaEntry » pour type SparkJobScalaEntry. 'SparkJobPythonEntry'
'SparkJobScalaEntry' (obligatoire)

SparkJobInputs

Nom Descriptif Valeur

SparkJobOutputs

Nom Descriptif Valeur

SparkJobPythonEntry

Nom Descriptif Valeur
fichier [Obligatoire] Chemin d’accès relatif au fichier Python pour le point d’entrée du travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobPythonEntry' (obligatoire)

SparkJobScalaEntry

Nom Descriptif Valeur
nomDeClasse [Obligatoire] Nom de classe Scala utilisé comme point d’entrée. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
sparkJobEntryType [Obligatoire] Type du point d’entrée du travail. 'SparkJobScalaEntry' (obligatoire)

SparkResourceConfiguration

Nom Descriptif Valeur
instanceType Type facultatif de machine virtuelle utilisée comme prise en charge par la cible de calcul. ficelle
runtimeVersion Version du runtime Spark utilisée pour le travail. ficelle

StackEnsembleSettings

Nom Descriptif Valeur
stackMetaLearnerKWargs Paramètres facultatifs à passer à l’initialiseur du méta-apprenant. quelconque
stackMetaLearnerTrainPercentage Spécifie la proportion du jeu d’entraînement (lors du choix du type d’apprentissage et de validation) à réserver pour 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'
« Régression linéaire »
« Régression logistique »
'LogisticRegressionCV'
« Aucun »

SweepJob

Nom Descriptif Valeur
earlyTermination Les stratégies d’arrêt anticipé permettent d’annuler les exécutions médiocres avant qu’elles ne se terminent Politique de résiliation anticipée
entrées Mappage des liaisons de données d’entrée utilisées dans le travail. SweepJobInputs
type d'emploi [Obligatoire] Spécifie le type de travail. 'Balayage' (obligatoire)
Limites Limite du travail de balayage. SweepJobLimits
objectif [Obligatoire] Objectif d’optimisation. Objectif (obligatoire)
sorties Mappage des liaisons de données de sortie utilisées dans le travail. SweepJobOutputs
queueParamètres Paramètres de file d’attente du travail QueueSettings
échantillonnageAlgorithme [Obligatoire] Algorithme d’échantillonnage d’hyperparamètres SamplingAlgorithm (obligatoire)
espace de recherche [Obligatoire] Dictionnaire contenant chaque paramètre et sa distribution. La clé de dictionnaire est le nom du paramètre tout (obligatoire)
procès [Obligatoire] Définition du composant d’évaluation. TrialComponent (obligatoire)

SweepJobInputs

Nom Descriptif Valeur

SweepJobLimits

Nom Descriptif Valeur
jobLimitsType [Obligatoire] Type JobLimit. 'Commandement'
'Balayage' (obligatoire)
maxConcurrentTrials Nombre maximal d’essais simultanés du travail de balayage. Int
maxTotalTrials Nombre maximal d’essais du travail de balayage. Int
Délai d'attente 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. ficelle
trialTimeout Valeur du délai d’expiration du délai d’expiration du travail de balayage. ficelle

SweepJobOutputs

Nom Descriptif Valeur

TableFixedParameters

Nom Descriptif Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. ficelle
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. ficelle
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. Int
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. Int
profondeurMaximum Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. Int
maxFeuilles Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. Int
minDataInLeaf Nombre minimal de données par feuille. Int
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. Int
modelName Nom du modèle à entraîner. ficelle
nEstimateurs Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. Int
numFeuilles Spécifiez le nombre de feuilles. Int
preprocessorName Nom du préprocesseur à utiliser. ficelle
regAlpha Terme de régularisation L1 sur les poids. Int
regLambda Terme de régularisation L2 sur les poids. Int
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. Int
subsampleFreq Fréquence de sous-échantillonnage. Int
treeMethod Spécifiez la méthode d’arborescence. ficelle
avecMoyenne Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. Bool
avec Std Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. Bool

TableParameterSubspace

Nom Descriptif Valeur
suramplificateur Spécifiez le type de boosting, par exemple gbdt pour XGBoost. ficelle
boostingType Spécifiez le type de boosting, par exemple gbdt pour LightGBM. ficelle
growPolicy Spécifiez la stratégie de croissance, qui contrôle la façon dont les nouveaux nœuds sont ajoutés à l’arborescence. ficelle
learningRate Taux d’apprentissage de la procédure d’entraînement. ficelle
maxBin Spécifiez le nombre maximal de compartiments discrets pour les fonctionnalités continues du compartiment. ficelle
profondeurMaximum Spécifiez la profondeur maximale pour limiter explicitement la profondeur de l’arborescence. ficelle
maxFeuilles Spécifiez les feuilles maximales pour limiter explicitement les feuilles d’arbre. ficelle
minDataInLeaf Nombre minimal de données par feuille. ficelle
minSplitGain Réduction minimale de la perte nécessaire pour effectuer une partition supplémentaire sur un nœud feuille de l’arborescence. ficelle
modelName Nom du modèle à entraîner. ficelle
nEstimateurs Spécifiez le nombre d’arborescences (ou arrondis) dans un modèle. ficelle
numFeuilles Spécifiez le nombre de feuilles. ficelle
preprocessorName Nom du préprocesseur à utiliser. ficelle
regAlpha Terme de régularisation L1 sur les poids. ficelle
regLambda Terme de régularisation L2 sur les poids. ficelle
Sous-échantillon Taux de sous-échantillonnage de l’instance d’entraînement. ficelle
subsampleFreq Fréquence de sous-échantillonnage ficelle
treeMethod Spécifiez la méthode d’arborescence. ficelle
avecMoyenne Si la valeur est true, centrez avant de mettre à l’échelle les données avec StandardScalar. ficelle
avec Std Si la valeur est true, mettant à l’échelle les données avec l’écart unitaire avec StandardScalar. ficelle

TableSweepSettings

Nom Descriptif Valeur
earlyTermination Type de politique d’arrêt anticipé pour le travail de balayage. Politique de résiliation anticipée
échantillonnageAlgorithme [Obligatoire] Type d’algorithme d’échantillonnage. 'Bayésien'
« Grille »
'Random' (obligatoire)

TableVerticalFeaturizationSettings

Nom Descriptif Valeur
bloquésTransformateurs Ces transformateurs ne doivent pas être utilisés dans la caractérisation. Tableau de chaînes contenant l’un des éléments suivants :
'CatTargetEncoder'
'ComptageVectoriseur'
'HashOneHotEncoder'
'LabelEncoder'
« Naïve »
'OneHotEncoder'
'TextTargetEncoder'
« TfIdf »
'WoETargetEncoder'
'Intégration de mots'
columnNameAndTypes Dictionnaire du nom de colonne et de son type (int, float, string, datetime, etc.). TableVerticalFeaturizationSettingsColumnNameAndTypes
jeu de donnéesLangue Langage du jeu de données, utile pour les données de texte. ficelle
enableDnnFeaturization Détermine s’il faut utiliser des caractérisations basées sur Dnn pour la caractérisation des données. Bool
mode Mode caractérisation : l’utilisateur peut conserver le mode « Auto » par défaut et AutoML prend en charge la transformation nécessaire des données dans la phase de caractérisation.
Si « Désactivé » 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'
'Coutume'
'Éteint'
transformerParams L’utilisateur peut spécifier des transformateurs supplémentaires à utiliser avec les colonnes auxquelles il serait appliqué et les paramètres pour le constructeur du transformateur. TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nom Descriptif Valeur

TableVerticalFeaturizationSettingsTransformerParams

Nom Descriptif Valeur

TableVerticalLimitSettings

Nom Descriptif Valeur
enableEarlyTermination Activez l’arrêt anticipé, détermine si AutoMLJob se termine tôt s’il n’y a pas d’amélioration du score 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
maxNodes Nombre maximal de nœuds à utiliser pour l’expérience. Int
maxTrials Nombre d’itérations. Int
sweepConcurrentTrials Nombre d’exécutions simultanées de balayage que l’utilisateur souhaite déclencher. Int
sweepTrials Nombre d’exécutions de balayage que l’utilisateur souhaite déclencher. Int
Délai d'attente Délai d’expiration du travail AutoML. ficelle
trialTimeout Délai d’expiration de l’itération. ficelle

TargetLags

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoTargetLags. Définissez sur « Custom » pour type CustomTargetLags. 'Auto'
'Custom' (obligatoire)

TargetRollingWindowSize

Nom Descriptif Valeur
mode Défini sur « Auto » pour le type AutoTargetRollingWindowSize. Défini sur « Custom » pour le type CustomTargetRollingWindowSize. 'Auto'
'Custom' (obligatoire)

TensorFlow

Nom Descriptif Valeur
distributionType [Obligatoire] Spécifie le type d’infrastructure de distribution. 'TensorFlow' (obligatoire)
paramètreServerCount Nombre de tâches de serveur de paramètres. Int
workerCount Nombre de travailleurs. S’il n’est pas spécifié, le nombre d’instances est défini par défaut. Int

TextClassification

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
primaireMétrique Métrique principale pour Text-Classification tâche. 'Précision'
'AUCWeighted'
'AveragePrecisionScoreWeighted'
'NormMacroRecall'
'PrecisionScoreWeighted'
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassification' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextClassificationMultilabel

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextClassificationMultilabel' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

TextNer

Nom Descriptif Valeur
featurizationParamètres Entrées de caractérisation nécessaires pour le travail AutoML. NlpVerticalFeaturizationSettings
fixedParameters Paramètres de modèle/d’entraînement qui resteront constants tout au long de l’entraînement. NlpFixedParameters
limitParamètres Contraintes d’exécution pour AutoMLJob. NlpVerticalLimitSettings
espace de recherche Recherchez de l’espace pour échantillonner différentes combinaisons de modèles et leurs hyperparamètres. NlpParameterSubspace[]
balayageParamètres Paramètres pour le balayage du modèle et le réglage des hyperparamètres. NlpSweepSettings
type de tâche [Obligatoire] Type de tâche pour AutoMLJob. 'TextNER' (obligatoire)
validationData Entrées de données de validation. MLTableJobInput

Composant d’essai

Nom Descriptif Valeur
codeId ID de ressource ARM de la ressource de code. ficelle
ordre [Obligatoire] Commande à exécuter au démarrage du travail. Eg. « python train.py » chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
distribution Configuration de distribution du travail. Si elle est définie, il doit s’agir de l’un des valeurs Mpi, Tensorflow, PyTorch ou Null. distributionConfiguration
environmentId [Obligatoire] ID de ressource ARM de la spécification d’environnement pour le travail. chaîne

Contraintes:
Longueur minimale = 1
Modèle = [a-zA-Z0-9_] (obligatoire)
variables d'environnement Variables d’environnement incluses dans le travail. TrialComponentEnvironmentVariables
Ressources Configuration des ressources de calcul pour le travail. JobResourceConfiguration

TrialComponentEnvironmentVariables

Nom Descriptif Valeur

TritonModelJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

TritonModelJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'triton_model' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

PolitiqueDeSélectionDeTroncature

Nom Descriptif Valeur
policyType [Obligatoire] Nom de la configuration de la stratégie 'TruncationSelection' (obligatoire)
troncationPercentage Pourcentage d’exécutions à annuler à chaque intervalle d’évaluation. Int

UriFileJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

UriFileJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_file' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

UriFolderJobInput

Nom Descriptif Valeur
jobInputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources d’entrée. 'Direct'
'Télécharger'
'EvalDownload'
'Mont Eval'
'Montage en lecture seule'
'ReadWriteMount'
URI [Obligatoire] URI de ressource d’entrée. chaîne

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

UriFolderJobOutput

Nom Descriptif Valeur
assetName Nom de la ressource de sortie. ficelle
assetVersion Version de ressource de sortie. ficelle
autoDeleteSetting Paramètre de suppression automatique de la ressource de données de sortie. AutoDeleteSetting
jobOutputType [Obligatoire] Spécifie le type de travail. 'uri_folder' (obligatoire)
mode Mode de remise des ressources de sortie. 'Direct'
'ReadWriteMount'
'Télécharger'
URI URI de ressource de sortie. ficelle

IdentitéUtilisateur

Nom Descriptif Valeur
type d'identité [Obligatoire] Spécifie le type d’infrastructure d’identité. 'UserIdentity' (obligatoire)

Webhook

Nom Descriptif Valeur
type d'événement Envoyer un rappel sur un événement de notification spécifié ficelle
webhookType Défini sur « AzureDevOps » pour type AzureDevOpsWebhook. 'AzureDevOps' (obligatoire)