Microsoft.MachineLearningServices-munkaterületek/feladatok 2022-10-01-preview

• Legújabb
• 2023-10-01
• 2023-08-01-preview
• 2023-06-01-preview
• 2023-04-01
• 2023-04-01-preview
• 2023-02-01-preview
• 2022-12-01-preview
• 2022-10-01
• 2022-10-01-preview
• 2022-06-01-preview
• 2022-05-01
• 2022-02-01-preview
• 2021-03-01-preview

Bicep-erőforrásdefiníció

A munkaterületek/feladatok erőforrástípusa üzembe helyezhető olyan műveletekkel, amelyek a következőket célják:

• Erőforráscsoportok – Lásd : erőforráscsoport üzembehelyezési parancsai

Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplóban találja.

Erőforrás formátuma

Microsoft.MachineLearningServices/workspaces/jobs erőforrás létrehozásához adja hozzá a következő Bicep-et a sablonhoz.

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    properties: {
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    services: {
      {customized property}: {
        endpoint: 'string'
        jobServiceType: 'string'
        nodes: {
          nodesValueType: 'string'
          // For remaining properties, see Nodes objects
        }
        port: int
        properties: {
          {customized property}: 'string'
        }
      }
      {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'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
      {customized property}: 'string'
    }
    jobType: 'string'
    // For remaining properties, see JobBaseProperties objects
  }
}

JobBaseProperties objektumok

Állítsa be a jobType tulajdonságot az objektum típusának megadásához.

AutoML esetén használja a következőt:

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

A parancshoz használja a következőt:

  jobType: 'Command'
  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
    }
  }
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }

Címkézéshez használja a következőt:

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

A Pipeline esetében használja a következőt:

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

Spark esetén használja a következőt:

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

Takarításhoz használja a következőt:

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

IdentityConfiguration-objektumok

Állítsa be az identityType tulajdonságot az objektum típusának megadásához.

Az AMLToken esetében használja a következőt:

  identityType: 'AMLToken'

Felügyelt esetén használja a következőt:

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

A UserIdentity esetében használja a következőt:

  identityType: 'UserIdentity'

Csomópontok objektumai

Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.

Mindenki esetében használja a következőt:

  nodesValueType: 'All'

JobOutput-objektumok

Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.

A custom_model használja a következőt:

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

A mlflow_model a következőt használja:

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

Mltable esetén használja a következőt:

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

A triton_model a következőt használja:

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

A uri_file a következőt használja:

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

A uri_folder a következőt használja:

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

AutoMLVertical objektumok

Állítsa be a taskType tulajdonságot az objektum típusának megadásához.

Besoroláshoz használja a következőt:

  taskType: 'Classification'
  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
    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'
  }
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Előrejelzéshez használja a következőt:

  taskType: 'Forecasting'
  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'
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    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'
  }
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

ImageClassification esetén használja a következőt:

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

ImageClassificationMultilabel esetén használja a következőt:

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

Az ImageInstanceSegmentation esetében használja a következőt:

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

Az ImageObjectDetection esetében használja a következőt:

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

Regresszió esetén használja a következőt:

  taskType: 'Regression'
  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
    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'
  }
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

TextClassification esetén használja a következőt:

  taskType: 'TextClassification'
  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'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

A TextClassificationMultilabel elemhez használja a következőt:

  taskType: 'TextClassificationMultilabel'
  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'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

TextNER esetén használja a következőt:

  taskType: 'TextNER'
  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'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

NCrossValidations objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode: 'Auto'

Egyéni beállítás esetén használja a következőt:

  mode: 'Custom'
  value: int

EarlyTerminationPolicy objektumok

Állítsa be a policyType tulajdonságot az objektum típusának megadásához.

Bandit esetén használja a következőt:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

MediánStopping esetén használja a következőt:

  policyType: 'MedianStopping'

A CsonkolásSelection esetében használja a következőt:

  policyType: 'TruncationSelection'
  truncationPercentage: int

ForecastHorizon-objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode: 'Auto'

Egyéni beállítás esetén használja a következőt:

  mode: 'Custom'
  value: int

Szezonalitási objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode: 'Auto'

Egyéni beállítás esetén használja a következőt:

  mode: 'Custom'
  value: int

TargetLags-objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode: 'Auto'

Egyéni beállítás esetén használja a következőt:

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode: 'Auto'

Egyéni beállítás esetén használja a következőt:

  mode: 'Custom'
  value: int

DistributionConfiguration-objektumok

Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.

Mpi esetén használja a következőt:

  distributionType: 'Mpi'
  processCountPerInstance: int

PyTorch esetén használja a következőt:

  distributionType: 'PyTorch'
  processCountPerInstance: int

A TensorFlow esetében használja a következőt:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

JobInput-objektumok

Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.

A custom_model használja a következőt:

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

A literálhoz használja a következőt:

  jobInputType: 'literal'
  value: 'string'

A mlflow_model a következőt használja:

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

Mltable esetén használja a következőt:

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

A triton_model a következőt használja:

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

A uri_file a következőt használja:

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

A uri_folder a következőt használja:

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

LabelingJobMediaProperties objektumok

Állítsa be a mediaType tulajdonságot az objektum típusának megadásához.

Kép esetén használja a következőt:

  mediaType: 'Image'
  annotationType: 'string'

Szöveg esetén használja a következőt:

  mediaType: 'Text'
  annotationType: 'string'

MLAssistConfiguration objektumok

Állítsa be az mlAssist tulajdonságot az objektum típusának megadásához.

Letiltva esetén használja a következőt:

  mlAssist: 'Disabled'

Az Engedélyezve esetén használja a következőt:

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

SparkJobEntry-objektumok

Állítsa be a sparkJobEntryType tulajdonságot az objektum típusának megadásához.

SparkJobPythonEntry esetén használja a következőt:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

SparkJobScalaEntry esetén használja a következőt:

  sparkJobEntryType: 'SparkJobScalaEntry'
  className: 'string'

SamplingAlgorithm objektumok

Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.

Bayesian esetén használja a következőt:

  samplingAlgorithmType: 'Bayesian'

A Grid esetében használja a következőt:

  samplingAlgorithmType: 'Grid'

Véletlenszerű esetén használja a következőt:

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

Tulajdonságértékek

munkaterületek/feladatok

Név	Leírás	Érték
name	Az erőforrás neve Megtudhatja, hogyan állíthatja be a gyermekerőforrások nevét és típusát a Bicepben.	sztring (kötelező)
Szülő	A Bicepben megadhatja egy gyermekerőforrás szülőerőforrását. Ezt a tulajdonságot csak akkor kell hozzáadnia, ha a gyermekerőforrás a szülőerőforráson kívül van deklarálva. További információ: Gyermekerőforrás a szülőerőforráson kívül.	A típus erőforrásának szimbolikus neve: munkaterületek
properties	[Kötelező] Az entitás további attribútumai.	JobBaseProperties (kötelező)

JobBaseProperties

Név	Leírás	Érték
componentId	Az összetevő-erőforrás ARM-erőforrás-azonosítója.	sztring
computeId	A számítási erőforrás ARM-erőforrás-azonosítója.	sztring
leírás	Az eszköz leírásának szövege.	sztring
displayName	A feladat nevének megjelenítése.	sztring
experimentName	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.	sztring
identity	Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.	IdentityConfiguration
isArchived	Archiválva van az eszköz?	logikai
properties	Az eszköztulajdonság szótára.	ResourceBaseProperties
services	A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz.	JobBaseServices
tags	Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.	object
jobType	Az objektumtípus beállítása	AutoML Parancs Címkézés Folyamat Spark Takarítás (kötelező)

IdentityConfiguration

Név	Leírás	Érték
identityType	Az objektumtípus beállítása	AMLToken Felügyelt UserIdentity (kötelező)

AmlToken

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"AMLToken" (kötelező)

Felügyelt identitás

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"Felügyelt" (kötelező)
ügyfél-azonosító	Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.	sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Felhasználó által hozzárendelt identitást határoz meg objektumazonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.	sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.	sztring

Felhasználói azonosító

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"UserIdentity" (kötelező)

ResourceBaseProperties

Név	Leírás	Érték
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring

JobBaseServices

Név	Leírás	Érték
{customized property}		JobService
{customized property}		JobService

JobService

Név	Leírás	Érték
endpoint	Végpont URL-címe.	sztring
jobServiceType	Végpont típusa.	sztring
Csomópontok	Csomópontok, amelyeken a felhasználó el szeretné indítani a szolgáltatást. Ha a Csomópontok nincs beállítva vagy null értékűre van állítva, a szolgáltatás csak a vezető csomóponton indul el.	Csomópontok
port	A felhasználó által beállított végpont portja.	int
properties	A végponton beállítandó további tulajdonságok.	JobServiceProperties

Csomópontok

Név	Leírás	Érték
nodesValueType	Az objektum típusának beállítása	Minden (kötelező)

Minden csomópont

Név	Leírás	Érték
nodesValueType	[Kötelező] A Csomópontok érték típusa	"Minden" (kötelező)

JobServiceProperties

Név	Leírás	Érték
{customized property}		sztring

AutoMLJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"AutoML" (kötelező)
environmentId	A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az Éles autoML válogatott környezeti verzióra adja meg a feladat futtatásakor.	sztring
environmentVariables	A feladatban szereplő környezeti változók.	AutoMLJobEnvironmentVariables
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	AutoMLJobOutputs
resources	Számítási erőforrás konfigurációja a feladathoz.	JobResourceConfiguration
taskDetails	[Kötelező] Ez olyan forgatókönyvet jelöl, amely lehet a Tables/NLP/Image egyik része.	AutoMLVertical (kötelező)

AutoMLJobEnvironmentVariables

Név	Leírás	Érték
{customized property}		sztring

AutoMLJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

JobOutput

Név	Leírás	Érték
leírás	A kimenet leírása.	sztring
jobOutputType	Az objektum típusának beállítása	custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező)

CustomModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

MLFlowModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"mlflow_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

MLTableJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"mltable" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

TritonModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"triton_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

UriFileJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"uri_file" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

UriFolderJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"uri_folder" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

JobResourceConfiguration

Név	Leírás	Érték
dockerArgs	További argumentumok a Docker-futtatási parancsnak való továbbításhoz. Ez felülbírálná a rendszer által vagy ebben a szakaszban már beállított paramétereket. Ez a paraméter csak az Azure ML számítási típusok esetében támogatott.	sztring
instanceCount	A számítási cél által használt példányok vagy csomópontok opcionális száma.	int
instanceType	A számítási cél által támogatott virtuális gép választható típusa.	sztring
properties	További tulajdonságok táska.	ResourceConfigurationProperties
shmSize	A Docker-tároló megosztott memóriablokkjának mérete. Ennek (szám)(egység) formátumban kell lennie, ahol a szám 0-nál nagyobb, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt).	sztring Korlátok: Minta = \d+[bBkKmMgG]

ResourceConfigurationProperties

Név	Leírás	Érték
{customized property}		A Bicep esetében használhatja az any() függvényt.
{customized property}		A Bicep esetében használhatja az any() függvényt.

AutoMLVertical

Név	Leírás	Érték
logVerbosity	A feladat részletességének naplózása.	"Kritikus" Hibakeresés "Hiba" "Információ" "NotSet" "Figyelmeztetés"
targetColumnName	Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.	sztring
trainingData	[Kötelező] Betanítási adatbevitel.	MLTableJobInput (kötelező)
taskType	Az objektumtípus beállítása	Besorolás Előrejelzések ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresszió TextClassification TextClassificationMultilabel TextNER (kötelező)

MLTableJobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

Besorolás

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Besorolás" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	TableVerticalLimitSettings
nCrossValidations	A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
positiveLabel	Pozitív címke a bináris metrikák számításához.	sztring
primaryMetric	A tevékenység elsődleges metrikája.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	TableParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	ClassificationTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak.	sztring

TableVerticalFeaturizationSettings

Név	Leírás	Érték
blockedTransformers	Ezek a transzformátorok nem használhatók a featurizáláshoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: CatTargetEncoder "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Az oszlop nevének és típusának szótára (int, float, string, datetime stb.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Adatkészlet nyelve, amely hasznos a szöveges adatokhoz.	sztring
enableDnnFeaturization	Meghatározza, hogy dnn-alapú featurizálókat használjon-e az adatok featurizálásához.	logikai
mód	Featurization mód – A felhasználó megtarthatja az alapértelmezett "Automatikus" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizálási fázisban. Ha a "Ki" beállítás van kiválasztva, akkor a művelet nem végez el featurizációt. Ha az "Egyéni" beállítás van kiválasztva, a felhasználó további bemeneteket adhat meg a featurizálási folyamat testreszabásához.	"Automatikus" "Egyéni" "Ki"
transformerParams	A felhasználó megadhat további használandó transzformátorokat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint a transzformátor-konstruktor paramétereit.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Név	Leírás	Érték
{testreszabott tulajdonság}		sztring

TableVerticalFeaturizationSettingsTransformerParams

Név	Leírás	Érték
{testreszabott tulajdonság}		ColumnTransformer[]

ColumnTransformer

Név	Leírás	Érték
fields	A transzformátorlogika alkalmazásához használandó mezők.	sztring[]
parameters	A transzformátornak átadandó különböző tulajdonságok. A bemenet a kulcs-érték párok JSON formátumú szótára.	A Bicep esetében használhatja az any() függvényt.

TableFixedParameters

Név	Leírás	Érték
Hírverő	Adja meg a kiemelés típusát( pl. gbdt az XGBoost esetében).	sztring
boostingType	Adja meg a kiemelés típusát, például gbdt a LightGBM-hez.	sztring
growPolicy	Adja meg a növekedési szabályzatot, amely szabályozza, hogy az új csomópontok hogyan legyenek hozzáadva a fához.	sztring
learningRate	A képzési eljárás tanulási aránya.	int
maxBin	Adja meg a Különálló tárolók maximális számát a gyűjtő folyamatos funkcióihoz.	int
maxDepth	Adja meg a maximális mélységet a famélység explicit korlátozásához.	int
maxLeaves	Adja meg a maximális leveleket a falevelek explicit korlátozásához.	int
minDataInLeaf	Az adatok levélenkénti minimális száma.	int
minSplitGain	A fa egy levélcsomóponton történő további partíció létrehozásához minimális veszteségcsökkentés szükséges.	int
Modelname	A betanított modell neve.	sztring
nEstimatorok	Adja meg a modellekben található fák (vagy kerekítések) számát.	int
numLeaves	Adja meg a levelek számát.	int
preprocessorName	A használni kívánt előfeldolgozó neve.	sztring
regAlpha	L1 regicializálási kifejezés a súlyok.	int
regLambda	L2 regularization kifejezés a súlyok.	int
alminta	A betanítási példány részmintaaránya.	int
subsampleFreq	Az alminta gyakorisága.	int
treeMethod	Adja meg a fametódust.	sztring
withMean	Ha igaz, középre kell középre skálázni az adatokat a StandardScalar használatával.	logikai
withStd	Ha igaz, az adatok skálázása a StandardScalar egység varianciájával.	logikai

TableVerticalLimitSettings

Név	Leírás	Érték
enableEarlyTermination	A korai leállítás engedélyezése azt határozza meg, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nincs pontszám-javulás.	logikai
exitScore	Az AutoML-feladat kilépési pontszáma.	int
maxConcurrentTrials	Egyidejű iterációk maximális száma.	int
maxCoresPerTrial	Maximális magok iterációnként.	int
maxTrials	Iterációk száma.	int
sweepConcurrentTrials	A felhasználó által aktiválni kívánt egyidejű takarítási futtatások száma.	int
sweepTrials	A felhasználó által aktiválni kívánt takarítási futtatások száma.	int
timeout	AutoML-feladat időtúllépése.	sztring
trialTimeout	Iterációs időtúllépés.	sztring

NCrossValidations

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoNCrossValidations

Név	Leírás	Érték
mód	[Kötelező] Az N-Cross-ellenőrzések meghatározásának módja.	"Automatikus" (kötelező)

CustomNCrossValidations

Név	Leírás	Érték
mód	[Kötelező] Az N-Cross-ellenőrzések meghatározásának módja.	"Egyéni" (kötelező)
érték	[Kötelező] N-Cross validations érték.	int (kötelező)

TableParameterSubspace

Név	Leírás	Érték
Hírverő	Adja meg a kiemelés típusát( pl. gbdt az XGBoost esetében).	sztring
boostingType	Adja meg a kiemelés típusát, például gbdt a LightGBM-hez.	sztring
growPolicy	Adja meg a növekedési szabályzatot, amely szabályozza, hogy az új csomópontok hogyan legyenek hozzáadva a fához.	sztring
learningRate	A képzési eljárás tanulási aránya.	sztring
maxBin	Adja meg a Különálló intervallumok maximális számát a gyűjtő folyamatos funkcióihoz.	sztring
maxDepth	Adja meg a maximális mélységet a famélység explicit korlátozásához.	sztring
maxLeaves	Adja meg a maximális leveleket a falevelek explicit korlátozásához.	sztring
minDataInLeaf	Az adatok levélenkénti minimális száma.	sztring
minSplitGain	A fa egy levélcsomóponton történő további partíció létrehozásához minimális veszteségcsökkentés szükséges.	sztring
Modelname	A betanított modell neve.	sztring
nEstimators	Adja meg a modellekben lévő fák (vagy kerekítések) számát.	sztring
numLeaves	Adja meg a levelek számát.	sztring
preprocessorName	A használni kívánt előfeldolgozó neve.	sztring
regAlpha	L1 regularization kifejezés a súlyok.	sztring
regLambda	L2 regularization kifejezés a súlyok.	sztring
alminta	A betanítási példány részmintaaránya.	sztring
subsampleFreq	Az alminta gyakorisága	sztring
treeMethod	Adja meg a fametódust.	sztring
withMean	Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával.	sztring
withStd	Ha igaz, az adatok skálázása a StandardScalar egység varianciájával.	sztring

TableSweepSettings

Név	Leírás	Érték
earlyTermination	A takarítási feladat korai felmondási szabályzatának típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A mintavételezési algoritmus típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

EarlyTerminationPolicy

Név	Leírás	Érték
delayEvaluation	Azoknak az intervallumoknak a száma, amelyekkel késleltetni szeretné az első értékelést.	int
evaluationInterval	A szabályzatértékelések közötti időköz (futtatások száma).	int
policyType	Az objektum típusának beállítása	Bandit MedianStopping CsonkításSelection (kötelező)

BanditPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"Bandit" (kötelező)
slackAmount	A legjobban teljesítő futtatástól megengedett abszolút távolság.	int
slackFactor	Az engedélyezett távolság aránya a legjobban teljesítő futtatástól.	int

MedianStoppingPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"MedianStopping" (kötelező)

CsonkításSelectionPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"CsonkításSelection" (kötelező)
truncationPercentage	Az egyes kiértékelési időközökben megszakítandó futtatások százalékos aránya.	int

ClassificationTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A besorolási feladathoz engedélyezett modellek.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	A besorolási feladat blokkolt modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
enableDnnTraining	Engedélyezze a DNN-modellek javaslatát.	logikai
enableModelExplainability	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	A stack együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack együttes futtatásához.	StackEnsembleSettings

StackEnsembleSettings

Név	Leírás	Érték
stackMetaLearnerKWargs	Nem kötelező paraméterek a metatanuló inicializálójának való átadáshoz.	A Bicep esetében használhatja az any() függvényt.
stackMetaLearnerTrainPercentage	Megadja a betanítási készlet (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához lefoglalandó arányát. Az alapértelmezett érték 0,2.	int
stackMetaLearnerType	A metatanuló az egyes heterogén modellek kimenetére betanított modell.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs"

Előrejelzések

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Előrejelzés" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
forecastingSettings	Tevékenységspecifikus bemenetek előrejelzése.	Előrejelzésbeállítások
limitSettings	Az AutoMLJob végrehajtási kényszerei.	TableVerticalLimitSettings
nCrossValidations	A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
primaryMetric	Elsődleges metrika az előrejelzési tevékenységhez.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	TableParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	ElőrejelzésTanúsítási beállítások
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak.	sztring

Előrejelzésbeállítások

Név	Leírás	Érték
countryOrRegionForHolidays	Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB".	sztring
cvStepSize	Az egyik CV-hajtás forrásideje és a következő hajtás közötti időszakok száma. A következőhöz: például, ha CVStepSize a napi adatok = 3, akkor az egyes hajtások forrásideje három nap választja el egymástól.	int
featureLags	Az "automatikus" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző.	"Automatikus" "Nincs"
forecastHorizon	A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben.	Előrejelzéshorizon
frequency	Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánja, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága.	sztring
Szezonalitás	Állítsa be az idősor szezonalitását a sorozat gyakoriságának egész számának többszöröseként. Ha a szezonalitás "automatikus" értékre van állítva, a rendszer levonja a következtetést.	Szezonalitás
shortSeriesHandlingConfig	A paraméter határozza meg, hogy az AutoML hogyan kezelje a rövid idősorokat.	"Automatikus" "Elvetés" "Nincs" "Pad"
targetAggregateFunction	Az idősor céloszlopának összesítéséhez használandó függvény, hogy megfeleljen a felhasználó által megadott gyakoriságnak. Ha a TargetAggregateFunction be van állítva, azaz nem "Nincs", de a freq paraméter nincs beállítva, a hiba jelentkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean".	"Max" "Középérték" "Min" "Nincs" "Összeg"
targetLags	A céloszloptól eltúlzott időszakok száma.	TargetLags
targetRollingWindowSize	A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma.	TargetRollingWindowSize
timeColumnName	Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának következtetéséhez használt bemeneti adatok datetime oszlopának megadásához.	sztring
timeSeriesIdColumnNames	Az idősorok csoportosításához használt oszlopok nevei. Több adatsor létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak feltételezi a rendszer. Ezt a paramétert a rendszer feladattípus-előrejelzéssel használja.	sztring[]
useStl	Konfigurálja az idősor céloszlopának STL-felbontását.	"Nincs" "Szezon" "SeasonTrend"

Előrejelzéshorizon

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoForecastHorizon

Név	Leírás	Érték
mód	[Kötelező] Az előrejelzési horizont értékválasztási módjának beállítása.	"Automatikus" (kötelező)

CustomForecastHorizon

Név	Leírás	Érték
mód	[Kötelező] Az előrejelzési horizont értékválasztási módjának beállítása.	"Egyéni" (kötelező)
érték	[Kötelező] Előrejelzési horizont értéke.	int (kötelező)

Szezonalitás

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoSzeasonalitás

Név	Leírás	Érték
mód	[Kötelező] Szezonalitás mód.	"Automatikus" (kötelező)

CustomSeasonality

Név	Leírás	Érték
mód	[Kötelező] Szezonalitás mód.	"Egyéni" (kötelező)
érték	[Kötelező] Szezonalitás értéke.	int (kötelező)

TargetLags

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoTargetLags

Név	Leírás	Érték
mód	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni	"Automatikus" (kötelező)

CustomTargetLags

Név	Leírás	Érték
mód	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni	"Egyéni" (kötelező)
values	[Kötelező] Állítsa be a cél késési értékeit.	int[] (kötelező)

TargetRollingWindowSize

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoTargetRollingWindowSize

Név	Leírás	Érték
mód	[Kötelező] TargetRollingWindowSiz észlelési mód.	"Automatikus" (kötelező)

CustomTargetRollingWindowSize

Név	Leírás	Érték
mód	[Kötelező] TargetRollingWindowSiz észlelési mód.	"Egyéni" (kötelező)
érték	[Kötelező] TargetRollingWindowSize érték.	int (kötelező)

ForecastingTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A tevékenységek előrejelzéséhez engedélyezett modellek.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms	Letiltott modellek az előrejelzési feladathoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining	Engedélyezze a DNN-modellek javaslatát.	logikai
enableModelExplainability	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	A stack együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack együttes futtatásához.	StackEnsembleSettings

ImageClassification

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageClassification" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsClassification
primaryMetric	A feladathoz optimalizálandó elsődleges metrika.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageLimitSettings

Név	Leírás	Érték
maxConcurrentTrials	Egyidejű AutoML-iterációk maximális száma.	int
maxTrials	AutoML-iterációk maximális száma.	int
timeout	AutoML-feladat időtúllépése.	sztring

ImageModelSettingsClassification

Név	Leírás	Érték
advancedSettings	Speciális forgatókönyvek beállításai.	sztring
amsGradient	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".	logikai
bővítés	A bővítések használatának beállításai.	sztring
béta1	A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
béta2	A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
checkpointFrequency	A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.	int
checkpointModel	Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.	MLFlowModelJobInput
checkpointRunId	Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.	sztring
Elosztott	Elosztott betanítás használata.	logikai
earlyStopping	Korai leállítási logika engedélyezése a betanítás során.	logikai
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie.	int
earlyStoppingPatience	Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	int
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	logikai
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	int
gradientAccumulationStep	A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	int
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.	"Nincs" "Lépés" "WarmupCosine"
Modelname	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	logikai
numberOfEpochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	int
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	int
Optimalizáló	Az optimalizáló típusa.	"Ádám" 'Adamw' "Nincs" 'Sgd'
randomSeed	Determinisztikus betanításhoz használandó véletlenszerű mag.	int
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	int
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	int
trainingCropSize	Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie.	int
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	int
validationCropSize	Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	int
validationResizeSize	Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.	int
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	int
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
weightedLoss	Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet.	int

MLFlowModelJobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" 'literál' "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Név	Leírás	Érték
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	sztring
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
Elosztott	Az elosztott betanítás használata.	sztring
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.	sztring
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie.	sztring
earlyStoppingPatience	Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	sztring
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	sztring
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie.	sztring
gradientAccumulationStep	A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	sztring
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
learningRateScheduler	A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet.	sztring
Modelname	A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	sztring
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.	sztring
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	sztring
Optimalizáló	Az optimalizáló típusa. Vagy "sgd", "adam", vagy "adamw" kell lennie.	sztring
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű mag.	sztring
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	sztring
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	sztring
trainingCropSize	A kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	sztring
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationCropSize	Kép körülvágási mérete, amely az érvényesítési adatkészlet neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	sztring
validationResizeSize	Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.	sztring
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
warmupCosineLRWarmupEpochs	A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	sztring
weightDecay	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1].	sztring
súlyozottlosok	Súlyozott veszteség. Az elfogadott értékek a súlyozott veszteség nélküli 0 értékek. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie.	sztring

ImageSweepSettings

Név	Leírás	Érték
earlyTermination	A korai felmondási szabályzat típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A hiperparaméteres mintavételezési algoritmusok típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

ImageClassificationMultilabel

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageClassificationMultilabel" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsClassification
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageInstanceSegmentation

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageInstanceSegmentation" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsObjectDetection
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"MeanAveragePrecision"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageModelSettingsObjectDetection

Név	Leírás	Érték
advancedSettings	Speciális forgatókönyvek beállításai.	sztring
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	logikai
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
boxDetectionsPerImage	Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
boxScoreThreshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegőpontosnak kell lennie a tartományban[0, 1].	int
checkpointFrequency	Modell ellenőrzőpontok tárolásának gyakorisága. Pozitív egész számnak kell lennie.	int
checkpointModel	Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.	MLFlowModelJobInput
checkpointRunId	Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.	sztring
Elosztott	Elosztott betanítás használata.	logikai
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.	logikai
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie.	int
earlyStoppingPatience	Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	int
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	logikai
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie.	int
gradientAccumulationStep	A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	int
imageSize	Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	int
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
learningRateScheduler	A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet.	"Nincs" "Lépés" "WarmupCosine"
maxSize	Az újraskálázandó kép maximális mérete, mielőtt betáplálta volna a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
minSize	Az újraskálázandó kép minimális mérete, mielőtt betáplálnák a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
Modelname	A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
modelSize	Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy", vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	"ExtraLarge" "Nagy" "Közepes" "Nincs" "Kicsi"
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
több skálázás	Több léptékű kép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	logikai
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	logikai
nmsIouThreshold	Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.	int
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	int
Optimalizáló	Az optimalizáló típusa.	"Ádám" "Adamw" "Nincs" 'Sgd'
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű mag.	int
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	int
tileGridSize	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tileOverlapRatio	Átfedési arány a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
tilePredictionsNmsThreshold	Az NMS végrehajtásához használandó IOU-küszöbérték a csempék és a rendszerképek előrejelzéseinek egyesítése során. Ellenőrzéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	int
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	int
validationIouThreshold	Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	int
validationMetricType	Az érvényesítési metrikákhoz használandó metrikaszámítási módszer.	"Coco" "CocoVoc" "Nincs" "Voc"
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	int
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int

ImageModelDistributionSettingsObjectDetection

Név	Leírás	Érték
amsGradient	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".	sztring
bővítés	A bővítések használatának beállításai.	sztring
béta1	A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
béta2	A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
boxDetectionsPerImage	Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
boxScoreThreshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
Elosztott	Az elosztott betanítás használata.	sztring
earlyStopping	Korai leállítási logika engedélyezése a betanítás során.	sztring
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie.	sztring
earlyStoppingPatience	Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	sztring
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	sztring
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	sztring
gradientAccumulationStep	A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	sztring
imageSize	Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
learningRateScheduler	A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet.	sztring
maxSize	Az újraskálázandó kép maximális mérete, mielőtt betáplálta volna a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
minSize	Az újraskálázandó kép minimális mérete, mielőtt betáplálnák a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
Modelname	A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
modelSize	Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy", vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
több skálázás	Több léptékű kép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	sztring
nmsIouThreshold	Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	sztring
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.	sztring
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	sztring
Optimalizáló	Az optimalizáló típusa. Vagy "sgd", "adam", vagy "adamw" kell lennie.	sztring
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű mag.	sztring
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	sztring
tileGridSize	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tileOverlapRatio	Átfedési arány a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tilePredictionsNmsThreshold	Az NMS végrehajtásához használandó IOU-küszöbérték a csempék és a rendszerképek előrejelzéseinek egyesítése során. Ellenőrzéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális letiltás	sztring
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationIouThreshold	Az ellenőrzési metrikák számításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	sztring
validationMetricType	Az érvényesítési metrikákhoz használható metrikaszámítási módszer. A "nincs", a "coco", a "voc" vagy a "coco_voc" kell lennie.	sztring
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
warmupCosineLRWarmupEpochs	A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	sztring
weightDecay	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1].	sztring

ImageObjectDetection

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	'ImageObjectDetection' (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsObjectDetection
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"MeanAveragePrecision"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

Regresszió

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Regresszió" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	TableVerticalLimitSettings
nCrossValidations	A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
primaryMetric	A regressziós feladat elsődleges metrikája.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	TableParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	RegresszióTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak.	sztring

RegresszióTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A regressziós feladat engedélyezett modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor"
blockedTrainingAlgorithms	A regressziós feladat blokkolt modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor"
enableDnnTraining	DNN-modellek ajánlásának engedélyezése.	logikai
enableModelExplainability	Jelző a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az Onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	Stack-együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack-együttes futtatásához.	StackEnsembleSettings

TextClassification

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextClassification" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	NlpVerticalLimitSettings
primaryMetric	Elsődleges metrika Text-Classification tevékenységhez.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	NlpParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

NlpVerticalFeaturizationSettings

Név	Leírás	Érték
datasetLanguage	Adatkészlet nyelve, amely hasznos a szöveges adatokhoz.	sztring

NlpFixedParameters

Név	Leírás	Érték
gradientAccumulationSteps	A visszalépés futtatása előtt a színátmenetek halmozásának lépéseinek száma.	int
learningRate	A képzési eljárás tanulási sebessége.	int
learningRateScheduler	A betanítási eljárás során használandó tanulási sebesség ütemezésének típusa.	"Állandó" "ConstantWithWarmup" "Koszinusz" "CosineWithRestarts" "Lineáris" "Nincs" "Polinomiális"
Modelname	A betanított modell neve.	sztring
numberOfEpochs	A betanítási alapidőszakok száma.	int
trainingBatchSize	A betanítási eljárás kötegmérete.	int
validationBatchSize	A kiértékelés során használandó kötegméret.	int
warmupRatio	Az LrSchedulerType mellett használt bemelegítési arány.	int
weightDecay	A betanítási eljárás súlyromlása.	int

NlpVerticalLimitSettings

Név	Leírás	Érték
maxConcurrentTrials	Egyidejű AutoML-iterációk maximális száma.	int
maxNodes	A betanításhoz használható csomópontok maximális száma egyetlen próbaverzióban. A többcsomópontos elosztott betanítást szabályozza.	int
maxTrials	AutoML-iterációk száma.	int
timeout	AutoML-feladat időtúllépése.	sztring
trialTimeout	Időtúllépés az egyes HD-próbaverziókhoz.	sztring

NlpParameterSubspace

Név	Leírás	Érték
gradientAccumulationSteps	A visszalépés futtatása előtt a színátmenetek halmozásának lépéseinek száma.	sztring
learningRate	A képzési eljárás tanulási sebessége.	sztring
learningRateScheduler	A betanítási eljárás során használandó tanulási sebesség ütemezésének típusa.	sztring
Modelname	A betanított modell neve.	sztring
numberOfEpochs	A betanítási alapidőszakok száma.	sztring
trainingBatchSize	A betanítási eljárás kötegmérete.	sztring
validationBatchSize	A kiértékelés során használandó kötegméret.	sztring
warmupRatio	Az LrSchedulerType mellett használt bemelegítési arány.	sztring
weightDecay	A betanítási eljárás súlyromlása.	sztring

NlpSweepSettings

Név	Leírás	Érték
earlyTermination	A takarítási feladat korai felmondási szabályzatának típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A mintavételezési algoritmus típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

TextClassificationMultilabel

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextClassificationMultilabel" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	NlpVerticalLimitSettings
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	NlpParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

TextNer

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextNER" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	NlpVerticalLimitSettings
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	NlpParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

CommandJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Parancs" (kötelező)
autologgerSettings	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	AutologgerSettings
codeId	A kódeszköz ARM-erőforrás-azonosítója.	sztring
command	[Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py"	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]
Eloszlás	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	DistributionConfiguration
environmentId	[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
environmentVariables	A feladatban szereplő környezeti változók.	CommandJobEnvironmentVariables
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	CommandJobInputs
Határok	Parancsfeladat korlátja.	CommandJobLimits
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	CommandJobOutputs
resources	Számítási erőforrás konfigurálása a feladathoz.	JobResourceConfiguration

AutologgerSettings

Név	Leírás	Érték
mlflowAutologger	[Kötelező] Azt jelzi, hogy az mlflow autologger engedélyezve van-e.	"Letiltva" "Engedélyezve" (kötelező)

DistributionConfiguration

Név	Leírás	Érték
distributionType	Az objektumtípus beállítása	Mpi PyTorch TensorFlow (kötelező)

Mpi

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"Mpi" (kötelező)
processCountPerInstance	Folyamatok száma MPI-csomópontonként.	int

PyTorch

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"PyTorch" (kötelező)
processCountPerInstance	Folyamatok száma csomópontonként.	int

TensorFlow

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"TensorFlow" (kötelező)
parameterServerCount	Paraméterkiszolgálói feladatok száma.	int
workerCount	Feldolgozók száma. Ha nincs megadva, az alapértelmezés szerint a példányszám lesz.	int

CommandJobEnvironmentVariables

Név	Leírás	Érték
{testreszabott tulajdonság}		sztring

CommandJobInputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobInput

JobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	Az objektumtípus beállítása	custom_model Szó mlflow_model mltable triton_model uri_file uri_folder (kötelező)

CustomModelJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

LiteralJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"literál" (kötelező)
érték	[Kötelező] A bemenet literális értéke.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

TritonModelJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"triton_model" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

UriFileJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"uri_file" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

UriFolderJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

CommandJobLimits

Név	Leírás	Érték
jobLimitsType	[Kötelező] JobLimit típus.	"Parancs" "Takarítás" (kötelező)
timeout	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc.	sztring

CommandJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

LabelingJobProperties

Név	Leírás	Érték
componentId	Az összetevő-erőforrás ARM-erőforrás-azonosítója.	sztring
computeId	A számítási erőforrás ARM-erőforrás-azonosítója.	sztring
dataConfiguration	A feladatban használt adatok konfigurálása.	LabelingDataConfiguration
leírás	Az eszköz leírásának szövege.	sztring
displayName	A feladat nevének megjelenítése.	sztring
experimentName	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.	sztring
identity	Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.	IdentityConfiguration
isArchived	Archiválva van az eszköz?	logikai
jobInstructions	A feladat címkézési utasításai.	LabelingJobInstructions
jobType	[Kötelező] Meghatározza a feladat típusát.	"AutoML" "Parancs" "Címkézés" "Folyamat" "Spark" "Takarítás" (kötelező)
labelCategories	A feladat címkéinek kategóriái.	LabelingJobLabelCategories
labelingJobMediaProperties	Médiatípus-specifikus tulajdonságok a feladatban.	LabelingJobMediaProperties
mlAssistConfiguration	Az MLAssist szolgáltatás konfigurálása a feladatban.	MLAssistConfiguration
properties	Az eszköztulajdonság szótára.	ResourceBaseProperties
services	A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz.	JobBaseServices
tags	Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.	object

LabelingDataConfiguration

Név	Leírás	Érték
dataId	Az adategység erőforrás-azonosítója a címkézés végrehajtásához.	sztring
incrementalDataRefreshEnabled	Azt jelzi, hogy engedélyezi-e a növekményes adatfrissítést.	logikai

LabelingJobInstructions

Név	Leírás	Érték
Uri	A címkézőkre vonatkozó részletes címkézési utasításokat tartalmazó lapra mutató hivatkozás.	sztring

LabelingJobLabelCategories

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelCategory
{testreszabott tulajdonság}		LabelCategory

LabelCategory

Név	Leírás	Érték
Osztályok	A kategória címkeosztályainak szótára.	LabelCategoryClasses
displayName	A címkekategória megjelenítendő neve.	sztring
multiSelectEnabled	Azt jelzi, hogy engedélyezve van-e több osztály kijelölése ebben a kategóriában.	logikai

LabelCategoryClasses

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelClass

LabelClass

Név	Leírás	Érték
displayName	A címkeosztály megjelenítendő neve.	sztring
Alosztályok	A címkeosztály alosztályainak szótára.	LabelClassSubclasses

LabelClassSubclasses

Név	Leírás	Érték
{customized property}		LabelClass

LabelingJobMediaProperties

Név	Leírás	Érték
mediaType	Az objektum típusának beállítása	Kép Szöveg (kötelező)

LabelingJobImageProperties

Név	Leírás	Érték
mediaType	[Kötelező] A feladat médiatípusa.	"Kép" (kötelező)
annotationType	A képcímkézési feladat jegyzettípusa.	"Határolókeret" "Besorolás" "InstanceSegmentation"

LabelingJobTextProperties

Név	Leírás	Érték
mediaType	[Kötelező] A feladat médiatípusa.	"Szöveg" (kötelező)
annotationType	A szövegcímkézési feladat jegyzettípusa.	"Besorolás" "NamedEntityRecognition"

MLAssistConfiguration

Név	Leírás	Érték
mlAssist	Az objektum típusának beállítása	Disabled Engedélyezve (kötelező)

MLAssistConfigurationDisabled

Név	Leírás	Érték
mlAssist	[Kötelező] Azt jelzi, hogy az MLAssist funkció engedélyezve van-e.	"Letiltva" (kötelező)

MLAssistConfigurationEnabled

Név	Leírás	Érték
mlAssist	[Kötelező] Azt jelzi, hogy az MLAssist funkció engedélyezve van-e.	"Engedélyezve" (kötelező)
inferencingComputeBinding	[Kötelező] AML számítási kötés, amelyet a következtetéshez használnak.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
trainingComputeBinding	[Kötelező] A betanításhoz használt AML számítási kötés.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

PipelineJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Folyamat" (kötelező)
Bemenetek	A folyamatfeladat bemenetei.	PipelineJobInputs
Munkahelyek	A feladatok létrehoznak egy folyamatfeladatot.	PipelineJobJobs
Kimenetek	A folyamatfeladat kimenetei	PipelineJobOutputs
beállítások	Folyamatbeállítások, például ContinueRunOnStepFailure stb.	A Bicep esetében használhatja az any() függvényt.
sourceJobId	A forrásfeladat ARM-erőforrás-azonosítója.	sztring

PipelineJobInputs

Név	Leírás	Érték
{customized property}		JobInput

PipelineJobJobs

Név	Leírás	Érték
{customized property}		A Bicep esetében használhatja az any() függvényt.

PipelineJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

SparkJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Spark" (kötelező)
Archívum	Archiválja a feladatban használt fájlokat.	sztring[]
args	A feladat argumentumai.	sztring
codeId	[Kötelező] A kódeszköz ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
Conf	Spark-konfigurált tulajdonságok.	SparkJobConf
Bejegyzés	[Kötelező] A feladat indításakor végrehajtandó bejegyzés.	SparkJobEntry (kötelező)
environmentId	A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring
fájlok	A feladatban használt fájlok.	sztring[]
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	SparkJobInputs
Tégelyek	A feladatban használt Jar-fájlok.	sztring[]
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	SparkJobOutputs
pyFiles	A feladatban használt Python-fájlok.	sztring[]
resources	Számítási erőforrás konfigurálása a feladathoz.	SparkResourceConfiguration

SparkJobConf

Név	Leírás	Érték
{testreszabott tulajdonság}		sztring

SparkJobEntry

Név	Leírás	Érték
sparkJobEntryType	Az objektumtípus beállítása	SparkJobPythonEntry SparkJobScalaEntry (kötelező)

SparkJobPythonEntry

Név	Leírás	Érték
sparkJobEntryType	[Kötelező] A feladat belépési pontjának típusa.	"SparkJobPythonEntry" (kötelező)
file	[Kötelező] A feladat belépési pontjának relatív Python-fájlútvonala.	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]

SparkJobScalaEntry

Név	Leírás	Érték
sparkJobEntryType	[Kötelező] A feladat belépési pontjának típusa.	"SparkJobScalaEntry" (kötelező)
Osztálynév	[Kötelező] Belépési pontként használt Scala-osztálynév.	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]

SparkJobInputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobInput

SparkJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

SparkResourceConfiguration

Név	Leírás	Érték
instanceType	A számítási cél által támogatott virtuális gép választható típusa.	sztring
runtimeVersion	A feladathoz használt Spark-futtatókörnyezet verziója.	sztring

Takarítási feladat

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Takarítás" (kötelező)
earlyTermination	A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének	EarlyTerminationPolicy
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	SweepJobInputs
Határok	Takarítási feladat korlátja.	SweepJobLimits
Célkitűzés	[Kötelező] Optimalizálási cél.	Célkitűzés (kötelező)
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	SweepJobOutputs
samplingAlgorithm	[Kötelező] A hiperparaméter-mintavételezési algoritmus	SamplingAlgorithm (kötelező)
searchSpace	[Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve	A Bicep esetében használhatja az any() függvényt. (kötelező)
trial	[Kötelező] Próbaverziós összetevő definíciója.	TrialComponent (kötelező)

SweepJobInputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobInput

SweepJobLimits

Név	Leírás	Érték
jobLimitsType	[Kötelező] JobLimit típus.	"Parancs" "Takarítás" (kötelező)
maxConcurrentTrials	Takarítási feladat – egyidejű próbaverziók maximális kihasználása.	int
maxTotalTrials	Takarítási feladat maximális teljes próbaidőszaka.	int
timeout	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc.	sztring
trialTimeout	Takarítási feladat próbaverziója időtúllépési értéke.	sztring

Cél

Név	Leírás	Érték
goal	[Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg	"Teljes méret" "Kis méret" (kötelező)
primaryMetric	[Kötelező] Az optimalizálni kívánt metrika neve.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

SweepJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

SamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	Az objektumtípus beállítása	Bayes Rács Véletlenszerű (kötelező)

BayesianSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Bayesian" (kötelező)

GridSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Rács" (kötelező)

RandomSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Véletlenszerű" (kötelező)
Szabály	A véletlenszerű algoritmus adott típusa	"Véletlenszerű" "Sobol"
Vetőmag	Nem kötelező egész szám, amelyet a véletlenszerű számlétrehozás magjaként használhat	int

TrialComponent

Név	Leírás	Érték
codeId	A kódeszköz ARM-erőforrás-azonosítója.	sztring
command	[Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py"	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]
Eloszlás	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	DistributionConfiguration
environmentId	[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
environmentVariables	A feladatban szereplő környezeti változók.	TrialComponentEnvironmentVariables
resources	Számítási erőforrás konfigurálása a feladathoz.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Név	Leírás	Érték
{testreszabott tulajdonság}		sztring

Gyorssablonok

Az alábbi rövid útmutatósablonok ezt az erőforrástípust helyezik üzembe.

Sablon	Description
Azure Machine Learning AutoML-besorolási feladat létrehozása	Ez a sablon létrehoz egy Azure Machine Learning AutoML-besorolási feladatot annak előrejelzéséhez, hogy az ügyfél előfizet-e egy pénzügyi intézménnyel kötött lekötött betétre.
Azure Machine Learning-parancsfeladat létrehozása	Ez a sablon létrehoz egy Azure Machine Learning Command-feladatot egy alapszintű hello_world szkripttel
Azure Machine Learning Sweep-feladat létrehozása	Ez a sablon létrehoz egy Azure Machine Learning Sweep-feladatot a hiperparaméterek finomhangolásához.

ARM-sablon erőforrásdefiníciója

A munkaterületek/feladatok erőforrástípusa üzembe helyezhető olyan műveletekkel, amelyek a következőket célják:

• Erőforráscsoportok – Lásd : erőforráscsoport üzembehelyezési parancsai

Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplóban találja.

Erőforrás formátuma

Microsoft.MachineLearningServices/workspaces/jobs erőforrás létrehozásához adja hozzá a következő JSON-t a sablonhoz.

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2022-10-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "properties": {
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      },
      "{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",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string",
      "{customized property}": "string"
    },
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

JobBaseProperties objektumok

Állítsa be a jobType tulajdonságot az objektum típusának megadásához.

AutoML esetén használja a következőt:

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

A parancshoz használja a következőt:

  "jobType": "Command",
  "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
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  }

Címkézéshez használja a következőt:

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

A Pipeline esetében használja a következőt:

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

Spark esetén használja a következőt:

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

Takarításhoz használja a következőt:

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

IdentityConfiguration-objektumok

Állítsa be az identityType tulajdonságot az objektum típusának megadásához.

Az AMLToken esetében használja a következőt:

  "identityType": "AMLToken"

Felügyelt esetén használja a következőt:

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

A UserIdentity esetében használja a következőt:

  "identityType": "UserIdentity"

Csomópontok objektumai

Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.

Mindenki esetében használja a következőt:

  "nodesValueType": "All"

JobOutput-objektumok

Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.

A custom_model használja a következőt:

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

A mlflow_model a következőt használja:

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

Mltable esetén használja a következőt:

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

A triton_model a következőt használja:

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

A uri_file a következőt használja:

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

A uri_folder a következőt használja:

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

AutoMLVertical objektumok

Állítsa be a taskType tulajdonságot az objektum típusának megadásához.

Besoroláshoz használja a következőt:

  "taskType": "Classification",
  "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",
    "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"
  },
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Előrejelzéshez használja a következőt:

  "taskType": "Forecasting",
  "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",
    "forecastHorizon": {
      "mode": "string"
      // For remaining properties, see ForecastHorizon objects
    },
    "frequency": "string",
    "seasonality": {
      "mode": "string"
      // For remaining properties, see Seasonality objects
    },
    "shortSeriesHandlingConfig": "string",
    "targetAggregateFunction": "string",
    "targetLags": {
      "mode": "string"
      // For remaining properties, see TargetLags objects
    },
    "targetRollingWindowSize": {
      "mode": "string"
      // For remaining properties, see TargetRollingWindowSize objects
    },
    "timeColumnName": "string",
    "timeSeriesIdColumnNames": [ "string" ],
    "useStl": "string"
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "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"
  },
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

ImageClassification esetén használja a következőt:

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

ImageClassificationMultilabel esetén használja a következőt:

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

Az ImageInstanceSegmentation esetében használja a következőt:

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

Az ImageObjectDetection esetében használja a következőt:

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

Regresszió esetén használja a következőt:

  "taskType": "Regression",
  "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",
    "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"
  },
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

TextClassification esetén használja a következőt:

  "taskType": "TextClassification",
  "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"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

A TextClassificationMultilabel elemhez használja a következőt:

  "taskType": "TextClassificationMultilabel",
  "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"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

TextNER esetén használja a következőt:

  "taskType": "TextNER",
  "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"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

NCrossValidations objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  "mode": "Auto"

Egyéni beállítás esetén használja a következőt:

  "mode": "Custom",
  "value": "int"

EarlyTerminationPolicy objektumok

Állítsa be a policyType tulajdonságot az objektum típusának megadásához.

Bandit esetén használja a következőt:

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

MediánStopping esetén használja a következőt:

  "policyType": "MedianStopping"

A CsonkolásSelection esetében használja a következőt:

  "policyType": "TruncationSelection",
  "truncationPercentage": "int"

ForecastHorizon-objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  "mode": "Auto"

Egyéni beállítás esetén használja a következőt:

  "mode": "Custom",
  "value": "int"

Szezonalitási objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  "mode": "Auto"

Egyéni beállítás esetén használja a következőt:

  "mode": "Custom",
  "value": "int"

TargetLags-objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  "mode": "Auto"

Egyéni beállítás esetén használja a következőt:

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

TargetRollingWindowSize objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  "mode": "Auto"

Egyéni beállítás esetén használja a következőt:

  "mode": "Custom",
  "value": "int"

DistributionConfiguration-objektumok

Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.

Mpi esetén használja a következőt:

  "distributionType": "Mpi",
  "processCountPerInstance": "int"

PyTorch esetén használja a következőt:

  "distributionType": "PyTorch",
  "processCountPerInstance": "int"

A TensorFlow esetében használja a következőt:

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

JobInput-objektumok

Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.

A custom_model használja a következőt:

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

A literálhoz használja a következőt:

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

A mlflow_model a következőt használja:

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

Mltable esetén használja a következőt:

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

A triton_model a következőt használja:

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

A uri_file a következőt használja:

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

A uri_folder a következőt használja:

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

LabelingJobMediaProperties objektumok

Állítsa be a mediaType tulajdonságot az objektum típusának megadásához.

Kép esetén használja a következőt:

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

Szöveg esetén használja a következőt:

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

MLAssistConfiguration objektumok

Állítsa be az mlAssist tulajdonságot az objektum típusának megadásához.

Letiltva esetén használja a következőt:

  "mlAssist": "Disabled"

Az Engedélyezve esetén használja a következőt:

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

SparkJobEntry-objektumok

Állítsa be a sparkJobEntryType tulajdonságot az objektum típusának megadásához.

SparkJobPythonEntry esetén használja a következőt:

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

SparkJobScalaEntry esetén használja a következőt:

  "sparkJobEntryType": "SparkJobScalaEntry",
  "className": "string"

SamplingAlgorithm objektumok

Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.

Bayesian esetén használja a következőt:

  "samplingAlgorithmType": "Bayesian"

A Grid esetében használja a következőt:

  "samplingAlgorithmType": "Grid"

Véletlenszerű esetén használja a következőt:

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

Tulajdonságértékek

munkaterületek/feladatok

Név	Leírás	Érték
típus	Az erőforrás típusa	"Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion	Az erőforrás API-verziója	"2022-10-01-preview"
name	Az erőforrás neve Megtudhatja, hogyan állíthatja be a gyermekerőforrások nevét és típusát A JSON ARM-sablonokban.	sztring (kötelező)
properties	[Kötelező] Az entitás további attribútumai.	JobBaseProperties (kötelező)

JobBaseProperties

Név	Leírás	Érték
componentId	Az összetevő-erőforrás ARM-erőforrás-azonosítója.	sztring
computeId	A számítási erőforrás ARM-erőforrás-azonosítója.	sztring
leírás	Az objektum leírásának szövege.	sztring
displayName	A feladat megjelenített neve.	sztring
experimentName	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.	sztring
identity	Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, ManagedIdentity, UserIdentity vagy null értéknek kell lennie. Az alapértelmezett érték az AmlToken, ha null.	IdentityConfiguration
isArchived	Archiválva van az eszköz?	logikai
properties	Az eszköztulajdonság szótára.	ResourceBaseProperties
services	A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz.	JobBaseServices
tags	Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.	object
jobType	Az objektum típusának beállítása	AutoML Parancs Címkézés Folyamat Spark Takarítás (kötelező)

IdentityConfiguration

Név	Leírás	Érték
identityType	Az objektum típusának beállítása	AMLToken Felügyelt UserIdentity (kötelező)

AmlToken

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"AMLToken" (kötelező)

Felügyelt identitás

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"Felügyelt" (kötelező)
ügyfél-azonosító	Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.	sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Felhasználó által hozzárendelt identitást határoz meg objektumazonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.	sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.	sztring

Felhasználói azonosító

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"UserIdentity" (kötelező)

ResourceBaseProperties

Név	Leírás	Érték
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring
{customized property}		sztring

JobBaseServices

Név	Leírás	Érték
{customized property}		JobService
{customized property}		JobService

JobService

Név	Leírás	Érték
endpoint	Végpont URL-címe.	sztring
jobServiceType	Végpont típusa.	sztring
Csomópontok	Csomópontok, amelyeken a felhasználó el szeretné indítani a szolgáltatást. Ha a Csomópontok nincs beállítva vagy null értékűre van állítva, a szolgáltatás csak a vezető csomóponton indul el.	Csomópontok
port	A felhasználó által beállított végpont portja.	int
properties	A végponton beállítandó további tulajdonságok.	JobServiceProperties

Csomópontok

Név	Leírás	Érték
nodesValueType	Az objektum típusának beállítása	Minden (kötelező)

Minden csomópont

Név	Leírás	Érték
nodesValueType	[Kötelező] A Csomópontok érték típusa	"Minden" (kötelező)

JobServiceProperties

Név	Leírás	Érték
{customized property}		sztring

AutoMLJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"AutoML" (kötelező)
environmentId	A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az Éles autoML válogatott környezeti verzióra adja meg a feladat futtatásakor.	sztring
environmentVariables	A feladatban szereplő környezeti változók.	AutoMLJobEnvironmentVariables
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	AutoMLJobOutputs
resources	Számítási erőforrás konfigurációja a feladathoz.	JobResourceConfiguration
taskDetails	[Kötelező] Ez olyan forgatókönyvet jelöl, amely lehet a Tables/NLP/Image egyik része.	AutoMLVertical (kötelező)

AutoMLJobEnvironmentVariables

Név	Leírás	Érték
{customized property}		sztring

AutoMLJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

JobOutput

Név	Leírás	Érték
leírás	A kimenet leírása.	sztring
jobOutputType	Az objektum típusának beállítása	custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező)

CustomModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

MLFlowModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"mlflow_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

MLTableJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"mltable" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

TritonModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"triton_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

UriFileJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"uri_file" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

UriFolderJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"uri_folder" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

JobResourceConfiguration

Név	Leírás	Érték
dockerArgs	További argumentumok a Docker-futtatási parancsnak való továbbításhoz. Ez felülbírálná a rendszer által vagy ebben a szakaszban már beállított paramétereket. Ez a paraméter csak az Azure ML számítási típusok esetében támogatott.	sztring
instanceCount	A számítási cél által használt példányok vagy csomópontok opcionális száma.	int
instanceType	A számítási cél által támogatott virtuális gép választható típusa.	sztring
properties	További tulajdonságok táska.	ResourceConfigurationProperties
shmSize	A Docker-tároló megosztott memóriablokkjának mérete. Ennek (szám)(egység) formátumban kell lennie, ahol a szám 0-nál nagyobb, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt).	sztring Korlátok: Minta = \d+[bBkKmMgG]

ResourceConfigurationProperties

Név	Leírás	Érték
{customized property}
{customized property}

AutoMLVertical

Név	Leírás	Érték
logVerbosity	A feladat részletességének naplózása.	"Kritikus" Hibakeresés "Hiba" "Információ" "NotSet" "Figyelmeztetés"
targetColumnName	Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.	sztring
trainingData	[Kötelező] Betanítási adatbevitel.	MLTableJobInput (kötelező)
taskType	Az objektum típusának beállítása	Besorolás Előrejelzések ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresszió TextClassification TextClassificationMultilabel TextNER (kötelező)

MLTableJobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" 'literál' "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

Besorolás

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Besorolás" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	TableVerticalLimitSettings
nCrossValidations	A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
positiveLabel	Pozitív címke a bináris metrikák kiszámításához.	sztring
primaryMetric	A tevékenység elsődleges metrikája.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	TableParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	ClassificationTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A minta súlyozási oszlopának neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorainak súlyozását okozza.	sztring

TableVerticalFeaturizationSettings

Név	Leírás	Érték
blockedTransformers	Ezek a transzformátorok nem használhatók a featuráláshoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Az oszlop nevének és típusának szótára (int, float, string, datetime stb.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Adathalmaz nyelve, amely a szöveges adatokhoz használható.	sztring
enableDnnFeaturization	Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához.	logikai
mód	Featurizációs mód – A felhasználó megtarthatja az alapértelmezett "Automatikus" módot, és az AutoML gondoskodik az adatok megfelelő átalakításáról a featurizációs fázisban. Ha a "Ki" beállítás van kiválasztva, akkor nem történik featurizáció. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a rendszerezés módjának testreszabásához.	"Automatikus" "Egyéni" "Kikapcsolva"
transformerParams	A felhasználó megadhat további használandó transzformátorokat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint a transzformátor konstruktor paramétereit.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Név	Leírás	Érték
{customized property}		sztring

TableVerticalFeaturizationSettingsTransformerParams

Név	Leírás	Érték
{customized property}		ColumnTransformer[]

ColumnTransformer

Név	Leírás	Érték
fields	A transzformátorlogika alkalmazásához használandó mezők.	sztring[]
parameters	A transzformátornak átadandó különböző tulajdonságok. A várt bemenet a kulcs-érték párok szótára JSON formátumban.

TableFixedParameters

Név	Leírás	Érték
Hírverő	Adja meg a kiemelés típusát, például gbdt XGBoost esetén.	sztring
boostingType	Adja meg a kiemelés típusát, például gbdt a LightGBM-hez.	sztring
growPolicy	Adja meg a növekedési szabályzatot, amely szabályozza, hogy az új csomópontok hogyan legyenek hozzáadva a fához.	sztring
learningRate	A képzési eljárás tanulási sebessége.	int
maxBin	Adja meg a Különálló intervallumok maximális számát a gyűjtő folyamatos funkcióihoz.	int
maxDepth	Adja meg a maximális mélységet a famélység explicit korlátozásához.	int
maxLeaves	Adja meg a maximális leveleket a falevelek explicit korlátozásához.	int
minDataInLeaf	Az adatok levélenkénti minimális száma.	int
minSplitGain	A fa egy levélcsomóponton történő további partíció létrehozásához minimális veszteségcsökkentés szükséges.	int
Modelname	A betanított modell neve.	sztring
nEstimators	Adja meg a modellekben lévő fák (vagy kerekítések) számát.	int
numLeaves	Adja meg a levelek számát.	int
preprocessorName	A használni kívánt előfeldolgozó neve.	sztring
regAlpha	L1 regularization kifejezés a súlyok.	int
regLambda	L2 regularization kifejezés a súlyok.	int
alminta	A betanítási példány részmintaaránya.	int
subsampleFreq	Az alminta gyakorisága.	int
treeMethod	Adja meg a fametódust.	sztring
withMean	Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával.	logikai
withStd	Ha igaz, az adatok skálázása a StandardScalar egység varianciájával.	logikai

TableVerticalLimitSettings

Név	Leírás	Érték
enableEarlyTermination	Engedélyezi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám.	logikai
exitScore	Az AutoML-feladat kilépési pontszáma.	int
maxConcurrentTrials	Egyidejű iterációk maximális száma.	int
maxCoresPerTrial	Maximális magok iterációnként.	int
maxTrials	Iterációk száma.	int
sweepConcurrentTrials	A felhasználó által aktiválni kívánt egyidejű takarítási futtatások száma.	int
sweepTrials	A felhasználó által aktiválni kívánt takarítási futtatások száma.	int
timeout	AutoML-feladat időtúllépése.	sztring
trialTimeout	Iterációs időtúllépés.	sztring

NCrossValidations

Név	Leírás	Érték
mód	Az objektum típusának beállítása	Automatikus Egyéni (kötelező)

AutoNCrossValidations

Név	Leírás	Érték
mód	[Kötelező] Mód az N-Kereszt érvényesítések meghatározásához.	"Automatikus" (kötelező)

CustomNCrossValidations

Név	Leírás	Érték
mód	[Kötelező] Mód az N-Kereszt érvényesítések meghatározásához.	"Egyéni" (kötelező)
érték	[Kötelező] N-Cross validations érték.	int (kötelező)

TableParameterSubspace

Név	Leírás	Érték
Hírverő	Adja meg a kiemelés típusát, például gbdt XGBoost esetén.	sztring
boostingType	Adja meg a kiemelés típusát, például gbdt a LightGBM-hez.	sztring
growPolicy	Adja meg a növekedési szabályzatot, amely szabályozza, hogy az új csomópontok hogyan legyenek hozzáadva a fához.	sztring
learningRate	A képzési eljárás tanulási sebessége.	sztring
maxBin	Adja meg a Különálló intervallumok maximális számát a gyűjtő folyamatos funkcióihoz.	sztring
maxDepth	Adja meg a maximális mélységet a famélység explicit korlátozásához.	sztring
maxLeaves	Adja meg a maximális leveleket a falevelek explicit korlátozásához.	sztring
minDataInLeaf	Az adatok levélenkénti minimális száma.	sztring
minSplitGain	A fa egy levélcsomóponton történő további partíció létrehozásához minimális veszteségcsökkentés szükséges.	sztring
Modelname	A betanított modell neve.	sztring
nEstimators	Adja meg a modellekben lévő fák (vagy kerekítések) számát.	sztring
numLeaves	Adja meg a levelek számát.	sztring
preprocessorName	A használni kívánt előfeldolgozó neve.	sztring
regAlpha	L1 regularization kifejezés a súlyok.	sztring
regLambda	L2 regularization kifejezés a súlyok.	sztring
alminta	A betanítási példány részmintaaránya.	sztring
subsampleFreq	Az alminta gyakorisága	sztring
treeMethod	Adja meg a fametódust.	sztring
withMean	Ha igaz, középre kell középre skálázni az adatokat a StandardScalar használatával.	sztring
withStd	Ha igaz, az adatok skálázása a StandardScalar egység varianciájával.	sztring

TableSweepSettings

Név	Leírás	Érték
earlyTermination	A takarítási feladat korai felmondási szabályzatának típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A mintavételezési algoritmus típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

EarlyTerminationPolicy

Név	Leírás	Érték
delayEvaluation	Az első kiértékelés késleltetéséhez tartozó intervallumok száma.	int
evaluationInterval	A szabályzatértékelések közötti intervallum (futtatások száma).	int
policyType	Az objektumtípus beállítása	Bandit MediánStopping CsonkolásSelection (kötelező)

BanditPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"Bandit" (kötelező)
slackAmount	A legjobban teljesítő futtatástól megengedett abszolút távolság.	int
slackFactor	Az engedélyezett távolság aránya a legjobban teljesítő futtatástól.	int

MediánStoppingPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"MediánStopping" (kötelező)

CsonkolásSelectionPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"CsonkolásSelection" (kötelező)
csonkolásPercentage	Az egyes kiértékelési időközökben megszakítandó futtatások százalékos aránya.	int

ClassificationTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A besorolási feladat engedélyezett modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	Letiltott modellek besorolási feladathoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier"
enableDnnTraining	Engedélyezze a DNN-modellek javaslatát.	logikai
enableModelExplainability	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	A stack együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack együttes futtatásához.	StackEnsembleSettings

StackEnsembleSettings

Név	Leírás	Érték
stackMetaLearnerKWargs	Nem kötelező paraméterek a metatanuló inicializálójának való átadáshoz.
stackMetaLearnerTrainPercentage	Megadja a betanítási készlet (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához lefoglalandó arányát. Az alapértelmezett érték 0,2.	int
stackMetaLearnerType	A metatanuló az egyes heterogén modellek kimenetére betanított modell.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs"

Előrejelzések

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Előrejelzés" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
előrejelzésBeállítások	Tevékenységspecifikus bemenetek előrejelzése.	Előrejelzésbeállítások
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	TableVerticalLimitSettings
nCrossValidations	A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
primaryMetric	Elsődleges metrika a tevékenység előrejelzéséhez.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	TableParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	ForecastingTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak.	sztring

Előrejelzésbeállítások

Név	Leírás	Érték
countryOrRegionForHolidays	Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB".	sztring
cvStepSize	Az egyik CV-hajtás forrásideje és a következő hajtás közötti időszakok száma. A következőhöz: például, ha CVStepSize a napi adatok = 3, akkor az egyes hajtások forrásideje három nap választja el egymástól.	int
featureLags	Az "automatikus" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző.	"Automatikus" "Nincs"
forecastHorizon	A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben.	Előrejelzéshorizon
frequency	Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánja, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága.	sztring
Szezonalitás	Állítsa be az idősor szezonalitását a sorozat gyakoriságának egész számának többszöröseként. Ha a szezonalitás "automatikus" értékre van állítva, a rendszer levonja a következtetést.	Szezonalitás
shortSeriesHandlingConfig	A paraméter határozza meg, hogy az AutoML hogyan kezelje a rövid idősorokat.	"Automatikus" "Elvetés" "Nincs" "Pad"
targetAggregateFunction	Az idősor céloszlopának összesítéséhez használandó függvény, hogy megfeleljen a felhasználó által megadott gyakoriságnak. Ha a TargetAggregateFunction be van állítva, azaz nem "Nincs", de a freq paraméter nincs beállítva, a hiba jelentkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean".	"Max" "Középérték" "Min" "Nincs" "Összeg"
targetLags	A céloszloptól eltúlzott időszakok száma.	TargetLags
targetRollingWindowSize	A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma.	TargetRollingWindowSize
timeColumnName	Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának következtetéséhez használt bemeneti adatok datetime oszlopának megadásához.	sztring
timeSeriesIdColumnNames	Az idősorok csoportosításához használt oszlopok nevei. Több adatsor létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak feltételezi a rendszer. Ezt a paramétert a rendszer feladattípus-előrejelzéssel használja.	sztring[]
useStl	Konfigurálja az idősor céloszlopának STL-felbontását.	"Nincs" "Szezon" "SeasonTrend"

Előrejelzéshorizon

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoForecastHorizon

Név	Leírás	Érték
mód	[Kötelező] Az előrejelzési horizont értékválasztási módjának beállítása.	"Automatikus" (kötelező)

CustomForecastHorizon

Név	Leírás	Érték
mód	[Kötelező] Az előrejelzési horizont értékválasztási módjának beállítása.	"Egyéni" (kötelező)
érték	[Kötelező] Előrejelzési horizont értéke.	int (kötelező)

Szezonalitás

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoSzeasonalitás

Név	Leírás	Érték
mód	[Kötelező] Szezonalitás mód.	"Automatikus" (kötelező)

CustomSeasonality

Név	Leírás	Érték
mód	[Kötelező] Szezonalitás mód.	"Egyéni" (kötelező)
érték	[Kötelező] Szezonalitás értéke.	int (kötelező)

TargetLags

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoTargetLags

Név	Leírás	Érték
mód	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni	"Automatikus" (kötelező)

CustomTargetLags

Név	Leírás	Érték
mód	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni	"Egyéni" (kötelező)
values	[Kötelező] Állítsa be a cél késési értékeit.	int[] (kötelező)

TargetRollingWindowSize

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoTargetRollingWindowSize

Név	Leírás	Érték
mód	[Kötelező] TargetRollingWindowSiz észlelési mód.	"Automatikus" (kötelező)

CustomTargetRollingWindowSize

Név	Leírás	Érték
mód	[Kötelező] TargetRollingWindowSiz észlelési mód.	"Egyéni" (kötelező)
érték	[Kötelező] TargetRollingWindowSize érték.	int (kötelező)

ElőrejelzésTanúsítási beállítások

Név	Leírás	Érték
allowedTrainingAlgorithms	Az előrejelzési tevékenységhez engedélyezett modellek.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" 'SGD' "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms	Letiltott modellek az előrejelzési feladathoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" 'SGD' "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining	DNN-modellek ajánlásának engedélyezése.	logikai
enableModelExplainability	Jelző a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az Onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	Stack-együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack-együttes futtatásához.	StackEnsembleSettings

ImageClassification

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageClassification" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsClassification
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageLimitSettings

Név	Leírás	Érték
maxConcurrentTrials	Egyidejű AutoML-iterációk maximális száma.	int
maxTrials	AutoML-iterációk maximális száma.	int
timeout	AutoML-feladat időtúllépése.	sztring

ImageModelSettingsClassification

Név	Leírás	Érték
advancedSettings	Speciális forgatókönyvek beállításai.	sztring
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	logikai
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
checkpointFrequency	Modell ellenőrzőpontok tárolásának gyakorisága. Pozitív egész számnak kell lennie.	int
checkpointModel	Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.	MLFlowModelJobInput
checkpointRunId	Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.	sztring
Elosztott	Elosztott betanítás használata.	logikai
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.	logikai
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie.	int
earlyStoppingPatience	Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	int
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	logikai
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie.	int
gradientAccumulationStep	A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	int
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
learningRateScheduler	A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet.	"Nincs" "Lépés" "WarmupCosine"
Modelname	A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	logikai
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.	int
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	int
Optimalizáló	Az optimalizáló típusa.	"Ádám" "Adamw" "Nincs" 'Sgd'
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű mag.	int
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	int
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	int
trainingCropSize	Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie.	int
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	int
validationCropSize	Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	int
validationResizeSize	Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.	int
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	int
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
weightedLoss	Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet.	int

MLFlowModelJobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" 'literál' "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Név	Leírás	Érték
amsGradient	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".	sztring
bővítés	A bővítések használatának beállításai.	sztring
béta1	A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
béta2	A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
Elosztott	Az elosztott betanítás használata.	sztring
earlyStopping	Korai leállítási logika engedélyezése a betanítás során.	sztring
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie.	sztring
earlyStoppingPatience	Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	sztring
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	sztring
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	sztring
gradientAccumulationStep	A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	sztring
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.	sztring
Modelname	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	sztring
numberOfEpochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	sztring
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	sztring
Optimalizáló	Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.	sztring
randomSeed	Determinisztikus betanításhoz használandó véletlenszerű mag.	sztring
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	sztring
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	sztring
trainingCropSize	Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie.	sztring
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationCropSize	Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	sztring
validationResizeSize	Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.	sztring
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	sztring
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
weightedLoss	Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie.	sztring

ImageSweepSettings

Név	Leírás	Érték
earlyTermination	A korai felmondási szabályzat típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A hiperparaméteres mintavételezési algoritmusok típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

ImageClassificationMultilabel

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageClassificationMultilabel" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsClassification
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageInstanceSegmentation

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageInstanceSegmentation" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsObjectDetection
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"MeanAveragePrecision"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageModelSettingsObjectDetection

Név	Leírás	Érték
advancedSettings	Speciális forgatókönyvek beállításai.	sztring
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	logikai
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
boxDetectionsPerImage	Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
boxScoreThreshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
checkpointFrequency	A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.	int
checkpointModel	Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.	MLFlowModelJobInput
checkpointRunId	Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.	sztring
Elosztott	Elosztott betanítás használata.	logikai
earlyStopping	Korai leállítási logika engedélyezése a betanítás során.	logikai
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie.	int
earlyStoppingPatience	Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	int
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	logikai
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	int
gradientAccumulationStep	A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	int
imageSize	Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	int
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.	"Nincs" "Lépés" "WarmupCosine"
maxSize	Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
minSize	Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
Modelname	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
modelSize	Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	"ExtraLarge" "Nagy" "Közepes" "Nincs" "Kicsi"
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
több skálázás	Több léptékű kép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	logikai
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	logikai
nmsIouThreshold	Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.	int
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	int
Optimalizáló	Az optimalizáló típusa.	"Ádám" "Adamw" "Nincs" 'Sgd'
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű mag.	int
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	int
tileGridSize	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tileOverlapRatio	Átfedési arány a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
tilePredictionsNmsThreshold	Az NMS végrehajtásához használandó IOU-küszöbérték a csempék és a rendszerképek előrejelzéseinek egyesítése során. Ellenőrzéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	int
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	int
validationIouThreshold	Az ellenőrzési metrikák számításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	int
validationMetricType	Az érvényesítési metrikákhoz használható metrikaszámítási módszer.	"Coco" "CocoVoc" "Nincs" 'Voc'
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
warmupCosineLRWarmupEpochs	A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	int
weightDecay	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1].	int

ImageModelDistributionSettingsObjectDetection

Név	Leírás	Érték
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	sztring
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
boxDetectionsPerImage	Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
boxScoreThreshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegőpontosnak kell lennie a tartományban[0, 1].	sztring
Elosztott	Az elosztott betanítás használata.	sztring
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.	sztring
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie.	sztring
earlyStoppingPatience	Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	sztring
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	sztring
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie.	sztring
gradientAccumulationStep	A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	sztring
imageSize	Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
learningRateScheduler	A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet.	sztring
maxSize	Az újraskálázandó kép maximális mérete, mielőtt betáplálta volna a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
minSize	Az újraskálázandó kép minimális mérete, mielőtt betáplálnák a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
Modelname	A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
modelSize	Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy", vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
több skálázás	Több léptékű kép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	sztring
nmsIouThreshold	Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	sztring
numberOfEpochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	sztring
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	sztring
Optimalizáló	Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.	sztring
randomSeed	Determinisztikus betanításhoz használandó véletlenszerű mag.	sztring
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	sztring
tileGridSize	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tileOverlapRatio	Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tilePredictionsNmsThreshold	Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális elnyomás	sztring
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationIouThreshold	Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	sztring
validationMetricType	Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. A "none", a "coco", a "voc" vagy a "coco_voc" értéknek kell lennie.	sztring
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	sztring
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring

ImageObjectDetection

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	'ImageObjectDetection' (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsObjectDetection
primaryMetric	A feladathoz optimalizálandó elsődleges metrika.	"MeanAveragePrecision"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

Regresszió

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Regresszió" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	TableVerticalLimitSettings
nCrossValidations	A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
primaryMetric	A regressziós feladat elsődleges metrikája.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	TableParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	RegresszióTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak.	sztring

RegresszióTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A regressziós feladat engedélyezett modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor"
blockedTrainingAlgorithms	A regressziós feladat blokkolt modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor"
enableDnnTraining	DNN-modellek ajánlásának engedélyezése.	logikai
enableModelExplainability	Jelző a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az Onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	Stack-együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack-együttes futtatásához.	StackEnsembleSettings

TextClassification

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextClassification" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	NlpVerticalLimitSettings
primaryMetric	Elsődleges metrika Text-Classification tevékenységhez.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	NlpParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

NlpVerticalFeaturizationSettings

Név	Leírás	Érték
datasetLanguage	Adatkészlet nyelve, amely hasznos a szöveges adatokhoz.	sztring

NlpFixedParameters

Név	Leírás	Érték
gradientAccumulationSteps	A színátmenetek felgyülemlésének lépéseinek száma a visszalépés futtatása előtt.	int
learningRate	A képzési eljárás tanulási aránya.	int
learningRateScheduler	A képzési eljárás során használandó tanulási sebesség ütemezésének típusa.	"Állandó" "ConstantWithWarmup" "Koszinusz" "CosineWithRestarts" "Lineáris" "Nincs" "Polinomiális"
Modelname	A betanított modell neve.	sztring
numberOfEpochs	A betanítási korszakok száma.	int
trainingBatchSize	A betanítási eljárás kötegmérete.	int
validationBatchSize	A kiértékelés során használandó kötegméret.	int
warmupRatio	Az LrSchedulerType mellett használt bemelegítési arány.	int
weightDecay	A betanítási eljárás súlycsökkenése.	int

NlpVerticalLimitSettings

Név	Leírás	Érték
maxConcurrentTrials	Egyidejű AutoML-iterációk maximális száma.	int
maxNodes	Az egyetlen próbaverzióban való betanításhoz használható maximális csomópontok. A többcsomópontos elosztott betanítást szabályozza.	int
maxTrials	AutoML-iterációk száma.	int
timeout	AutoML-feladat időtúllépése.	sztring
trialTimeout	Időtúllépés az egyes HD-próbaverziókhoz.	sztring

NlpParameterSubspace

Név	Leírás	Érték
gradientAccumulationSteps	A visszalépés futtatása előtt a színátmenetek halmozásának lépéseinek száma.	sztring
learningRate	A képzési eljárás tanulási sebessége.	sztring
learningRateScheduler	A betanítási eljárás során használandó tanulási sebesség ütemezésének típusa.	sztring
Modelname	A betanított modell neve.	sztring
numberOfEpochs	A betanítási alapidőszakok száma.	sztring
trainingBatchSize	A betanítási eljárás kötegmérete.	sztring
validationBatchSize	A kiértékelés során használandó kötegméret.	sztring
warmupRatio	Az LrSchedulerType mellett használt bemelegítési arány.	sztring
weightDecay	A betanítási eljárás súlyromlása.	sztring

NlpSweepSettings

Név	Leírás	Érték
earlyTermination	A takarítási feladat korai felmondási szabályzatának típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A mintavételezési algoritmus típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

TextClassificationMultilabel

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextClassificationMultilabel" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	NlpVerticalLimitSettings
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	NlpParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

TextNer

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextNER" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	NlpVerticalLimitSettings
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	NlpParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

CommandJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Parancs" (kötelező)
autologgerSettings	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	AutologgerSettings
codeId	A kódeszköz ARM-erőforrás-azonosítója.	sztring
command	[Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py"	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]
Eloszlás	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	DistributionConfiguration
environmentId	[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
environmentVariables	A feladatban szereplő környezeti változók.	CommandJobEnvironmentVariables
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	CommandJobInputs
Határok	Parancsfeladat korlátja.	CommandJobLimits
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	CommandJobOutputs
resources	Számítási erőforrás konfigurálása a feladathoz.	JobResourceConfiguration

AutologgerSettings

Név	Leírás	Érték
mlflowAutologger	[Kötelező] Azt jelzi, hogy az mlflow autologger engedélyezve van-e.	"Letiltva" "Engedélyezve" (kötelező)

DistributionConfiguration

Név	Leírás	Érték
distributionType	Az objektumtípus beállítása	Mpi PyTorch TensorFlow (kötelező)

Mpi

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"Mpi" (kötelező)
processCountPerInstance	Folyamatok száma MPI-csomópontonként.	int

PyTorch

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"PyTorch" (kötelező)
processCountPerInstance	Folyamatok száma csomópontonként.	int

TensorFlow

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"TensorFlow" (kötelező)
parameterServerCount	Paraméterkiszolgálói feladatok száma.	int
workerCount	Feldolgozók száma. Ha nincs megadva, az alapértelmezés szerint a példányszám lesz.	int

CommandJobEnvironmentVariables

Név	Leírás	Érték
{testreszabott tulajdonság}		sztring

CommandJobInputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobInput

JobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	Az objektumtípus beállítása	custom_model Szó mlflow_model mltable triton_model uri_file uri_folder (kötelező)

CustomModelJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

LiteralJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"literál" (kötelező)
érték	[Kötelező] A bemenet literális értéke.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

TritonModelJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"triton_model" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

UriFileJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"uri_file" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

UriFolderJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

CommandJobLimits

Név	Leírás	Érték
jobLimitsType	[Kötelező] JobLimit típus.	"Parancs" "Takarítás" (kötelező)
timeout	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc.	sztring

CommandJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

LabelingJobProperties

Név	Leírás	Érték
componentId	Az összetevő-erőforrás ARM-erőforrás-azonosítója.	sztring
computeId	A számítási erőforrás ARM-erőforrás-azonosítója.	sztring
dataConfiguration	A feladatban használt adatok konfigurálása.	LabelingDataConfiguration
leírás	Az eszköz leírásának szövege.	sztring
displayName	A feladat nevének megjelenítése.	sztring
experimentName	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.	sztring
identity	Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.	IdentityConfiguration
isArchived	Archiválva van az eszköz?	logikai
jobInstructions	A feladat címkézési utasításai.	LabelingJobInstructions
jobType	[Kötelező] Meghatározza a feladat típusát.	"AutoML" "Parancs" "Címkézés" "Folyamat" "Spark" "Takarítás" (kötelező)
labelCategories	A feladat címkéinek kategóriái.	LabelingJobLabelCategories
labelingJobMediaProperties	Médiatípus-specifikus tulajdonságok a feladatban.	LabelingJobMediaProperties
mlAssistConfiguration	Az MLAssist szolgáltatás konfigurálása a feladatban.	MLAssistConfiguration
properties	Az eszköztulajdonság szótára.	ResourceBaseProperties
services	A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz.	JobBaseServices
tags	Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.	object

LabelingDataConfiguration

Név	Leírás	Érték
dataId	Az adategység erőforrás-azonosítója a címkézés végrehajtásához.	sztring
incrementalDataRefreshEnabled	Azt jelzi, hogy engedélyezi-e a növekményes adatfrissítést.	logikai

LabelingJobInstructions

Név	Leírás	Érték
Uri	A címkézőkre vonatkozó részletes címkézési utasításokat tartalmazó lapra mutató hivatkozás.	sztring

LabelingJobLabelCategories

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelCategory
{testreszabott tulajdonság}		LabelCategory

LabelCategory

Név	Leírás	Érték
Osztályok	A kategória címkeosztályainak szótára.	LabelCategoryClasses
displayName	A címkekategória megjelenítendő neve.	sztring
multiSelectEnabled	Azt jelzi, hogy engedélyezve van-e több osztály kijelölése ebben a kategóriában.	logikai

LabelCategoryClasses

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelClass

LabelClass

Név	Leírás	Érték
displayName	A címkeosztály megjelenítendő neve.	sztring
Alosztályok	A címkeosztály alosztályainak szótára.	LabelClassSubclasses

LabelClassSubclasses

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelClass

LabelingJobMediaProperties

Név	Leírás	Érték
mediaType	Az objektumtípus beállítása	Kép Szöveg (kötelező)

LabelingJobImageProperties

Név	Leírás	Érték
mediaType	[Kötelező] A feladat médiatípusa.	"Kép" (kötelező)
annotationType	A képcímkézési feladat széljegyzettípusa.	"BoundingBox" "Besorolás" "InstanceSegmentation"

LabelingJobTextProperties

Név	Leírás	Érték
mediaType	[Kötelező] A feladat médiatípusa.	"Szöveg" (kötelező)
annotationType	A szövegcímkézési feladat széljegyzettípusa.	"Besorolás" "NamedEntityRecognition"

MLAssistConfiguration

Név	Leírás	Érték
mlAssist	Az objektumtípus beállítása	Disabled Engedélyezve (kötelező)

MLAssistConfigurationDisabled

Név	Leírás	Érték
mlAssist	[Kötelező] Azt jelzi, hogy az MLAssist funkció engedélyezve van-e.	"Letiltva" (kötelező)

MLAssistConfigurationEnabled

Név	Leírás	Érték
mlAssist	[Kötelező] Azt jelzi, hogy az MLAssist funkció engedélyezve van-e.	"Engedélyezve" (kötelező)
inferencingComputeBinding	[Kötelező] AML számítási kötés, amely a következtetéshez használatos.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
trainingComputeBinding	[Kötelező] Betanításhoz használt AML számítási kötés.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

PipelineJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Folyamat" (kötelező)
Bemenetek	A folyamatfeladat bemenetei.	PipelineJobInputs
Munkahelyek	A feladatok létrehoznak egy folyamatfeladatot.	PipelineJobJobs
Kimenetek	A folyamatfeladat kimenetei	PipelineJobOutputs
beállítások	Folyamatbeállítások, például ContinueRunOnStepFailure stb.
sourceJobId	A forrásfeladat ARM-erőforrás-azonosítója.	sztring

PipelineJobInputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobInput

PipelineJobJobs

Név	Leírás	Érték
{testreszabott tulajdonság}

PipelineJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

SparkJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Spark" (kötelező)
Archívum	Archiválja a feladatban használt fájlokat.	sztring[]
args	A feladat argumentumai.	sztring
codeId	[Kötelező] A kódeszköz ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
Conf	Spark-konfigurált tulajdonságok.	SparkJobConf
Bejegyzés	[Kötelező] A feladat indításakor végrehajtandó bejegyzés.	SparkJobEntry (kötelező)
environmentId	A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring
fájlok	A feladatban használt fájlok.	sztring[]
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	SparkJobInputs
Tégelyek	A feladatban használt Jar-fájlok.	sztring[]
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	SparkJobOutputs
pyFiles	A feladatban használt Python-fájlok.	sztring[]
resources	Számítási erőforrás konfigurációja a feladathoz.	SparkResourceConfiguration

SparkJobConf

Név	Leírás	Érték
{customized property}		sztring

SparkJobEntry

Név	Leírás	Érték
sparkJobEntryType	Az objektum típusának beállítása	SparkJobPythonEntry SparkJobScalaEntry (kötelező)

SparkJobPythonEntry

Név	Leírás	Érték
sparkJobEntryType	[Kötelező] A feladat belépési pontjának típusa.	"SparkJobPythonEntry" (kötelező)
file	[Kötelező] A feladat belépési pontjának relatív Python-fájlútvonala.	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]

SparkJobScalaEntry

Név	Leírás	Érték
sparkJobEntryType	[Kötelező] A feladat belépési pontjának típusa.	"SparkJobScalaEntry" (kötelező)
Osztálynév	[Kötelező] Belépési pontként használt Scala-osztály neve.	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]

SparkJobInputs

Név	Leírás	Érték
{customized property}		JobInput

SparkJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

SparkResourceConfiguration

Név	Leírás	Érték
instanceType	A számítási cél által támogatott virtuális gép választható típusa.	sztring
runtimeVersion	A feladathoz használt Spark-futtatókörnyezet verziója.	sztring

Takarítási feladat

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Takarítás" (kötelező)
earlyTermination	A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének	EarlyTerminationPolicy
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	SweepJobInputs
Határok	Takarítási feladatok korlátja.	SweepJobLimits
Célkitűzés	[Kötelező] Optimalizálási célkitűzés.	Célkitűzés (kötelező)
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	SweepJobOutputs
samplingAlgorithm	[Kötelező] A hiperparaméter-mintavételezési algoritmus	SamplingAlgorithm (kötelező)
searchSpace	[Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve
trial	[Kötelező] Próbaverziós összetevő definíciója.	TrialComponent (kötelező)

SweepJobInputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobInput

SweepJobLimits

Név	Leírás	Érték
jobLimitsType	[Kötelező] JobLimit típus.	"Parancs" "Takarítás" (kötelező)
maxConcurrentTrials	Takarítási feladat – egyidejű próbaverziók maximális kihasználása.	int
maxTotalTrials	Takarítási feladat maximális teljes próbaidőszaka.	int
timeout	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc.	sztring
trialTimeout	Takarítási feladat próbaverziója időtúllépési értéke.	sztring

Cél

Név	Leírás	Érték
goal	[Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg	"Teljes méret" "Kis méret" (kötelező)
primaryMetric	[Kötelező] Az optimalizálni kívánt metrika neve.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

SweepJobOutputs

Név	Leírás	Érték
{testreszabott tulajdonság}		JobOutput

SamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	Az objektumtípus beállítása	Bayes Rács Véletlenszerű (kötelező)

BayesianSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Bayesian" (kötelező)

GridSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Rács" (kötelező)

RandomSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Véletlenszerű" (kötelező)
Szabály	A véletlenszerű algoritmus adott típusa	"Véletlenszerű" "Sobol"
Vetőmag	Nem kötelező egész szám, amelyet a véletlenszerű számlétrehozás magjaként használhat	int

TrialComponent

Név	Leírás	Érték
codeId	A kódeszköz ARM-erőforrás-azonosítója.	sztring
command	[Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py"	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]
Eloszlás	A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	DistributionConfiguration
environmentId	[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
environmentVariables	A feladatban szereplő környezeti változók.	TrialComponentEnvironmentVariables
resources	Számítási erőforrás konfigurációja a feladathoz.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Név	Leírás	Érték
{customized property}		sztring

Gyorssablonok

Az alábbi rövid útmutatósablonok üzembe helyezik ezt az erőforrástípust.

Sablon	Description
Azure Machine Learning AutoML-besorolási feladat létrehozása	Ez a sablon létrehoz egy Azure Machine Learning AutoML-besorolási feladatot, amely a legjobb modellt keresi annak előrejelzéséhez, hogy az ügyfél előfizet-e egy pénzügyi intézménynél kötött futamidős betétre.
Azure Machine Learning-parancsfeladat létrehozása	Ez a sablon létrehoz egy Azure Machine Learning Command-feladatot egy alapszintű hello_world szkripttel
Azure Machine Learning Sweep-feladat létrehozása	Ez a sablon létrehoz egy Azure Machine Learning Sweep-feladatot a hiperparaméterek finomhangolásához.

Terraform -erőforrásdefiníció (AzAPI-szolgáltató)

A munkaterületek/feladatok erőforrástípusa olyan műveletekkel helyezhető üzembe, amelyek a következőket célják:

• Erőforráscsoportok

Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplóban találja.

Erőforrás formátuma

Microsoft.MachineLearningServices/workspaces/jobs erőforrás létrehozásához adja hozzá a következő Terraformot a sablonhoz.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      properties = {
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      services = {
        {customized property} = {
          endpoint = "string"
          jobServiceType = "string"
          nodes = {
            nodesValueType = "string"
            // For remaining properties, see Nodes objects
          }
          port = int
          properties = {
            {customized property} = "string"
          }
        }
        {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"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
        {customized property} = "string"
      }
      jobType = "string"
      // For remaining properties, see JobBaseProperties objects
    }
  })
}

JobBaseProperties objektumok

Állítsa be a jobType tulajdonságot az objektum típusának megadásához.

AutoML esetén használja a következőt:

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

A Parancshoz használja a következőt:

  jobType = "Command"
  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
    }
  }
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }

Címkézéshez használja a következőt:

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

Folyamat esetén használja a következőt:

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

Spark esetén használja a következőt:

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

Takarításhoz használja a következőt:

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

IdentityConfiguration-objektumok

Állítsa be az identityType tulajdonságot az objektum típusának megadásához.

AMLToken esetén használja a következőt:

  identityType = "AMLToken"

Felügyelt esetén használja a következőt:

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

A UserIdentity esetében használja a következőt:

  identityType = "UserIdentity"

Csomópontok objektumai

Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.

Az Összes esetében használja a következőt:

  nodesValueType = "All"

JobOutput-objektumok

Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.

A custom_model a következőt használja:

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

A mlflow_model a következőt használja:

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

Mltable esetén használja a következőt:

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

A triton_model a következőt használja:

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

A uri_file a következőt használja:

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

A uri_folder a következőt használja:

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

AutoMLVertical objektumok

Állítsa be a taskType tulajdonságot az objektum típusának megadásához.

Besoroláshoz használja a következőt:

  taskType = "Classification"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  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
    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"
  }
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Előrejelzéshez használja a következőt:

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

Az ImageClassification esetében használja a következőt:

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

Az ImageClassificationMultilabel elemhez használja a következőt:

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

Az ImageInstanceSegmentation esetében használja a következőt:

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

Az ImageObjectDetection esetében használja a következőt:

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

Regresszió esetén használja a következőt:

  taskType = "Regression"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  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
    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"
  }
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

TextClassification esetén használja a következőt:

  taskType = "TextClassification"
  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"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

A TextClassificationMultilabel elemhez használja a következőt:

  taskType = "TextClassificationMultilabel"
  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"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

A TextNER esetében használja a következőt:

  taskType = "TextNER"
  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"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

NCrossValidations objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode = "Auto"

Egyéni esetén használja a következőt:

  mode = "Custom"
  value = int

EarlyTerminationPolicy objektumok

Állítsa be a policyType tulajdonságot az objektum típusának megadásához.

A Bandit esetében használja a következőt:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

A MedianStopping esetében használja a következőt:

  policyType = "MedianStopping"

A TruncationSelection esetében használja a következőt:

  policyType = "TruncationSelection"
  truncationPercentage = int

ForecastHorizon objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode = "Auto"

Egyéni esetén használja a következőt:

  mode = "Custom"
  value = int

Szezonalitási objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode = "Auto"

Egyéni esetén használja a következőt:

  mode = "Custom"
  value = int

TargetLags-objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode = "Auto"

Egyéni esetén használja a következőt:

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize objektumok

Állítsa be a mode tulajdonságot az objektum típusának megadásához.

Az Automatikus verzióhoz használja a következőt:

  mode = "Auto"

Egyéni esetén használja a következőt:

  mode = "Custom"
  value = int

DistributionConfiguration objektumok

Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.

Mpi esetén használja a következőt:

  distributionType = "Mpi"
  processCountPerInstance = int

PyTorch esetén használja a következőt:

  distributionType = "PyTorch"
  processCountPerInstance = int

A TensorFlow esetében használja a következőt:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

JobInput objektumok

Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.

A custom_model a következőt használja:

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

A literálhoz használja a következőt:

  jobInputType = "literal"
  value = "string"

A mlflow_model a következőt használja:

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

Mltable esetén használja a következőt:

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

A triton_model a következőt használja:

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

A uri_file a következőt használja:

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

A uri_folder a következőt használja:

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

LabelingJobMediaProperties objektumok

Állítsa be a mediaType tulajdonságot az objektum típusának megadásához.

Kép esetén használja a következőt:

  mediaType = "Image"
  annotationType = "string"

Szöveg esetén használja a következőt:

  mediaType = "Text"
  annotationType = "string"

MLAssistConfiguration objektumok

Állítsa be az mlAssist tulajdonságot az objektum típusának megadásához.

A Letiltva beállításhoz használja a következőt:

  mlAssist = "Disabled"

Az Engedélyezve esetén használja a következőt:

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

SparkJobEntry-objektumok

Állítsa be a sparkJobEntryType tulajdonságot az objektum típusának megadásához.

A SparkJobPythonEntry esetében használja a következőt:

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

A SparkJobScalaEntry esetében használja a következőt:

  sparkJobEntryType = "SparkJobScalaEntry"
  className = "string"

SamplingAlgorithm objektumok

Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.

Bayesian esetén használja a következőt:

  samplingAlgorithmType = "Bayesian"

A Grid esetében használja a következőt:

  samplingAlgorithmType = "Grid"

Véletlenszerűen használja a következőt:

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

Tulajdonságértékek

munkaterületek/feladatok

Név	Leírás	Érték
típus	Az erőforrás típusa	"Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01-preview"
name	Az erőforrás neve	sztring (kötelező)
parent_id	Annak az erőforrásnak az azonosítója, amely ennek az erőforrásnak a szülője.	Típusú erőforrás azonosítója: munkaterületek
properties	[Kötelező] Az entitás további attribútumai.	JobBaseProperties (kötelező)

JobBaseProperties

Név	Leírás	Érték
componentId	Az összetevő-erőforrás ARM-erőforrás-azonosítója.	sztring
computeId	A számítási erőforrás ARM-erőforrás-azonosítója.	sztring
leírás	Az objektum leírásának szövege.	sztring
displayName	A feladat megjelenített neve.	sztring
experimentName	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.	sztring
identity	Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, ManagedIdentity, UserIdentity vagy null értéknek kell lennie. Az alapértelmezett érték az AmlToken, ha null.	IdentityConfiguration
isArchived	Archiválva van az eszköz?	logikai
properties	Az eszköztulajdonság szótára.	ResourceBaseProperties
services	A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz.	JobBaseServices
tags	Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.	object
jobType	Az objektum típusának beállítása	AutoML Parancs Címkézés Folyamat Spark Takarítás (kötelező)

IdentityConfiguration

Név	Leírás	Érték
identityType	Az objektum típusának beállítása	AMLToken Felügyelt UserIdentity (kötelező)

AmlToken

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"AMLToken" (kötelező)

Felügyelt identitás

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"Felügyelt" (kötelező)
ügyfél-azonosító	Felhasználó által hozzárendelt identitást ad meg ügyfélazonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt.	sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Felhasználó által hozzárendelt identitást ad meg objektumazonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt.	sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt.	sztring

Felhasználói azonosító

Név	Leírás	Érték
identityType	[Kötelező] Meghatározza az identitás-keretrendszer típusát.	"UserIdentity" (kötelező)

ResourceBaseProperties

Név	Leírás	Érték
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring
{testreszabott tulajdonság}		sztring

JobBaseServices

Név	Leírás	Érték
{testreszabott tulajdonság}		JobService
{testreszabott tulajdonság}		JobService

JobService

Név	Leírás	Érték
endpoint	Végpont URL-címe.	sztring
jobServiceType	Végpont típusa.	sztring
Csomópontok	Csomópontok, amelyeken a felhasználó elindítja a szolgáltatást. Ha a Csomópontok nincs beállítva vagy null értékűre van állítva, a szolgáltatás csak a vezető csomóponton lesz elindítva.	Csomópontok
port	A felhasználó által beállított végpont portja.	int
properties	A végponton beállítandó további tulajdonságok.	JobServiceProperties

Csomópontok

Név	Leírás	Érték
nodesValueType	Az objektum típusának beállítása	Minden (kötelező)

Minden csomópont

Név	Leírás	Érték
nodesValueType	[Kötelező] A Csomópontok érték típusa	"Minden" (kötelező)

JobServiceProperties

Név	Leírás	Érték
{customized property}		sztring

AutoMLJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"AutoML" (kötelező)
environmentId	A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az Éles autoML válogatott környezeti verzióra adja meg a feladat futtatásakor.	sztring
environmentVariables	A feladatban szereplő környezeti változók.	AutoMLJobEnvironmentVariables
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	AutoMLJobOutputs
resources	Számítási erőforrás konfigurációja a feladathoz.	JobResourceConfiguration
taskDetails	[Kötelező] Ez olyan forgatókönyvet jelöl, amely lehet a Tables/NLP/Image egyik része.	AutoMLVertical (kötelező)

AutoMLJobEnvironmentVariables

Név	Leírás	Érték
{customized property}		sztring

AutoMLJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

JobOutput

Név	Leírás	Érték
leírás	A kimenet leírása.	sztring
jobOutputType	Az objektum típusának beállítása	custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező)

CustomModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

MLFlowModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"mlflow_model" (kötelező)
mód	Kimeneti eszköz kézbesítési módja.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

MLTableJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"mltable" (kötelező)
mód	Kimeneti eszközkézbesítési mód.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

TritonModelJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"triton_model" (kötelező)
mód	Kimeneti eszközkézbesítési mód.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

UriFileJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"uri_file" (kötelező)
mód	Kimeneti eszközkézbesítési mód.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

UriFolderJobOutput

Név	Leírás	Érték
jobOutputType	[Kötelező] Meghatározza a feladat típusát.	"uri_folder" (kötelező)
mód	Kimeneti eszközkézbesítési mód.	"Közvetlen" "ReadWriteMount" "Feltöltés"
Uri	Kimeneti eszköz URI-ja.	sztring

JobResourceConfiguration

Név	Leírás	Érték
dockerArgs	További argumentumok a Docker-futtatási parancsnak való továbbításhoz. Ez felülbírálná a rendszer által vagy ebben a szakaszban már beállított paramétereket. Ez a paraméter csak az Azure ML számítási típusaihoz támogatott.	sztring
instanceCount	A számítási cél által használt példányok vagy csomópontok opcionális száma.	int
instanceType	A számítási cél által támogatott virtuális gép választható típusa.	sztring
properties	További tulajdonságok táska.	ResourceConfigurationProperties
shmSize	A Docker-tároló megosztott memóriablokkjának mérete. Ennek (szám)(egység) formátumban kell lennie, ahol a szám 0-nál nagyobb, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt).	sztring Korlátok: Minta = \d+[bBkKmMgG]

ResourceConfigurationProperties

Név	Leírás	Érték
{testreszabott tulajdonság}
{testreszabott tulajdonság}

AutoMLVertical

Név	Leírás	Érték
logVerbosity	A feladat részletességének naplózása.	"Kritikus" "Hibakeresés" "Hiba" "Információ" "NotSet" "Figyelmeztetés"
targetColumnName	Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.	sztring
trainingData	[Kötelező] Betanítási adatbevitel.	MLTableJobInput (kötelező)
taskType	Az objektum típusának beállítása	Besorolás Előrejelzések ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresszió TextClassification TextClassificationMultilabel TextNER (kötelező)

MLTableJobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

Besorolás

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Besorolás" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	TableVerticalLimitSettings
nCrossValidations	A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
positiveLabel	Pozitív címke a bináris metrikák kiszámításához.	sztring
primaryMetric	A tevékenység elsődleges metrikája.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	TableParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	ClassificationTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A minta súlyozási oszlopának neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorainak súlyozását okozza.	sztring

TableVerticalFeaturizationSettings

Név	Leírás	Érték
blockedTransformers	Ezek a transzformátorok nem használhatók a featuráláshoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Az oszlop nevének és típusának szótára (int, float, string, datetime stb.).	TableVerticalFeaturizationSettingsColumnNameAndTypes
datasetLanguage	Adathalmaz nyelve, amely a szöveges adatokhoz használható.	sztring
enableDnnFeaturization	Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához.	logikai
mód	Featurizációs mód – A felhasználó megtarthatja az alapértelmezett "Automatikus" módot, és az AutoML gondoskodik az adatok megfelelő átalakításáról a featurizációs fázisban. Ha a "Ki" beállítás van kiválasztva, akkor nem történik featurizáció. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a rendszerezés módjának testreszabásához.	"Automatikus" "Egyéni" "Kikapcsolva"
transformerParams	A felhasználó megadhat további használandó transzformátorokat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint a transzformátor konstruktor paramétereit.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Név	Leírás	Érték
{customized property}		sztring

TableVerticalFeaturizationSettingsTransformerParams

Név	Leírás	Érték
{customized property}		ColumnTransformer[]

ColumnTransformer

Név	Leírás	Érték
fields	A transzformátorlogika alkalmazásához használandó mezők.	sztring[]
parameters	A transzformátornak átadandó különböző tulajdonságok. A várt bemenet a kulcs-érték párok szótára JSON formátumban.

TableFixedParameters

Név	Leírás	Érték
Hírverő	Adja meg a kiemelés típusát, például gbdt XGBoost esetén.	sztring
boostingType	Adja meg a kiemelés típusát, például gbdt a LightGBM-hez.	sztring
growPolicy	Adja meg a növekedési szabályzatot, amely szabályozza, hogy az új csomópontok hogyan legyenek hozzáadva a fához.	sztring
learningRate	A képzési eljárás tanulási sebessége.	int
maxBin	Adja meg a Különálló intervallumok maximális számát a gyűjtő folyamatos funkcióihoz.	int
maxDepth	Adja meg a maximális mélységet a famélység explicit korlátozásához.	int
maxLeaves	Adja meg a maximális leveleket a falevelek explicit korlátozásához.	int
minDataInLeaf	Az adatok levélenkénti minimális száma.	int
minSplitGain	A fa egy levélcsomóponton történő további partíció létrehozásához minimális veszteségcsökkentés szükséges.	int
Modelname	A betanított modell neve.	sztring
nEstimators	Adja meg a modellekben lévő fák (vagy kerekítések) számát.	int
numLeaves	Adja meg a levelek számát.	int
preprocessorName	A használni kívánt előfeldolgozó neve.	sztring
regAlpha	L1 regularization kifejezés a súlyok.	int
regLambda	L2 regularization kifejezés a súlyok.	int
alminta	A betanítási példány részmintaaránya.	int
subsampleFreq	Az alminta gyakorisága.	int
treeMethod	Adja meg a fametódust.	sztring
withMean	Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával.	logikai
withStd	Ha igaz, az adatok skálázása a StandardScalar egység varianciájával.	logikai

TableVerticalLimitSettings

Név	Leírás	Érték
enableEarlyTermination	Engedélyezi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám.	logikai
exitScore	Az AutoML-feladat kilépési pontszáma.	int
maxConcurrentTrials	Egyidejű iterációk maximális száma.	int
maxCoresPerTrial	Maximális magok iterációnként.	int
maxTrials	Iterációk száma.	int
sweepConcurrentTrials	A felhasználó által aktiválni kívánt egyidejű takarítási futtatások száma.	int
sweepTrials	A felhasználó által aktiválni kívánt takarítási futtatások száma.	int
timeout	AutoML-feladat időtúllépése.	sztring
trialTimeout	Iterációs időtúllépés.	sztring

NCrossValidations

Név	Leírás	Érték
mód	Az objektum típusának beállítása	Automatikus Egyéni (kötelező)

AutoNCrossValidations

Név	Leírás	Érték
mód	[Kötelező] Mód az N-Kereszt érvényesítések meghatározásához.	"Automatikus" (kötelező)

CustomNCrossValidations

Név	Leírás	Érték
mód	[Kötelező] Mód az N-Kereszt érvényesítések meghatározásához.	"Egyéni" (kötelező)
érték	[Kötelező] N-Cross validations érték.	int (kötelező)

TableParameterSubspace

Név	Leírás	Érték
Hírverő	Adja meg a kiemelés típusát, például gbdt XGBoost esetén.	sztring
boostingType	Adja meg a kiemelés típusát, például gbdt a LightGBM-hez.	sztring
growPolicy	Adja meg a növekedési szabályzatot, amely szabályozza, hogy az új csomópontok hogyan legyenek hozzáadva a fához.	sztring
learningRate	A képzési eljárás tanulási sebessége.	sztring
maxBin	Adja meg a Különálló intervallumok maximális számát a gyűjtő folyamatos funkcióihoz.	sztring
maxDepth	Adja meg a maximális mélységet a famélység explicit korlátozásához.	sztring
maxLeaves	Adja meg a maximális leveleket a falevelek explicit korlátozásához.	sztring
minDataInLeaf	Az adatok levélenkénti minimális száma.	sztring
minSplitGain	A fa egy levélcsomóponton történő további partíció létrehozásához minimális veszteségcsökkentés szükséges.	sztring
Modelname	A betanított modell neve.	sztring
nEstimators	Adja meg a modellekben lévő fák (vagy kerekítések) számát.	sztring
numLeaves	Adja meg a levelek számát.	sztring
preprocessorName	A használni kívánt előfeldolgozó neve.	sztring
regAlpha	L1 regularization kifejezés a súlyok.	sztring
regLambda	L2 regularization kifejezés a súlyok.	sztring
alminta	A betanítási példány részmintaaránya.	sztring
subsampleFreq	Az alminta gyakorisága	sztring
treeMethod	Adja meg a fametódust.	sztring
withMean	Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával.	sztring
withStd	Ha igaz, az adatok skálázása a StandardScalar egység varianciájával.	sztring

TableSweepSettings

Név	Leírás	Érték
earlyTermination	A takarítási feladat korai felmondási szabályzatának típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A mintavételezési algoritmus típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

EarlyTerminationPolicy

Név	Leírás	Érték
delayEvaluation	Azoknak az intervallumoknak a száma, amelyekkel késleltetni szeretné az első értékelést.	int
evaluationInterval	A szabályzatértékelések közötti időköz (futtatások száma).	int
policyType	Az objektum típusának beállítása	Bandit MedianStopping CsonkításSelection (kötelező)

BanditPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"Bandit" (kötelező)
slackAmount	A legjobban teljesítő futtatástól megengedett abszolút távolság.	int
slackFactor	Az engedélyezett távolság aránya a legjobban teljesítő futtatástól.	int

MedianStoppingPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"MedianStopping" (kötelező)

CsonkításSelectionPolicy

Név	Leírás	Érték
policyType	[Kötelező] Szabályzatkonfiguráció neve	"CsonkításSelection" (kötelező)
truncationPercentage	Az egyes kiértékelési időközökben megszakítandó futtatások százalékos aránya.	int

ClassificationTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A besorolási feladathoz engedélyezett modellek.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	A besorolási feladat blokkolt modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
enableDnnTraining	Engedélyezze a DNN-modellek javaslatát.	logikai
enableModelExplainability	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	A stack együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack együttes futtatásához.	StackEnsembleSettings

StackEnsembleSettings

Név	Leírás	Érték
stackMetaLearnerKWargs	Nem kötelező paraméterek a metatanuló inicializálójának való átadáshoz.
stackMetaLearnerTrainPercentage	Megadja a betanítási készlet (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához lefoglalandó arányát. Az alapértelmezett érték 0,2.	int
stackMetaLearnerType	A metatanuló az egyes heterogén modellek kimenetére betanított modell.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs"

Előrejelzések

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Előrejelzés" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
forecastingSettings	Tevékenységspecifikus bemenetek előrejelzése.	Előrejelzésbeállítások
limitSettings	Az AutoMLJob végrehajtási kényszerei.	TableVerticalLimitSettings
nCrossValidations	A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
primaryMetric	Elsődleges metrika az előrejelzési tevékenységhez.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	TableParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	ElőrejelzésTanúsítási beállítások
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak.	sztring

Előrejelzésbeállítások

Név	Leírás	Érték
countryOrRegionForHolidays	Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB".	sztring
cvStepSize	Az egyik CV-hajtás forrásideje és a következő hajtás közötti időszakok száma. A következőhöz: például, ha CVStepSize a napi adatok = 3, akkor az egyes hajtások forrásideje három nap választja el egymástól.	int
featureLags	Az "automatikus" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző.	"Automatikus" "Nincs"
forecastHorizon	A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben.	Előrejelzéshorizon
frequency	Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánja, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága.	sztring
Szezonalitás	Állítsa be az idősor szezonalitását a sorozat gyakoriságának egész számának többszöröseként. Ha a szezonalitás "automatikus" értékre van állítva, a rendszer levonja a következtetést.	Szezonalitás
shortSeriesHandlingConfig	A paraméter határozza meg, hogy az AutoML hogyan kezelje a rövid idősorokat.	"Automatikus" "Drop" "Nincs" "Pad"
targetAggregateFunction	Az idősor céloszlopának összesítéséhez használandó függvény, hogy megfeleljen a felhasználó által megadott gyakoriságnak. Ha a TargetAggregateFunction be van állítva, azaz nem "Nincs", de a freq paraméter nincs beállítva, a hiba jelentkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean".	"Max" "Középérték" "Min" "Nincs" "Összeg"
targetLags	A céloszloptól eltúlzott időszakok száma.	TargetLags
targetRollingWindowSize	A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma.	TargetRollingWindowSize
timeColumnName	Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának következtetéséhez használt bemeneti adatok datetime oszlopának megadásához.	sztring
timeSeriesIdColumnNames	Az idősorok csoportosításához használt oszlopok nevei. Több adatsor létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak feltételezi a rendszer. Ezt a paramétert a rendszer feladattípus-előrejelzéssel használja.	sztring[]
useStl	Konfigurálja az idősor céloszlopának STL-felbontását.	"Nincs" "Szezon" "SeasonTrend"

Előrejelzéshorizon

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoForecastHorizon

Név	Leírás	Érték
mód	[Kötelező] Az előrejelzési horizont értékválasztási módjának beállítása.	"Automatikus" (kötelező)

CustomForecastHorizon

Név	Leírás	Érték
mód	[Kötelező] Az előrejelzési horizont értékválasztási módjának beállítása.	"Egyéni" (kötelező)
érték	[Kötelező] Előrejelzési horizont értéke.	int (kötelező)

Szezonalitás

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoSzeasonalitás

Név	Leírás	Érték
mód	[Kötelező] Szezonalitás mód.	"Automatikus" (kötelező)

CustomSeasonality

Név	Leírás	Érték
mód	[Kötelező] Szezonalitás mód.	"Egyéni" (kötelező)
érték	[Kötelező] Szezonalitás értéke.	int (kötelező)

TargetLags

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoTargetLags

Név	Leírás	Érték
mód	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni	"Automatikus" (kötelező)

CustomTargetLags

Név	Leírás	Érték
mód	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni	"Egyéni" (kötelező)
values	[Kötelező] Állítsa be a cél késési értékeit.	int[] (kötelező)

TargetRollingWindowSize

Név	Leírás	Érték
mód	Az objektumtípus beállítása	Automatikus Egyéni (kötelező)

AutoTargetRollingWindowSize

Név	Leírás	Érték
mód	[Kötelező] TargetRollingWindowSiz észlelési mód.	"Automatikus" (kötelező)

CustomTargetRollingWindowSize

Név	Leírás	Érték
mód	[Kötelező] TargetRollingWindowSiz észlelési mód.	"Egyéni" (kötelező)
érték	[Kötelező] TargetRollingWindowSize érték.	int (kötelező)

ElőrejelzésTanúsítási beállítások

Név	Leírás	Érték
allowedTrainingAlgorithms	Az előrejelzési tevékenységhez engedélyezett modellek.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms	Letiltott modellek az előrejelzési feladathoz.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining	DNN-modellek ajánlásának engedélyezése.	logikai
enableModelExplainability	Jelző a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az Onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	Stack-együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack-együttes futtatásához.	StackEnsembleSettings

ImageClassification

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageClassification" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsClassification
primaryMetric	A feladathoz optimalizálandó elsődleges metrika.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageLimitSettings

Név	Leírás	Érték
maxConcurrentTrials	Egyidejű AutoML-iterációk maximális száma.	int
maxTrials	AutoML-iterációk maximális száma.	int
timeout	AutoML-feladat időtúllépése.	sztring

ImageModelSettingsClassification

Név	Leírás	Érték
advancedSettings	Speciális forgatókönyvek beállításai.	sztring
amsGradient	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".	logikai
bővítés	A bővítések használatának beállításai.	sztring
béta1	A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
béta2	A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
checkpointFrequency	A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.	int
checkpointModel	Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.	MLFlowModelJobInput
checkpointRunId	Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.	sztring
Elosztott	Elosztott betanítás használata.	logikai
earlyStopping	Korai leállítási logika engedélyezése a betanítás során.	logikai
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie.	int
earlyStoppingPatience	Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	int
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	logikai
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	int
gradientAccumulationStep	A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	int
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.	"Nincs" "Lépés" "WarmupCosine"
Modelname	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	logikai
numberOfEpochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	int
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	int
Optimalizáló	Az optimalizáló típusa.	"Ádám" "Adamw" "Nincs" "Sgd"
randomSeed	Determinisztikus betanításhoz használandó véletlenszerű mag.	int
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	int
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	int
trainingCropSize	Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie.	int
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	int
validationCropSize	Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	int
validationResizeSize	Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.	int
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	int
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
weightedLoss	Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet.	int

MLFlowModelJobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti eszköz URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Név	Leírás	Érték
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	sztring
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
Elosztott	Az elosztott betanítás használata.	sztring
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.	sztring
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie.	sztring
earlyStoppingPatience	Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	sztring
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	sztring
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie.	sztring
gradientAccumulationStep	A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	sztring
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
learningRateScheduler	A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet.	sztring
Modelname	A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	sztring
numberOfEpochs	A betanítási korszakok száma. Pozitív egész számnak kell lennie.	sztring
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	sztring
Optimalizáló	Az optimalizáló típusa. Vagy "sgd", "adam", vagy "adamw" kell lennie.	sztring
randomSeed	Determinisztikus betanítás használatakor használandó véletlenszerű mag.	sztring
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	sztring
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	sztring
trainingCropSize	A kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	sztring
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationCropSize	Kép körülvágási mérete, amely az érvényesítési adatkészlet neurális hálózatához van beadva. Pozitív egész számnak kell lennie.	sztring
validationResizeSize	Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.	sztring
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
warmupCosineLRWarmupEpochs	A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	sztring
weightDecay	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1].	sztring
súlyozottlosok	Súlyozott veszteség. Az elfogadott értékek a súlyozott veszteség nélküli 0 értékek. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie.	sztring

ImageSweepSettings

Név	Leírás	Érték
earlyTermination	A korai felmondási szabályzat típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A hiperparaméteres mintavételezési algoritmusok típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

ImageClassificationMultilabel

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageClassificationMultilabel" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsClassification
primaryMetric	Elsődleges metrika a feladathoz való optimalizáláshoz.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	ImageModelDistributionSettingsClassification[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageInstanceSegmentation

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageInstanceSegmentation" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsObjectDetection
primaryMetric	A feladathoz optimalizálandó elsődleges metrika.	"MeanAveragePrecision"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

ImageModelSettingsObjectDetection

Név	Leírás	Érték
advancedSettings	Speciális forgatókönyvek beállításai.	sztring
amsGradient	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".	logikai
bővítés	A bővítések használatának beállításai.	sztring
béta1	A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
béta2	A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
boxDetectionsPerImage	Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
boxScoreThreshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
checkpointFrequency	A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.	int
checkpointModel	Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.	MLFlowModelJobInput
checkpointRunId	Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.	sztring
Elosztott	Elosztott betanítás használata.	logikai
earlyStopping	Korai leállítási logika engedélyezése a betanítás során.	logikai
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie.	int
earlyStoppingPatience	Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	int
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	logikai
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	int
gradientAccumulationStep	A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	int
imageSize	Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	int
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.	"Nincs" "Lépés" "WarmupCosine"
maxSize	Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
minSize	Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
Modelname	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
modelSize	Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	"ExtraLarge" "Nagy" "Közepes" "Nincs" "Kicsi"
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
több skálázás	Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	logikai
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	logikai
nmsIouThreshold	Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
numberOfEpochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	int
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	int
Optimalizáló	Az optimalizáló típusa.	"Ádám" "Adamw" "Nincs" "Sgd"
randomSeed	Determinisztikus betanításhoz használandó véletlenszerű mag.	int
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	int
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	int
tileGridSize	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tileOverlapRatio	Átfedési arány a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
tilePredictionsNmsThreshold	Az NMS végrehajtásához használandó IOU-küszöbérték a csempék és a rendszerképek előrejelzéseinek egyesítése során. Ellenőrzéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	int
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	int
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	int
validationIouThreshold	Az ellenőrzési metrikák számításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	int
validationMetricType	Az érvényesítési metrikákhoz használható metrikaszámítási módszer.	"Coco" "CocoVoc" "Nincs" "Voc"
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	int
warmupCosineLRWarmupEpochs	A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	int
weightDecay	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1].	int

ImageModelDistributionSettingsObjectDetection

Név	Leírás	Érték
amsGradient	Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw".	sztring
augmentations	A Bővítések használatának beállításai.	sztring
béta1	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
béta2	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	sztring
boxDetectionsPerImage	Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
boxScoreThreshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegőpontosnak kell lennie a tartományban[0, 1].	sztring
Elosztott	Az elosztott betanítás használata.	sztring
earlyStopping	A korai leállítási logika engedélyezése a betanítás során.	sztring
earlyStoppingDelay	Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie.	sztring
earlyStoppingPatience	Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie.	sztring
enableOnnxNormalization	Engedélyezze a normalizálást az ONNX-modell exportálásakor.	sztring
evaluationFrequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie.	sztring
gradientAccumulationStep	A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.	sztring
imageSize	Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
layersToFreeze	A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
learningRate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
learningRateScheduler	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.	sztring
maxSize	Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
minSize	Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
Modelname	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	sztring
modelSize	Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
Lendület	A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
több skálázás	Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.	sztring
nesterov	Engedélyezze a nesterovot, ha az optimalizáló "sgd".	sztring
nmsIouThreshold	Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	sztring
numberOfEpochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	sztring
numberOfWorkers	Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.	sztring
Optimalizáló	Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.	sztring
randomSeed	Determinisztikus betanításhoz használandó véletlenszerű mag.	sztring
stepLRGamma	A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
stepLRStepSize	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.	sztring
tileGridSize	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tileOverlapRatio	Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.	sztring
tilePredictionsNmsThreshold	Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális elnyomás	sztring
trainingBatchSize	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationBatchSize	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	sztring
validationIouThreshold	Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.	sztring
validationMetricType	Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. A "none", a "coco", a "voc" vagy a "coco_voc" értéknek kell lennie.	sztring
warmupCosineLRCycles	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring
warmupCosineLRWarmupEpochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.	sztring
weightDecay	A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	sztring

ImageObjectDetection

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"ImageObjectDetection" (kötelező)
limitSettings	[Kötelező] Az AutoML-feladat beállításainak korlátozása.	ImageLimitSettings (kötelező)
modelSettings	A modell betanításához használt beállítások.	ImageModelSettingsObjectDetection
primaryMetric	A feladathoz optimalizálandó elsődleges metrika.	"MeanAveragePrecision"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.	ImageSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int

Regresszió

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"Regresszió" (kötelező)
cvSplitColumnNames	A CVSplit-adatokhoz használandó oszlopok.	sztring[]
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	TableVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	TableFixedParameters
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	TableVerticalLimitSettings
nCrossValidations	A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva.	NCrossValidations
primaryMetric	A regressziós feladat elsődleges metrikája.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	TableParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	TableSweepSettings
testData	Adatbevitel tesztelése.	MLTableJobInput
testDataSize	A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
trainingSettings	Bemenetek egy AutoML-feladat betanítási fázisához.	RegressionTrainingSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput
validationDataSize	A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva.	int
weightColumnName	A minta súlyozási oszlopának neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorainak súlyozását okozza.	sztring

RegressionTrainingSettings

Név	Leírás	Érték
allowedTrainingAlgorithms	A regressziós feladathoz engedélyezett modellek.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "Szabadkézik" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms	A regressziós feladat blokkolt modelljei.	Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "Szabadkézik" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
enableDnnTraining	Engedélyezze a DNN-modellek javaslatát.	logikai
enableModelExplainability	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.	logikai
enableOnnxCompatibleModels	Az onnx-kompatibilis modellek engedélyezésének jelzője.	logikai
enableStackEnsemble	A stack együttes futtatásának engedélyezése.	logikai
enableVoteEnsemble	A szavazási együttes futtatásának engedélyezése.	logikai
ensembleModelDownloadTimeout	A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség.	sztring
stackEnsembleSettings	Stack-együttes beállításai a stack együttes futtatásához.	StackEnsembleSettings

TextClassification

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextClassification" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási korlátozásai.	NlpVerticalLimitSettings
primaryMetric	Elsődleges metrika Text-Classification tevékenységhez.	"AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére.	NlpParameterSubspace[]
sweepSettings	A modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

NlpVerticalFeaturizationSettings

Név	Leírás	Érték
datasetLanguage	Adatkészlet nyelve, amely hasznos a szöveges adatokhoz.	sztring

NlpFixedParameters

Név	Leírás	Érték
gradientAccumulationSteps	A színátmenetek felgyülemlésének lépéseinek száma a visszalépés futtatása előtt.	int
learningRate	A képzési eljárás tanulási aránya.	int
learningRateScheduler	A képzési eljárás során használandó tanulási sebesség ütemezésének típusa.	"Állandó" "ConstantWithWarmup" "Koszinusz" "CosineWithRestarts" "Lineáris" "Nincs" "Polinomiális"
Modelname	A betanított modell neve.	sztring
numberOfEpochs	A betanítási korszakok száma.	int
trainingBatchSize	A betanítási eljárás kötegmérete.	int
validationBatchSize	A kiértékelés során használandó kötegméret.	int
warmupRatio	Az LrSchedulerType mellett használt bemelegítési arány.	int
weightDecay	A betanítási eljárás súlycsökkenése.	int

NlpVerticalLimitSettings

Név	Leírás	Érték
maxConcurrentTrials	Egyidejű AutoML-iterációk maximális száma.	int
maxNodes	Az egyetlen próbaverzióban való betanításhoz használható maximális csomópontok. Szabályozza a többcsomópontos elosztott betanítást.	int
maxTrials	AutoML-iterációk száma.	int
timeout	AutoML-feladat időtúllépése.	sztring
trialTimeout	Időtúllépés az egyes HD-próbaverziókhoz.	sztring

NlpParameterSubspace

Név	Leírás	Érték
gradientAccumulationSteps	A színátmenetek felgyülemlésének lépéseinek száma a visszalépés futtatása előtt.	sztring
learningRate	A képzési eljárás tanulási aránya.	sztring
learningRateScheduler	A képzési eljárás során használandó tanulási sebesség ütemezésének típusa.	sztring
Modelname	A betanított modell neve.	sztring
numberOfEpochs	A betanítási korszakok száma.	sztring
trainingBatchSize	A betanítási eljárás kötegmérete.	sztring
validationBatchSize	A kiértékelés során használandó kötegméret.	sztring
warmupRatio	Az LrSchedulerType mellett használt bemelegítési arány.	sztring
weightDecay	A betanítási eljárás súlycsökkenése.	sztring

NlpSweepSettings

Név	Leírás	Érték
earlyTermination	A takarítási feladat korai felmondási szabályzatának típusa.	EarlyTerminationPolicy
samplingAlgorithm	[Kötelező] A mintavételezési algoritmus típusa.	"Bayesian" "Rács" "Véletlenszerű" (kötelező)

TextClassificationMultilabel

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextClassificationMultilabel" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	NlpVerticalLimitSettings
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	NlpParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

TextNer

Név	Leírás	Érték
taskType	[Kötelező] Az AutoMLJob feladattípusa.	"TextNER" (kötelező)
featurizationSettings	Az AutoML-feladathoz szükséges featurizációs bemenetek.	NlpVerticalFeaturizationSettings
fixedParameters	Modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak.	NlpFixedParameters
limitSettings	Az AutoMLJob végrehajtási kényszerei.	NlpVerticalLimitSettings
searchSpace	Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez.	NlpParameterSubspace[]
sweepSettings	Modellsöprési és hiperparaméter-finomhangolási beállítások.	NlpSweepSettings
validationData	Adatbemenetek érvényesítése.	MLTableJobInput

CommandJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Parancs" (kötelező)
autologgerSettings	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	AutologgerSettings
codeId	A kódeszköz ARM-erőforrás-azonosítója.	sztring
command	[Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py"	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]
Eloszlás	A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	DistributionConfiguration
environmentId	[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
environmentVariables	A feladatban szereplő környezeti változók.	CommandJobEnvironmentVariables
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	CommandJobInputs
Határok	Parancsfeladat korlátja.	CommandJobLimits
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	CommandJobOutputs
resources	Számítási erőforrás konfigurációja a feladathoz.	JobResourceConfiguration

AutologgerSettings

Név	Leírás	Érték
mlflowAutologger	[Kötelező] Azt jelzi, hogy az mlflow autologger engedélyezve van-e.	"Letiltva" "Engedélyezve" (kötelező)

DistributionConfiguration

Név	Leírás	Érték
distributionType	Az objektum típusának beállítása	Mpi PyTorch TensorFlow (kötelező)

Mpi

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"Mpi" (kötelező)
processCountPerInstance	Folyamatok száma MPI-csomópontonként.	int

PyTorch

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"PyTorch" (kötelező)
processCountPerInstance	Folyamatok száma csomópontonként.	int

TensorFlow

Név	Leírás	Érték
distributionType	[Kötelező] A terjesztési keretrendszer típusát határozza meg.	"TensorFlow" (kötelező)
parameterServerCount	A paraméterkiszolgálói feladatok száma.	int
workerCount	Feldolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz.	int

CommandJobEnvironmentVariables

Név	Leírás	Érték
{customized property}		sztring

CommandJobInputs

Név	Leírás	Érték
{customized property}		JobInput

JobInput

Név	Leírás	Érték
leírás	A bemenet leírása.	sztring
jobInputType	Az objektum típusának beállítása	custom_model Szó mlflow_model mltable triton_model uri_file uri_folder (kötelező)

CustomModelJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"custom_model" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

LiteralJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"literál" (kötelező)
érték	[Kötelező] A bemenet literálértéke.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

TritonModelJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"triton_model" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

UriFileJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"uri_file" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

UriFolderJobInput

Név	Leírás	Érték
jobInputType	[Kötelező] Meghatározza a feladat típusát.	"uri_folder" (kötelező)
mód	Bemeneti eszköz kézbesítési módja.	"Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
Uri	[Kötelező] Bemeneti adategység URI-ja.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

CommandJobLimits

Név	Leírás	Érték
jobLimitsType	[Kötelező] JobLimit típus.	"Parancs" "Takarítás" (kötelező)
timeout	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak a másodperc pontosságú időtartamot támogatja.	sztring

CommandJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

LabelingJobProperties

Név	Leírás	Érték
componentId	Az összetevő-erőforrás ARM-erőforrás-azonosítója.	sztring
computeId	A számítási erőforrás ARM-erőforrás-azonosítója.	sztring
dataConfiguration	A feladatban használt adatok konfigurálása.	LabelingDataConfiguration
leírás	Az eszköz leírásának szövege.	sztring
displayName	A feladat nevének megjelenítése.	sztring
experimentName	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.	sztring
identity	Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.	IdentityConfiguration
isArchived	Archiválva van az eszköz?	logikai
jobInstructions	A feladat címkézési utasításai.	LabelingJobInstructions
jobType	[Kötelező] Meghatározza a feladat típusát.	"AutoML" "Parancs" "Címkézés" "Folyamat" "Spark" "Takarítás" (kötelező)
labelCategories	A feladat címkéinek kategóriái.	LabelingJobLabelCategories
labelingJobMediaProperties	Médiatípus-specifikus tulajdonságok a feladatban.	LabelingJobMediaProperties
mlAssistConfiguration	Az MLAssist szolgáltatás konfigurálása a feladatban.	MLAssistConfiguration
properties	Az eszköztulajdonság szótára.	ResourceBaseProperties
services	A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz.	JobBaseServices
tags	Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.	object

LabelingDataConfiguration

Név	Leírás	Érték
dataId	Az adategység erőforrás-azonosítója a címkézés végrehajtásához.	sztring
incrementalDataRefreshEnabled	Azt jelzi, hogy engedélyezi-e a növekményes adatfrissítést.	logikai

LabelingJobInstructions

Név	Leírás	Érték
Uri	A címkézőkre vonatkozó részletes címkézési utasításokat tartalmazó lapra mutató hivatkozás.	sztring

LabelingJobLabelCategories

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelCategory
{testreszabott tulajdonság}		LabelCategory

LabelCategory

Név	Leírás	Érték
Osztályok	A kategória címkeosztályainak szótára.	LabelCategoryClasses
displayName	A címkekategória megjelenítendő neve.	sztring
multiSelectEnabled	Azt jelzi, hogy engedélyezve van-e több osztály kijelölése ebben a kategóriában.	logikai

LabelCategoryClasses

Név	Leírás	Érték
{testreszabott tulajdonság}		LabelClass

LabelClass

Név	Leírás	Érték
displayName	A címkeosztály megjelenítendő neve.	sztring
Alosztályok	A címkeosztály alosztályainak szótára.	LabelClassSubclasses

LabelClassSubclasses

Név	Leírás	Érték
{customized property}		LabelClass

LabelingJobMediaProperties

Név	Leírás	Érték
mediaType	Az objektum típusának beállítása	Kép Szöveg (kötelező)

LabelingJobImageProperties

Név	Leírás	Érték
mediaType	[Kötelező] A feladat médiatípusa.	"Kép" (kötelező)
annotationType	A képcímkézési feladat jegyzettípusa.	"Határolókeret" "Besorolás" "InstanceSegmentation"

LabelingJobTextProperties

Név	Leírás	Érték
mediaType	[Kötelező] A feladat médiatípusa.	"Szöveg" (kötelező)
annotationType	A szövegcímkézési feladat jegyzettípusa.	"Besorolás" "NamedEntityRecognition"

MLAssistConfiguration

Név	Leírás	Érték
mlAssist	Az objektum típusának beállítása	Disabled Engedélyezve (kötelező)

MLAssistConfigurationDisabled

Név	Leírás	Érték
mlAssist	[Kötelező] Azt jelzi, hogy az MLAssist funkció engedélyezve van-e.	"Letiltva" (kötelező)

MLAssistConfigurationEnabled

Név	Leírás	Érték
mlAssist	[Kötelező] Azt jelzi, hogy az MLAssist funkció engedélyezve van-e.	"Engedélyezve" (kötelező)
inferencingComputeBinding	[Kötelező] AML számítási kötés, amelyet a következtetéshez használnak.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
trainingComputeBinding	[Kötelező] A betanításhoz használt AML számítási kötés.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

PipelineJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Folyamat" (kötelező)
Bemenetek	A folyamatfeladat bemenetei.	PipelineJobInputs
Munkahelyek	A feladatok létrehoznak egy folyamatfeladatot.	PipelineJobJobs
Kimenetek	A folyamatfeladat kimenetei	PipelineJobOutputs
beállítások	Folyamatbeállítások, például ContinueRunOnStepFailure stb.
sourceJobId	A forrásfeladat ARM-erőforrás-azonosítója.	sztring

PipelineJobInputs

Név	Leírás	Érték
{customized property}		JobInput

PipelineJobJobs

Név	Leírás	Érték
{customized property}

PipelineJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

SparkJob

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Spark" (kötelező)
Archívum	Archiválja a feladatban használt fájlokat.	sztring[]
args	A feladat argumentumai.	sztring
codeId	[Kötelező] A kódobjektum ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
Conf	Spark által konfigurált tulajdonságok.	SparkJobConf
Bejegyzés	[Kötelező] A feladat indításakor végrehajtandó bejegyzés.	SparkJobEntry (kötelező)
environmentId	A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring
fájlok	A feladatban használt fájlok.	sztring[]
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	SparkJobInputs
Tégelyek	A feladatban használt JAR-fájlok.	sztring[]
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	SparkJobOutputs
pyFiles	A feladatban használt Python-fájlok.	sztring[]
resources	Számítási erőforrás konfigurációja a feladathoz.	SparkResourceConfiguration

SparkJobConf

Név	Leírás	Érték
{customized property}		sztring

SparkJobEntry

Név	Leírás	Érték
sparkJobEntryType	Az objektum típusának beállítása	SparkJobPythonEntry SparkJobScalaEntry (kötelező)

SparkJobPythonEntry

Név	Leírás	Érték
sparkJobEntryType	[Kötelező] A feladat belépési pontjának típusa.	"SparkJobPythonEntry" (kötelező)
file	[Kötelező] A feladat belépési pontjának relatív Python-fájlútvonala.	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]

SparkJobScalaEntry

Név	Leírás	Érték
sparkJobEntryType	[Kötelező] A feladat belépési pontjának típusa.	"SparkJobScalaEntry" (kötelező)
Osztálynév	[Kötelező] Belépési pontként használt Scala-osztály neve.	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]

SparkJobInputs

Név	Leírás	Érték
{customized property}		JobInput

SparkJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

SparkResourceConfiguration

Név	Leírás	Érték
instanceType	A számítási cél által támogatott virtuális gép választható típusa.	sztring
runtimeVersion	A feladathoz használt Spark-futtatókörnyezet verziója.	sztring

Takarítási feladat

Név	Leírás	Érték
jobType	[Kötelező] Meghatározza a feladat típusát.	"Takarítás" (kötelező)
earlyTermination	A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének	EarlyTerminationPolicy
Bemenetek	A feladatban használt bemeneti adatkötések leképezése.	SweepJobInputs
Határok	Takarítási feladatok korlátja.	SweepJobLimits
Célkitűzés	[Kötelező] Optimalizálási célkitűzés.	Célkitűzés (kötelező)
Kimenetek	A feladatban használt kimeneti adatkötések leképezése.	SweepJobOutputs
samplingAlgorithm	[Kötelező] A hiperparaméter-mintavételezési algoritmus	SamplingAlgorithm (kötelező)
searchSpace	[Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve
trial	[Kötelező] Próbaverziós összetevő definíciója.	TrialComponent (kötelező)

SweepJobInputs

Név	Leírás	Érték
{customized property}		JobInput

SweepJobLimits

Név	Leírás	Érték
jobLimitsType	[Kötelező] JobLimit típus.	"Parancs" "Takarítás" (kötelező)
maxConcurrentTrials	Takarítási feladat maximális egyidejű próbaverziói.	int
maxTotalTrials	Takarítási feladat maximális teljes próbaverziója.	int
timeout	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak a másodperc pontosságú időtartamot támogatja.	sztring
trialTimeout	Takarítási feladat próbaverziója időtúllépési értéke.	sztring

Cél

Név	Leírás	Érték
goal	[Kötelező] A hiperparaméterek finomhangolásához támogatott metrikacélok meghatározása	"Teljes méret" "Kis méret" (kötelező)
primaryMetric	[Kötelező] Az optimalizálni kívánt metrika neve.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]

SweepJobOutputs

Név	Leírás	Érték
{customized property}		JobOutput

SamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	Az objektum típusának beállítása	Bayes Rács Véletlenszerű (kötelező)

BayesianSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Bayesian" (kötelező)

GridSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Rács" (kötelező)

RandomSamplingAlgorithm

Név	Leírás	Érték
samplingAlgorithmType	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok	"Véletlenszerű" (kötelező)
Szabály	A véletlenszerű algoritmus adott típusa	"Véletlenszerű" "Sobol"
Vetőmag	Egy nem kötelező egész szám, amelyet véletlenszerű számgeneráláshoz használnak magként	int

TrialComponent

Név	Leírás	Érték
codeId	A kódobjektum ARM-erőforrás-azonosítója.	sztring
command	[Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py"	sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_]
Eloszlás	A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értéknek kell lennie.	DistributionConfiguration
environmentId	[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.	sztring (kötelező) Korlátok: Minta = [a-zA-Z0-9_]
environmentVariables	A feladatban szereplő környezeti változók.	TrialComponentEnvironmentVariables
resources	Számítási erőforrás konfigurációja a feladathoz.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Név	Leírás	Érték
{customized property}		sztring