Microsoft.MachineLearningServices-munkaterületek/schedules 2023-06-01-preview
Bicep-erőforrásdefiníció
A munkaterületek/ütemezések erőforrástípusa üzembe helyezhető a célműveletekkel:
- Erőforráscsoportok – Lásd erőforráscsoport üzembe helyezési parancsaival
Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplócímű témakörben találja.
Erőforrás formátuma
Microsoft.MachineLearningServices/workspaces/schedules erőforrás létrehozásához adja hozzá a következő Bicep-et a sablonhoz.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-06-01-preview' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
}
tags: {}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objektumok
Állítsa be a actionType tulajdonságot az objektum típusának megadásához.
CreateJobesetén használja a következőt:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
notificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
properties: {
{customized property}: 'string'
}
secretsConfiguration: {
{customized property}: {
uri: 'string'
workspaceSecretName: 'string'
}
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
CreateMonitoresetén használja a következőt:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSetting: {
alertNotificationType: 'string'
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
mode: 'string'
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
ImportDataesetén használja a következőt:
actionType: 'ImportData'
dataImportDefinition: {
assetName: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
dataType: 'string'
dataUri: 'string'
description: 'string'
intellectualProperty: {
protectionLevel: 'string'
publisher: 'string'
}
isAnonymous: bool
isArchived: bool
properties: {
{customized property}: 'string'
}
source: {
connection: 'string'
sourceType: 'string'
// For remaining properties, see DataImportSource objects
}
stage: 'string'
tags: {}
}
Az InvokeBatchEndpointesetén használja a következőt:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
JobBaseProperties objektumok
Állítsa be a jobType tulajdonságot az objektum típusának megadásához.
AutoMLesetén használja a következőt:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
A commandesetében 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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
címkézésiesetén használja a következőt:
jobType: 'Labeling'
dataConfiguration: {
dataId: 'string'
incrementalDataRefresh: 'string'
}
jobInstructions: {
uri: 'string'
}
labelCategories: {
{customized property}: {
classes: {
{customized property}: {
displayName: 'string'
subclasses: {
{customized property}: {}
}
}
displayName: 'string'
multiSelect: 'string'
}
}
labelingJobMediaProperties: {
mediaType: 'string'
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration: {
mlAssist: 'string'
// For remaining properties, see MLAssistConfiguration objects
}
A folyamatesetében 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'
Sparkesetén 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'
]
queueSettings: {
jobTier: 'string'
priority: int
}
resources: {
instanceType: 'string'
runtimeVersion: 'string'
}
A Sweepesetében 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
}
}
queueSettings: {
jobTier: 'string'
priority: int
}
samplingAlgorithm: {
samplingAlgorithmType: 'string'
// For remaining properties, see SamplingAlgorithm objects
}
searchSpace: any()
trial: {
codeId: 'string'
command: 'string'
distribution: {
distributionType: 'string'
// For remaining properties, see DistributionConfiguration objects
}
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
locations: [
'string'
]
maxInstanceCount: int
properties: {
{customized property}: any()
}
shmSize: 'string'
}
}
IdentityConfiguration-objektumok
Állítsa be a identityType tulajdonságot az objektum típusának megadásához.
AMLTokenesetén használja a következőt:
identityType: 'AMLToken'
felügyeltesetén használja a következőt:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
Az UserIdentityesetében használja a következőt:
identityType: 'UserIdentity'
Webhook objektumok
Állítsa be a webhookType tulajdonságot az objektum típusának megadásához.
Az AzureDevOps
webhookType: 'AzureDevOps'
Csomópontok objektumai
Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.
Az összes
nodesValueType: 'All'
JobOutput-objektumok
Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.
custom_modelesetén használja a következőt:
jobOutputType: 'custom_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
mlflow_modelesetén használja a következőt:
jobOutputType: 'mlflow_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
mltableesetén használja a következőt:
jobOutputType: 'mltable'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
triton_modelesetén használja a következőt:
jobOutputType: 'triton_model'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
uri_fileesetén használja a következőt:
jobOutputType: 'uri_file'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
uri_folderesetén használja a következőt:
jobOutputType: 'uri_folder'
assetName: 'string'
assetVersion: 'string'
autoDeleteSetting: {
condition: 'string'
value: 'string'
}
mode: 'string'
uri: 'string'
AutoMLVertical objektumok
Állítsa be a taskType tulajdonságot az objektum típusának megadásához.
Besorolásiesetén 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
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Előrejelzésiesetén 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'
featuresUnknownAtForecastTime: [
'string'
]
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Az ImageClassificationesetében 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
ImageClassificationMultilabelesetén 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 ImageInstanceSegmentationesetében 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'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: '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 ImageObjectDetectionesetében 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'
logTrainingMetrics: 'string'
logValidationLoss: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: '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
Regressziósesetén 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
maxNodes: int
maxTrials: int
sweepConcurrentTrials: int
sweepTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
searchSpace: [
{
booster: 'string'
boostingType: 'string'
growPolicy: 'string'
learningRate: 'string'
maxBin: 'string'
maxDepth: 'string'
maxLeaves: 'string'
minDataInLeaf: 'string'
minSplitGain: 'string'
modelName: 'string'
nEstimators: 'string'
numLeaves: 'string'
preprocessorName: 'string'
regAlpha: 'string'
regLambda: 'string'
subsample: 'string'
subsampleFreq: 'string'
treeMethod: 'string'
withMean: 'string'
withStd: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
trainingMode: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
TextClassificationesetén 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 TextClassificationMultilabelesetében 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'
}
TextNEResetén 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 mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode: 'Auto'
Az egyéni
mode: 'Custom'
value: int
EarlyTerminationPolicy objektumok
Állítsa be a policyType tulajdonságot az objektum típusának megadásához.
Banditesetén használja a következőt:
policyType: 'Bandit'
slackAmount: int
slackFactor: int
MediánStoppingesetén használja a következőt:
policyType: 'MedianStopping'
A Csonkolásselectionesetében használja a következőt:
policyType: 'TruncationSelection'
truncationPercentage: int
ForecastHorizon objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode: 'Auto'
Az egyéni
mode: 'Custom'
value: int
Szezonalitási objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode: 'Auto'
Az egyéni
mode: 'Custom'
value: int
TargetLags-objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode: 'Auto'
Az egyéni
mode: 'Custom'
values: [
int
]
TargetRollingWindowSize objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode: 'Auto'
Az egyéni
mode: 'Custom'
value: int
DistributionConfiguration-objektumok
Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.
Mpiesetén használja a következőt:
distributionType: 'Mpi'
processCountPerInstance: int
PyTorchesetén használja a következőt:
distributionType: 'PyTorch'
processCountPerInstance: int
Rayesetén használja a következőt:
distributionType: 'Ray'
address: 'string'
dashboardPort: int
headNodeAdditionalArgs: 'string'
includeDashboard: bool
port: int
workerNodeAdditionalArgs: 'string'
A TensorFlow
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
JobInput-objektumok
Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.
custom_modelesetén használja a következőt:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
A literálisesetében használja a következőt:
jobInputType: 'literal'
value: 'string'
mlflow_modelesetén használja a következőt:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
mltableesetén használja a következőt:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
triton_modelesetén használja a következőt:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
uri_fileesetén használja a következőt:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
uri_folderesetén használja a következőt:
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
LabelingJobMediaProperties objektumok
Állítsa be a mediaType tulajdonságot az objektum típusának megadásához.
Képesetén használja a következőt:
mediaType: 'Image'
annotationType: 'string'
Szövegesetén használja a következőt:
mediaType: 'Text'
annotationType: 'string'
MLAssistConfiguration objektumok
Állítsa be a mlAssist tulajdonságot az objektum típusának megadásához.
Letiltottesetén használja a következőt:
mlAssist: 'Disabled'
Engedélyezettesetén használja a következőt:
mlAssist: 'Enabled'
inferencingComputeBinding: 'string'
trainingComputeBinding: 'string'
SparkJobEntry-objektumok
Állítsa be a sparkJobEntryType tulajdonságot az objektum típusának megadásához.
A SparkJobPythonEntry
sparkJobEntryType: 'SparkJobPythonEntry'
file: 'string'
A SparkJobScalaEntry
sparkJobEntryType: 'SparkJobScalaEntry'
className: 'string'
SamplingAlgorithm objektumok
Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.
Bayesianesetén használja a következőt:
samplingAlgorithmType: 'Bayesian'
A Gridesetében használja a következőt:
samplingAlgorithmType: 'Grid'
Véletlenszerűesetén használja a következőt:
samplingAlgorithmType: 'Random'
logbase: 'string'
rule: 'string'
seed: int
MonitoringAlertNotificationSettingsBase-objektumok
Állítsa be a alertNotificationType tulajdonságot az objektum típusának megadásához.
Az AzureMonitor
alertNotificationType: 'AzureMonitor'
e-mailesetén használja a következőt:
alertNotificationType: 'Email'
emailNotificationSetting: {
emailOn: [
'string'
]
emails: [
'string'
]
webhooks: {
{customized property}: {
eventType: 'string'
webhookType: 'string'
// For remaining properties, see Webhook objects
}
}
}
MonitorComputeConfigurationBase-objektumok
Állítsa be a computeType tulajdonságot az objektum típusának megadásához.
ServerlessSparkesetén használja a következőt:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
MonitorComputeIdentityBase-objektumok
Állítsa be a computeIdentityType tulajdonságot az objektum típusának megadásához.
AmlTokenesetén használja a következőt:
computeIdentityType: 'AmlToken'
ManagedIdentityesetén használja a következőt:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
MonitoringSignalBase-objektumok
Állítsa be a signalType tulajdonságot az objektum típusának megadásához.
Az egyéni
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
workspaceConnection: {
environmentVariables: {
{customized property}: 'string'
}
secrets: {
{customized property}: 'string'
}
}
DataDriftesetén használja a következőt:
signalType: 'DataDrift'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
featureDataTypeOverride: {
{customized property}: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
DataQualityesetén használja a következőt:
signalType: 'DataQuality'
featureDataTypeOverride: {
{customized property}: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
FeatureAttributionDriftesetén használja a következőt:
signalType: 'FeatureAttributionDrift'
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
A GenerationSafetyQualityesetében használja a következőt:
signalType: 'GenerationSafetyQuality'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate: int
workspaceConnectionId: 'string'
A GenerationTokenStatisticsesetében használja a következőt:
signalType: 'GenerationTokenStatistics'
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
samplingRate: int
ModelPerformanceesetén használja a következőt:
signalType: 'ModelPerformance'
dataSegment: {
feature: 'string'
values: [
'string'
]
}
metricThreshold: {
threshold: {
value: int
}
modelType: 'string'
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
PredictionDriftesetén használja a következőt:
signalType: 'PredictionDrift'
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType: 'string'
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objektumok
Állítsa be az inputDataType tulajdonságot az objektum típusának megadásához.
Rögzítettesetén használja a következőt:
inputDataType: 'Fixed'
Statikusesetén használja a következőt:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
Záróesetén használja a következőt:
inputDataType: 'Trailing'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
MonitoringFeatureFilterBase-objektumok
Állítsa be a filterType tulajdonságot az objektum típusának megadásához.
AllFeaturesesetén használja a következőt:
filterType: 'AllFeatures'
A FeatureSubsetesetében használja a következőt:
filterType: 'FeatureSubset'
features: [
'string'
]
TopNByAttributionesetén használja a következőt:
filterType: 'TopNByAttribution'
top: int
DataDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
dataType: 'Categorical'
metric: 'string'
Numerikus
dataType: 'Numerical'
metric: 'string'
DataQualityMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
dataType: 'Categorical'
metric: 'string'
Numerikus
dataType: 'Numerical'
metric: 'string'
ModelPerformanceMetricThresholdBase objektumok
Állítsa be a modelType tulajdonságot az objektum típusának megadásához.
Besorolásiesetén használja a következőt:
modelType: 'Classification'
metric: 'string'
Regressziósesetén használja a következőt:
modelType: 'Regression'
metric: 'string'
PredictionDriftMetricThresholdBase objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
dataType: 'Categorical'
metric: 'string'
Numerikus
dataType: 'Numerical'
metric: 'string'
DataImportSource-objektumok
Állítsa be a sourceType tulajdonságot az objektum típusának megadásához.
adatbázis-esetén használja a következőt:
sourceType: 'database'
query: 'string'
storedProcedure: 'string'
storedProcedureParams: [
{
{customized property}: 'string'
}
]
tableName: 'string'
file_systemesetén használja a következőt:
sourceType: 'file_system'
path: 'string'
TriggerBase-objektumok
Állítsa be a triggerType tulajdonságot az objektum típusának megadásához.
Cronesetén használja a következőt:
triggerType: 'Cron'
expression: 'string'
Az ismétlődésia következőt használja:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Tulajdonságértékek
munkaterületek/ütemezések
| Név | Leírás | Érték |
|---|---|---|
| név | Az erőforrás neve Megtudhatja, hogyan állíthat be neveket és típusokat a gyermekerőforrásokhoz Bicep. |
sztring (kötelező) |
| szülő | A Bicepben megadhatja a gyermekerőforrás szülőerőforrását. Ezt a tulajdonságot csak akkor kell hozzáadnia, ha a gyermekerőforrás a szülőerőforráson kívül van deklarálva. További információ: szülőerőforráson kívüli gyermekerőforrás. |
A típus erőforrásának szimbolikus neve: munkaterületek |
| kellékek | [Kötelező] Az entitás további attribútumai. | ScheduleProperties (kötelező) |
ScheduleProperties
| Név | Leírás | Érték |
|---|---|---|
| akció | [Kötelező] Az ütemezés műveletét adja meg | ScheduleActionBase (kötelező) |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | Az ütemezés megjelenítendő neve. | húr |
| isEnabled | Engedélyezve van az ütemezés? | Bool |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
| kivált | [Kötelező] Az eseményindító részleteinek megadása | TriggerBase (kötelező) |
ScheduleActionBase
| Név | Leírás | Érték |
|---|---|---|
| actionType | Az objektumtípus beállítása |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (kötelező) |
JobScheduleAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateJob" (kötelező) |
| jobDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. | JobBaseProperties (kötelező) |
JobBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | húr |
| computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | húr |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | A feladat megjelenítendő neve. | húr |
| experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | húr |
| azonosság | 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 objektum? | Bool |
| notificationSetting | A feladat értesítési beállítása | NotificationSetting |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| secretsConfiguration | Konfiguráció a futtatókörnyezetben elérhetővé tenni kívánt titkos kódokhoz. | JobBaseSecretsConfiguration |
| szolgáltatás | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik. |
JobBaseServices |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
| jobType | Az objektumtípus beállítása |
AutoML- parancs címkézési folyamat Spark takarítási (kötelező) |
IdentityConfiguration
| Név | Leírás | Érték |
|---|---|---|
| identityType | Az objektumtípus beállítása |
AMLToken felügyelt UserIdentity (kötelező) |
AmlToken
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "AMLToken" (kötelező) |
ManagedIdentity
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "Felügyelt" (kötelező) |
| clientId | Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt. | húr 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. | húr 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. | húr |
Felhasználóidentitás
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "UserIdentity" (kötelező) |
NotificationSetting
| Név | Leírás | Érték |
|---|---|---|
| e-mail-cím | E-mail-értesítés küldése a felhasználónak a megadott értesítési típuson | Sztringtömb, amely a következők bármelyikét tartalmazza: 'JobCancelled' "Feladatkiegészítés" 'JobFailed' |
| e-mailek | Ez az e-mail-címzettek listája, amely 499 karakteres korlátozással rendelkezik a vesszőelválasztóval összefűzve | sztring[] |
| webhookok | Webhook-visszahívás küldése szolgáltatásnak. A kulcs a webhook felhasználó által megadott neve. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | Webhook |
Webhook
| Név | Leírás | Érték |
|---|---|---|
| eventType | Visszahívás küldése adott értesítési eseményen | húr |
| webhookType | Az objektumtípus beállítása | AzureDevOps (kötelező) |
AzureDevOpsWebhook
| Név | Leírás | Érték |
|---|---|---|
| webhookType | [Kötelező] Megadja a visszahívás küldéséhez tartozó szolgáltatás típusát | "AzureDevOps" (kötelező) |
ResourceBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
JobBaseSecretsConfiguration
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | SecretConfiguration |
SecretConfiguration
| Név | Leírás | Érték |
|---|---|---|
| Uri | Titkos Uri. Uri minta: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
húr |
| workspaceSecretName | A munkaterület kulcstartójában lévő titkos kód neve. | húr |
JobBaseServices
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobService |
JobService
| Név | Leírás | Érték |
|---|---|---|
| végpont | Végpont URL-címe. | húr |
| jobServiceType | Végpont típusa. | húr |
| Csomópontok | Azok a csomópontok, amelyeken a felhasználó elindítaná a szolgáltatást. Ha a csomópontok nincsenek beállítva vagy null értékre állítva, a szolgáltatás csak a vezető csomóponton lesz elindítva. |
csomópontok |
| kikötő | A felhasználó által beállított végpont portja. | Int |
| kellékek | További beállítások a végponton. | JobServiceProperties |
Csomópontok
| Név | Leírás | Érték |
|---|---|---|
| nodesValueType | Az objektumtípus beállítása | Minden (kötelező) |
AllNodes
| Név | Leírás | Érték |
|---|---|---|
| nodesValueType | [Kötelező] A Csomópontok érték típusa | "Minden" (kötelező) |
JobServiceProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
AutoMLJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 által válogatott környezeti verzióra adja meg a feladat futtatásakor. |
húr |
| environmentVariables | A feladatban szereplő környezeti változók. | AutoMLJobEnvironmentVariables |
| Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | AutoMLJobOutputs |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
| taskDetails | [Kötelező] Ez olyan forgatókönyvet jelöl, amely a Táblák/NLP/Kép egyik lehet | AutoMLVertical (kötelező) |
AutoMLJobEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
AutoMLJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
JobOutput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A kimenet leírása. | húr |
| jobOutputType | Az objektumtípus beállítása |
custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "custom_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
AutoDeleteSetting
| Név | Leírás | Érték |
|---|---|---|
| feltétel | Mikor kell ellenőrizni, hogy egy objektum lejárt-e | 'CreatedGreaterThan' "LastAccessedGreaterThan" |
| érték | Lejárati feltétel értéke. | húr |
MLFlowModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "mlflow_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
MLTableJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "mltable" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
TritonModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "triton_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
UriFileJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "uri_file" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
UriFolderJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "uri_folder" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
QueueSettings
| Név | Leírás | Érték |
|---|---|---|
| jobTier | A számítási feladatszint szabályozása | "Alapszintű" "Null" "Prémium" "Spot" "Standard" |
| elsőbbség | Szabályozza a feladat prioritását egy számításon. | Int |
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. | húr |
| instanceCount | A számítási cél által használt példányok vagy csomópontok opcionális száma. | Int |
| instanceType | A számítási cél által támogatott virtuális gép választható típusa. | húr |
| Helyek | Helyek, ahol a feladat futtatható. | sztring[] |
| maxInstanceCount | Nem kötelező, hogy a számítási cél hány példányt vagy csomópontot használjon. Rugalmas betanításhoz, jelenleg csak PyTorch-disztribúciós típus támogatja. |
Int |
| kellékek | További tulajdonságok táska. | ResourceConfigurationProperties |
| shmSize | A Docker-tároló megosztott memóriablokkjának mérete. Ennek a formátumnak (szám)(egységnek) kell lennie, ahol a szám 0-nál nagyobb lehet, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt) egyike. | húr Korlátok: Minta = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | A Bicep esetében az any() függvény |
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. |
húr |
| trainingData | [Kötelező] Betanítási adatbevitel. | MLTableJobInput (kötelező) |
| taskType | Az objektumtípus beállítása |
besorolási előrejelzési ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection regressziós TextClassification TextClassificationMultilabel TextNER- (kötelező) |
MLTableJobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Osztályozás
| 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
| positiveLabel | Pozitív címke bináris metrikák kiszámításához. | húr |
| primaryMetric | A tevékenység elsődleges metrikája. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
TableVerticalFeaturizationSettings
| Név | Leírás | Érték |
|---|---|---|
| blockedTransformers | Ezek a transzformátorok nem használhatók a featurizációhoz. | Sztringtömb, amely a következők 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 a szöveges adatokhoz hasznos. | húr |
| enableDnnFeaturization | Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához. | Bool |
| üzemmód | Featurization mód – A felhasználó megtarthatja az alapértelmezett "Auto" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizációs fázisban. Ha a "Ki" lehetőség van kiválasztva, akkor a művelet nem végez érlelési elemet. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a featurálási folyamat testreszabásához. |
'Auto' "Egyéni" "Kikapcsolva" |
| transformerParams | A felhasználó megadhat további használandó átalakítókat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint paramétereket a transzformátor-konstruktorhoz. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
TableVerticalFeaturizationSettingsTransformerParams
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | ColumnTransformer[] |
ColumnTransformer
| Név | Leírás | Érték |
|---|---|---|
| Mezők | A transzformátorlogika alkalmazásához használandó mezők. | sztring[] |
| Paraméterek | A transzformátornak átadandó különböző tulajdonságok. A várt bemenet a kulcs-érték párok szótára JSON formátumban. |
A Bicep esetében az any() függvény |
TableFixedParameters
| Név | Leírás | Érték |
|---|---|---|
| hírverő | Adja meg a kiemelés típusát, például az XGBoost gbdt-ét. | húr |
| boostingType | Adja meg a kiemelés típusát, például a LightGBM gbdt-ét. | húr |
| growPolicy | Adja meg a növekedési szabályzatot, amely szabályozza az új csomópontok fához való hozzáadásának módját. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | Int |
| maxBin | Adja meg a folyamatos funkciók gyűjtőbe való maximális számát a különálló tárolók számára. | Int |
| maxDepth | Adja meg a maximális mélységet a famélység explicit korlátozásához. | Int |
| maxLeaves | Adja meg a maximális leveleket a falevelek explicit korlátozásához. | Int |
| minDataInLeaf | A levélenkénti adatok minimális száma. | Int |
| minSplitGain | A fa egy levélcsomóponton történő további partíció létrehozásához szükséges minimális veszteségcsökkentés. | Int |
| modelName | A betanított modell neve. | húr |
| nEstimators | Adja meg a modellben lévő fák (vagy kerekítések) számát. | Int |
| numLeaves | Adja meg a levelek számát. | Int |
| preprocessorName | A használni kívánt előfeldolgozó neve. | húr |
| regAlpha | L1 a súlyokra vonatkozó regicializálási kifejezés. | Int |
| regLambda | L2 regularization kifejezés súlyokra. | Int |
| alminta | A betanítási példány részmintaaránya. | Int |
| subsampleFreq | Az alminta gyakorisága. | Int |
| treeMethod | Adja meg a fametódust. | húr |
| withMean | Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával. | Bool |
| withStd | Ha igaz, az adatok skálázása a Unit Variance és a StandardScalar használatával. | Bool |
TableVerticalLimitSettings
| Név | Leírás | Érték |
|---|---|---|
| enableEarlyTermination | Lehetővé teszi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám. | Bool |
| exitScore | Az AutoML-feladat kilépési pontszáma. | Int |
| maxConcurrentTrials | Egyidejű iterációk maximális száma. | Int |
| maxCoresPerTrial | Iterációnkénti magok maximális száma. | Int |
| maxNodes | A kísérlethez használandó csomópontok maximális száma. | 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 |
| időkorlát | AutoML-feladat időtúllépése. | húr |
| trialTimeout | Iterációs időtúllépés. | húr |
NCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoNCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Az N-Cross érvényesítés meghatározásának módja. | "Auto" (kötelező) |
CustomNCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Az N-Cross érvényesítés meghatározásának módja. | "Egyéni" (kötelező) |
| érték | [Kötelező] N-Kereszt érvényesítési érték. | int (kötelező) |
TableParameterSubspace
| Név | Leírás | Érték |
|---|---|---|
| hírverő | Adja meg a kiemelés típusát, például az XGBoost gbdt-ét. | húr |
| boostingType | Adja meg a kiemelés típusát, például a LightGBM gbdt-ét. | húr |
| growPolicy | Adja meg a növekedési szabályzatot, amely szabályozza az új csomópontok fához való hozzáadásának módját. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | húr |
| maxBin | Adja meg a folyamatos funkciók gyűjtőbe való maximális számát a különálló tárolók számára. | húr |
| maxDepth | Adja meg a maximális mélységet a famélység explicit korlátozásához. | húr |
| maxLeaves | Adja meg a maximális leveleket a falevelek explicit korlátozásához. | húr |
| minDataInLeaf | A levélenkénti adatok minimális száma. | húr |
| minSplitGain | A fa egy levélcsomóponton történő további partíció létrehozásához szükséges minimális veszteségcsökkentés. | húr |
| modelName | A betanított modell neve. | húr |
| nEstimators | Adja meg a modellben lévő fák (vagy kerekítések) számát. | húr |
| numLeaves | Adja meg a levelek számát. | húr |
| preprocessorName | A használni kívánt előfeldolgozó neve. | húr |
| regAlpha | L1 a súlyokra vonatkozó regicializálási kifejezés. | húr |
| regLambda | L2 regularization kifejezés súlyokra. | húr |
| alminta | A betanítási példány részmintaaránya. | húr |
| subsampleFreq | Az alminta gyakorisága | húr |
| treeMethod | Adja meg a fametódust. | húr |
| withMean | Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával. | húr |
| withStd | Ha igaz, az adatok skálázása a Unit Variance és a StandardScalar használatával. | húr |
TableSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A takarítási feladathoz tartozó korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
| samplingAlgorithm | [Kötelező] A mintavételezési algoritmus típusa. | 'Bayesian' "Rács" "Véletlenszerű" (kötelező) |
EarlyTerminationPolicy
| Név | Leírás | Érték |
|---|---|---|
| delayEvaluation | Azon intervallumok száma, amelyekkel késleltethető az első értékelés. | Int |
| evaluationInterval | Intervallum (futtatások száma) a szabályzatok kiértékelése között. | 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 futástól. | Int |
MediánStoppingPolicy
| Név | Leírás | Érték |
|---|---|---|
| policyType | [Kötelező] Szabályzatkonfiguráció neve | "MediánStopping" (kötelező) |
CsonkolásSelectionPolicy
| Név | Leírás | Érték |
|---|---|---|
| policyType | [Kötelező] Szabályzatkonfiguráció neve | "TruncationSelection" (kötelező) |
| csonkolásPercentage | Az egyes kiértékelési időszakokban megszakítandó futtatások százalékos aránya. | Int |
ClassificationTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A besorolási feladat engedélyezett modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | A besorolási feladat blokkolt modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
| enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
'Auto' "Elosztott" "Nemdistributed" |
StackEnsembleSettings
| Név | Leírás | Érték |
|---|---|---|
| stackMetaLearnerKWargs | Nem kötelező paraméterek a metatanuló inicializálójának átadni. | A Bicep esetében az any() függvény |
| stackMetaLearnerTrainPercentage | Meghatározza a betanítási csoport arányát (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához. Az alapértelmezett érték 0,2. | Int |
| stackMetaLearnerType | A metatanuló az egyes heterogén modellek kimenetére betanított modell. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs" |
Előrejelzés
| 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| forecastingSettings | Tevékenységspecifikus bemenetek előrejelzése. | ForecastingSettings |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten 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 különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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. | ForecastingTrainingSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
Előrejelzési beállítások
| Név | Leírás | Érték |
|---|---|---|
| countryOrRegionForHolidays | Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek ISO 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB". |
húr |
| cvStepSize | Az egyik CV-hajtás származási ideje és a következő hajtás közötti időszakok száma. Részére ha például CVStepSize = 3 a napi adatok esetében, az egyes hajtások forrásidejehárom nap különbséggel. |
Int |
| featureLags | Az "auto" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző. | 'Auto' "Nincs" |
| featuresUnknownAtForecastTime | A betanításhoz elérhető, de az előrejelzés/következtetés időpontjában ismeretlen funkcióoszlopok. Ha features_unknown_at_forecast_time nincs beállítva, a rendszer feltételezi, hogy az adathalmaz összes funkcióoszlopa következtetési időben ismert. |
sztring[] |
| forecastHorizon | A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben. | ForecastHorizon |
| frekvencia | Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánják, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. | húr |
| szezonalitás | Állítsa be az idősor szezonalitását az adatsor gyakoriságának egész számának többszöröseként. Ha a szezonalitás "auto" értékre van állítva, a rendszer ezt a következtetést fogja levonni. |
szezonalitási |
| shortSeriesHandlingConfig | Az a paraméter, amely meghatározza, hogy az AutoML hogyan kezelje a rövid idősorokat. | 'Auto' '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 felmerül. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean". |
"Max" "Középérték" 'Min' "Nincs" "Összeg" |
| targetLags | A céloszloptól elkésni kívánt elmúlt időszakok száma. | TargetLags |
| targetRollingWindowSize | A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma. | TargetRollingWindowSize |
| timeColumnName | Az időoszlop neve. Ez a paraméter az előrejelzéshez szükséges az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok dátum/idő oszlopának megadásához. | húr |
| timeSeriesIdColumnNames | Az idősorok csoportosításához használt oszlopok nevei. Több sorozat létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak kell feltételezni. Ezt a paramétert a rendszer a tevékenységtípus-előrejelzéshez használja. |
sztring[] |
| useStl | Konfigurálja az idősor céloszlopának STL-felbontását. | "Nincs" "Szezon" "SeasonTrend" |
ForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Előrejelzési horizont értékválasztási mód beállítása. | "Auto" (kötelező) |
CustomForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Előrejelzési horizont értékválasztási mód beállítása. | "Egyéni" (kötelező) |
| érték | [Kötelező] Előrejelzési horizont értéke. | int (kötelező) |
Szezonalitás
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoSeasonality
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Szezonalitás mód. | "Auto" (kötelező) |
CustomSeasonality
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Szezonalitás mód. | "Egyéni" (kötelező) |
| érték | [Kötelező] Szezonalitás értéke. | int (kötelező) |
TargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoTargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Auto" (kötelező) |
CustomTargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Egyéni" (kötelező) |
| értékrend | [Kötelező] Állítsa be a cél késési értékeit. | int[] (kötelező) |
TargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoTargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Auto" (kötelező) |
CustomTargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Egyéni" (kötelező) |
| érték | [Kötelező] TargetRollingWindowSize érték. | int (kötelező) |
ForecastingTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A tevékenységek előrejelzéséhez engedélyezett modellek. | Sztringtömb, amely a következők 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 tevékenységhez. | Sztringtömb, amely a következők 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. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
'Auto' "Elosztott" "Nemdistributed" |
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 tevékenységhez optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
ImageLimitSettings
| Név | Leírás | Érték |
|---|---|---|
| maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | Int |
| maxTrials | AutoML-iterációk maximális száma. | Int |
| időkorlát | AutoML-feladat időtúllépése. | húr |
ImageModelSettingsClassification
| Név | Leírás | Érték |
|---|---|---|
| advancedSettings | Speciális forgatókönyvek beállításai. | húr |
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | Bool |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő 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. | húr |
| Elosztott | Elosztott betanítás használata. | Bool |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | Bool |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
Int |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
Int |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | Bool |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | Int |
| gradientAccumulationStep | A színátmenet-felhalmozás 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 rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő 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: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | Bool |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | Int |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | Int |
| Optimalizáló | Az optimalizáló típusa. | 'Adam' 'Adamw' "Nincs" 'Sgd' |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | Int |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő 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 beadva. Pozitív egész számnak kell lennie. | Int |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | Int |
| validationCropSize | Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. | Int |
| validationResizeSize | Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | Int |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | Int |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | Int |
| súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
Int |
MLFlowModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Név | Leírás | Érték |
|---|---|---|
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | húr |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| Elosztott | A terjesztő betanításának használata. | húr |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | húr |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
húr |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
húr |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | húr |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | húr |
| gradientAccumulationStep | A színátmenet-felhalmozás 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. |
húr |
| layersToFreeze | A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | húr |
| modelName | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | húr |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | húr |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | húr |
| Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | húr |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | húr |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | húr |
| trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | húr |
| trainingCropSize | Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | húr |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationCropSize | Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. | húr |
| validationResizeSize | Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | húr |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | húr |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | húr |
| súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
húr |
ImageSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
| samplingAlgorithm | [Kötelező] A hiperparaméter-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 | A tevékenységhez optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
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 tevékenységhez optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
ImageModelSettingsObjectDetection
| Név | Leírás | Érték |
|---|---|---|
| advancedSettings | Speciális forgatókönyvek beállításai. | húr |
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | Bool |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| boxDetectionsPerImage | Az észlelések maximális száma képenként, minden 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. Lebegtetésnek kell lennie a tartományban[0, 1]. |
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. | húr |
| Elosztott | Elosztott betanítás használata. | Bool |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | Bool |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
Int |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
Int |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | Bool |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | Int |
| gradientAccumulationStep | A színátmenet-felhalmozás 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 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 rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
| logTrainingMetrics | Számítási és naplózási betanítási metrikák engedélyezése. | "Letiltás" "Engedélyezés" |
| logValidationLoss | A számítástechnika és a naplózás érvényesítési veszteségének engedélyezése. | "Letiltás" "Engedélyezés" |
| maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. 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 táplálja. 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: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| modelSize | Modell mérete. Legyen "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". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| többskálázásos | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
Bool |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | Bool |
| nmsIouThreshold | Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | Int |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | Int |
| Optimalizáló | Az optimalizáló típusa. | 'Adam' 'Adamw' "Nincs" 'Sgd' |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | Int |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő 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 A kis objektumészlelési logika engedélyezéséhez nincs lehetőség. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tileOverlapRatio | Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
Int |
| tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [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. Az [0, 1] tartományban kell lebegnie. | Int |
| validationMetricType | Metrikaszámítási módszer az érvényesítési metrikákhoz. | "Coco" 'CocoVoc' "Nincs" "Voc" |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | Int |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | Int |
ImageModelDistributionSettingsObjectDetection
| Név | Leírás | Érték |
|---|---|---|
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | húr |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| boxDetectionsPerImage | Az észlelések maximális száma képenként, minden osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegtetésnek kell lennie a tartományban[0, 1]. |
húr |
| Elosztott | A terjesztő betanításának használata. | húr |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | húr |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
húr |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
húr |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | húr |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | húr |
| gradientAccumulationStep | A színátmenet-felhalmozás 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. |
húr |
| 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. |
húr |
| layersToFreeze | A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | húr |
| maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. 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. |
húr |
| minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez táplálja. 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. |
húr |
| modelName | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| modelSize | Modell mérete. Legyen "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. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| többskálázásos | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
húr |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | húr |
| nmsIouThreshold | Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie. | húr |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | húr |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | húr |
| Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | húr |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | húr |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | húr |
| tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet A kis objektumészlelési logika engedélyezéséhez nincs lehetőség. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tileOverlapRatio | Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális letiltás |
húr |
| trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie. | húr |
| validationMetricType | Metrikaszámítási módszer az érvényesítési metrikákhoz. "nincs", "coco", "voc" vagy "coco_voc" kell lennie. | húr |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | húr |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | húr |
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 tevékenységhez optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
| primaryMetric | A regressziós tevékenység elsődleges metrikája. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" 'SpearmanCorrelation' |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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. | RegressionTrainingSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
RegresszióTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A regressziós tevékenységhez engedélyezett modellek. | Sztringtömb, amely a következők bármelyikét tartalmazza: "DecisionTree" "ElasticNet" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor" |
| blockedTrainingAlgorithms | A regressziós feladat blokkolt modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "DecisionTree" "ElasticNet" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor" |
| enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
'Auto' "Elosztott" "Nemdistributed" |
TextClassification
| Név | Leírás | Érték |
|---|---|---|
| taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassification" (kötelező) |
| featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
| fixedParameters | Olyan 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 különböző kombinációinak és hiperparamétereinek mintavételezésére. | NlpParameterSubspace[] |
| sweepSettings | A modellsöprési és hiperparaméter-finomhangolási beállítások. | NlpSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Név | Leírás | Érték |
|---|---|---|
| datasetLanguage | Adatkészlet nyelve, amely a szöveges adatokhoz hasznos. | húr |
NlpFixedParameters
| Név | Leírás | Érték |
|---|---|---|
| gradientAccumulationSteps | A színátmenetek halmozásához szükséges lépések száma a visszalépés futtatása előtt. | Int |
| learningRate | A képzési eljárás tanulási sebessége. | Int |
| learningRateScheduler | A képzési eljárás során használni kívánt tanulási sebesség ütemezésének típusa. | "Állandó" "ConstantWithWarmup" "Koszinusz" "CosineWithRestarts" "Lineáris" "Nincs" "Polinom" |
| modelName | A betanított modell neve. | húr |
| 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 | A kísérlethez használandó csomópontok maximális száma. | Int |
| maxTrials | AutoML-iterációk száma. | Int |
| időkorlát | AutoML-feladat időtúllépése. | húr |
| trialTimeout | Időtúllépés az egyes HD-próbaverziókhoz. | húr |
NlpParameterSubspace
| Név | Leírás | Érték |
|---|---|---|
| gradientAccumulationSteps | A színátmenetek halmozásához szükséges lépések száma a visszalépés futtatása előtt. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | húr |
| learningRateScheduler | A képzési eljárás során használni kívánt tanulási sebesség ütemezésének típusa. | húr |
| modelName | A betanított modell neve. | húr |
| numberOfEpochs | A betanítási korszakok száma. | húr |
| trainingBatchSize | A betanítási eljárás kötegmérete. | húr |
| validationBatchSize | A kiértékelés során használandó kötegméret. | húr |
| warmupRatio | Az LrSchedulerType mellett használt bemelegítési arány. | húr |
| weightDecay | A betanítási eljárás súlycsökkenése. | húr |
NlpSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A takarítási feladathoz tartozó korai felmondási szabályzat 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | NlpFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | NlpFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | NlpParameterSubspace[] |
| sweepSettings | A modellsöprési és hiperparaméter-finomhangolási beállítások. | NlpSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
CommandJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "Parancs" (kötelező) |
| autologgerSettings | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie. | AutologgerSettings |
| codeId | A kódobjektum ARM-erőforrás-azonosítója. | húr |
| parancs | [Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| elosztás | A feladat terjesztési konfigurációja. Ha be van állítva, ez az Mpi, a Tensorflow, a PyTorch, a Ray vagy a null érték egyikének kell lennie. | DistributionConfiguration |
| environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 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 |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
AutologgerSettings
| Név | Leírás | Érték |
|---|---|---|
| mlflowAutologger | [Kötelező] Azt jelzi, hogy engedélyezve van-e az mlflow-autologger. | "Letiltva" "Engedélyezve" (kötelező) |
DistributionConfiguration
| Név | Leírás | Érték |
|---|---|---|
| distributionType | Az objektumtípus beállítása |
Mpi PyTorch Ray 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 | Csomópontonkénti folyamatok száma. | Int |
Rája
| Név | Leírás | Érték |
|---|---|---|
| distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "Ray" (kötelező) |
| cím | A Ray-fej csomópont címe. | húr |
| dashboardPort | Az irányítópult-kiszolgálót összekötő port. | Int |
| headNodeAdditionalArgs | A sugárindításnak átadott további argumentumok a főcsomóponton. | húr |
| includeDashboard | Adja meg ezt az argumentumot a Ray-irányítópult grafikus felhasználói felületének elindításához. | Bool |
| kikötő | A fejsugár-folyamat portja. | Int |
| workerNodeAdditionalArgs | A ray startnak átadott további argumentumok a feldolgozó csomópontban. | húr |
TensorFlow
| Név | Leírás | Érték |
|---|---|---|
| distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "TensorFlow" (kötelező) |
| parameterServerCount | Paraméterkiszolgálói feladatok száma. | Int |
| workerCount | Dolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz. | Int |
CommandJobEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CommandJobInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
JobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | Az objektumtípus beállítása |
custom_model literális mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
LiteralJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "literál" (kötelező) |
| érték | [Kötelező] A bemenet literális értéke. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
TritonModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "triton_model" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFileJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "uri_file" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFolderJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
CommandJobLimits
| Név | Leírás | Érték |
|---|---|---|
| jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
| időkorlát | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot. | húr |
CommandJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
LabelingJobProperties
| Név | Leírás | Érték |
|---|---|---|
| componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | húr |
| computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | húr |
| dataConfiguration | A feladatban használt adatok konfigurálása. | LabelingDataConfiguration |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | A feladat megjelenítendő neve. | húr |
| experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | húr |
| azonosság | 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 objektum? | Bool |
| jobInstructions | A feladat címkézési utasításai. | LabelingJobInstructions |
| jobType | [Kötelező] A feladat típusát adja meg. | 'AutoML' "Parancs" "Címkézés" "Folyamat" "Spark" "Takarítás" (kötelező) |
| labelCategories | A feladat címkéinek kategóriái. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Médiatípus-specifikus tulajdonságok a feladatban. | LabelingJobMediaProperties |
| mlAssistConfiguration | Az MLAssist funkció konfigurálása a feladatban. | MLAssistConfiguration |
| notificationSetting | A feladat értesítési beállítása | NotificationSetting |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| secretsConfiguration | Konfiguráció a futtatókörnyezetben elérhetővé tenni kívánt titkos kódokhoz. | JobBaseSecretsConfiguration |
| szolgáltatás | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik. |
JobBaseServices |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
LabelingDataConfiguration
| Név | Leírás | Érték |
|---|---|---|
| dataId | Az adategység erőforrás-azonosítója a címkézés végrehajtásához. | húr |
| növekményesDataRefresh | Azt jelzi, hogy engedélyezi-e a növekményes adatfrissítést. | "Letiltva" "Engedélyezve" |
LabelingJobInstructions
| Név | Leírás | Érték |
|---|---|---|
| Uri | A címkézőkre vonatkozó részletes címkézési utasításokat tartalmazó lapra mutató hivatkozás. | húr |
LabelingJobLabelCategories
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | LabelCategory |
LabelCategory
| Név | Leírás | Érték |
|---|---|---|
| előkelő társaság | A kategória címkeosztályainak szótára. | LabelCategoryClasses |
| displayName | A címkekategória megjelenítendő neve. | húr |
| multiSelect | Azt jelzi, hogy engedélyezve van-e több osztály kijelölése ebben a kategóriában. | "Letiltva" "Engedélyezve" |
LabelCategoryClasses
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | LabelClass |
LabelClass
| Név | Leírás | Érték |
|---|---|---|
| displayName | A címkeosztály megjelenítendő neve. | húr |
| 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 |
Letiltott Engedélyezett (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] A következtetéshez használt AML számítási kötés. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| trainingComputeBinding | [Kötelező] A betanítás során használt AML számítási kötés. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
PipelineJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 az any() függvény |
| sourceJobId | A forrásfeladat ARM-erőforrás-azonosítója. | húr |
PipelineJobInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
PipelineJobJobs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | A Bicep esetében az any() függvény |
PipelineJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
SparkJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "Spark" (kötelező) |
| levéltár | Archiválja a feladatban használt fájlokat. | sztring[] |
| args | A feladat argumentumai. | húr |
| codeId | [Kötelező] A kódobjektum ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 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. | húr |
| Fájlokat | 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[] |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | SparkResourceConfiguration |
SparkJobConf
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
SparkJobEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | Az objektumtípus beállítása |
SparkJobPythonEntry SparkJobScalaEntry (kötelező) |
SparkJobPythonEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | [Kötelező] A feladat belépési pontjának típusa. | "SparkJobPythonEntry" (kötelező) |
| fájl | [Kötelező] A feladatbeléptetési pont relatív Python-fájl elérési útja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | [Kötelező] A feladat belépési pontjának típusa. | "SparkJobScalaEntry" (kötelező) |
| className | [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. | húr |
| runtimeVersion | A feladathoz használt Spark-futtatókörnyezet verziója. | húr |
Takarítási feladat
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 |
| objektív | [Kötelező] Optimalizálási cél. | Objektív (kötelező) |
| Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | SweepJobOutputs |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| 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 az any() függvény |
| próba | [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 maximális egyidejű próbaverziói. | Int |
| maxTotalTrials | Takarítási feladat maximális teljes próbaverziója. | Int |
| időkorlát | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot. | húr |
| trialTimeout | A takarítási feladat próbaverziója időtúllépési értéke. | húr |
Objektív
| Név | Leírás | Érték |
|---|---|---|
| cél | [Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg | "Teljes méret" "Kis méret" (kötelező) |
| primaryMetric | [Kötelező] Az optimalizálni kívánt metrika neve. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SweepJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
SamplingAlgorithm
| Név | Leírás | Érték |
|---|---|---|
| samplingAlgorithmType | Az objektumtípus beállítása |
Bayes-i Grid- 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) |
| logbase | A naplóalapú véletlenszerű mintavételezés alapjául szolgáló opcionális pozitív szám vagy sztringformátumú e | húr |
| szabály | A véletlenszerű algoritmus adott típusa | "Véletlenszerű" 'Sobol' |
| mag | Nem kötelező egész szám, amelyet a véletlenszerű számgenerálás magjaként kell használni | Int |
TrialComponent
| Név | Leírás | Érték |
|---|---|---|
| codeId | A kódobjektum ARM-erőforrás-azonosítója. | húr |
| parancs | [Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| elosztás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie. | DistributionConfiguration |
| environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| environmentVariables | A feladatban szereplő környezeti változók. | TrialComponentEnvironmentVariables |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CreateMonitorAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateMonitor" (kötelező) |
| monitorDefinition | [Kötelező] Meghatározza a figyelőt. | MonitorDefinition (kötelező) |
MonitorDefinition
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationSetting | A figyelő értesítési beállításai. | MonitoringAlertNotificationSettingsBase |
| computeConfiguration | [Kötelező] A monitorozási feladat futtatásához a számítási erőforrás ARM-erőforrás-azonosítója. | MonitorComputeConfigurationBase (kötelező) |
| monitoringTarget | A figyelő által megcélzott modell vagy üzembe helyezés ARM-erőforrás-azonosítója. | MonitoringTarget |
| Jelek | [Kötelező] A figyelendő jelek. | MonitorDefinitionSignals (kötelező) |
MonitoringAlertNotificationSettingsBase
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | Az objektumtípus beállítása |
AzureMonitor e-mail (kötelező) |
AzMonitoringAlertNotificationSettings
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | [Kötelező] Megadja a figyelendő jel típusát. | "AzureMonitor" (kötelező) |
EmailMonitoringAlertNotificationSettings
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | [Kötelező] Megadja a figyelendő jel típusát. | "E-mail" (kötelező) |
| emailNotificationSetting | Az értesítés konfigurálása. | NotificationSetting |
MonitorComputeConfigurationBase
| Név | Leírás | Érték |
|---|---|---|
| computeType | Az objektumtípus beállítása | ServerlessSpark (kötelező) |
MonitorServerlessSparkCompute
| Név | Leírás | Érték |
|---|---|---|
| computeType | [Kötelező] Megadja a figyelendő jel típusát. | "ServerlessSpark" (kötelező) |
| computeIdentity | [Kötelező] A kiszolgáló nélküli Sparkon futó Spark-feladatok által kihasznált identitásséma. | MonitorComputeIdentityBase (kötelező) |
| instanceType | [Kötelező] A Spark-feladatot futtató példánytípus. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| runtimeVersion | [Kötelező] A Spark futtatókörnyezet verziója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | Az objektumtípus beállítása |
AmlToken ManagedIdentity (kötelező) |
AmlTokenComputeIdentity
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | [Kötelező] A számítási identitás típusának enumerálásának figyelése. | "AmlToken" (kötelező) |
ManagedComputeIdentity
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | [Kötelező] A számítási identitás típusának enumerálásának figyelése. | "ManagedIdentity" (kötelező) |
| azonosság | Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások) | ManagedServiceIdentity |
ManagedServiceIdentity
| Név | Leírás | Érték |
|---|---|---|
| típus | A felügyelt szolgáltatás identitásának típusa (ahol a SystemAssigned és a UserAssigned típus is engedélyezett). | "Nincs" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (kötelező) |
| userAssignedIdentities | Az erőforráshoz társított felhasználó által hozzárendelt identitások készlete. A userAssignedIdentities szótárkulcsok arm-erőforrásazonosítók lesznek a következő formában: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótár értékei lehetnek üres objektumok ({}) a kérelmekben. | UserAssignedIdentities |
UserAssignedIdentities
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | UserAssignedIdentity |
UserAssignedIdentity
Ez az objektum nem tartalmaz az üzembe helyezés során beállítandó tulajdonságokat. Minden tulajdonság readOnly.
MonitoringTarget
| Név | Leírás | Érték |
|---|---|---|
| deploymentId | A figyelő által megcélzott üzembe helyezés ARM-erőforrás-azonosítója. | húr |
| modelId | A figyelő által megcélzott modell ARM-erőforrás-azonosítója. | húr |
| taskType | [Kötelező] A modell gépi tanulási feladattípusa. | "Besorolás" "QuestionAnswering" "Regresszió" (kötelező) |
MonitorDefinitionSignals
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | MonitoringSignalBase |
MonitoringSignalBase
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | A jel aktuális értesítési módja. | "Letiltva" "Engedélyezve" |
| kellékek | Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók. | MonitoringSignalBaseProperties |
| signalType | Az objektumtípus beállítása | egyéni DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (kötelező) |
MonitoringSignalBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CustomMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "Egyéni" (kötelező) |
| componentId | [Kötelező] Az egyéni metrikák kiszámításához használt összetevő-erőforrás ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| inputAssets | Az adatbevitelhez használt eszközök figyelése. A kulcs az összetevő bemeneti portjának neve, az érték pedig az adategység. | CustomMonitoringSignalInputAssets |
| Bemenetek | További összetevőparaméterek bevitelként. A kulcs az összetevő literál bemeneti portjának neve, az érték a paraméter értéke. | CustomMonitoringSignalInputs |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | CustomMetricThreshold[] (kötelező) |
| workspaceConnection | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | MonitoringWorkspaceConnection (kötelező) |
CustomMonitoringSignalInputAssets
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | MonitoringInputDataBase |
MonitoringInputDataBase
| Név | Leírás | Érték |
|---|---|---|
| Oszlopok | Oszlopnevek leképezése speciális használatra. | MonitoringInputDataBaseColumns |
| dataContext | Az adatforrás környezeti metaadatai. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| inputDataType | Az objektumtípus beállítása |
Rögzített Statikus Záró (kötelező) |
MonitoringInputDataBaseColumns
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
FixedInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Rögzített" (kötelező) |
StaticInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Statikus" (kötelező) |
| preprocessingComponentId | Az adatok előfeldolgozásához használt összetevőerőforrás ARM-erőforrás-azonosítója. | húr |
| windowEnd | [Kötelező] Az adatablak záró dátuma. | sztring (kötelező) |
| windowStart | [Kötelező] Az adatablak kezdő dátuma. | sztring (kötelező) |
TrailingInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Záró" (kötelező) |
| preprocessingComponentId | Az adatok előfeldolgozásához használt összetevőerőforrás ARM-erőforrás-azonosítója. | húr |
| windowOffset | [Kötelező] Az adatablak vége és a figyelő aktuális futási ideje közötti időeltolódás. | sztring (kötelező) |
| windowSize | [Kötelező] A záró adatablak mérete. | sztring (kötelező) |
CustomMonitoringSignalInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
CustomMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] A kiszámítandó felhasználó által definiált metrika. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
MonitoringThreshold
| Név | Leírás | Érték |
|---|---|---|
| érték | A küszöbérték. Null érték esetén a beállított alapértelmezett érték a metrika típusától függ. | Int |
MonitoringWorkspaceConnection
| Név | Leírás | Érték |
|---|---|---|
| environmentVariables | Egy munkaterület-szolgáltatáskapcsolat tulajdonságai, amelyek környezeti változókként tárolhatók az elküldött feladatokban. A kulcs a munkaterület kapcsolati tulajdonságának elérési útja, a név környezeti változókulcs. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Titkok | A munkaterületi szolgáltatáskapcsolat tulajdonságai, amelyek titkos kulcsként tárolhatók az elküldött feladatokban. A kulcs a munkaterület kapcsolati tulajdonságának elérési útja, a név titkos kulcs. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
MonitoringWorkspaceConnectionSecrets
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
DataDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "DataDrift" (kötelező) |
| dataSegment | Az adatpopuláció egy részhalmazának hatókörkezeléséhez használt adatszegmens. | MonitoringDataSegment |
| featureDataTypeOverride | Egy szótár, amely a funkcióneveket a megfelelő adattípusokhoz rendeli. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| Funkciók | A funkciószűrő, amely azonosítja, hogy melyik funkció számítja ki a sodródást. | MonitoringFeatureFilterBase |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataDriftMetricThresholdBase[] (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
MonitoringDataSegment
| Név | Leírás | Érték |
|---|---|---|
| vonás | Az adatok szegmentálásának funkciója. | húr |
| értékrend | Csak az adott szegmentált szolgáltatás megadott értékeire szűr. | sztring[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
MonitoringFeatureFilterBase
| Név | Leírás | Érték |
|---|---|---|
| filterType | Az objektumtípus beállítása |
AllFeatures FeatureSubset TopNByAttribution (kötelező) |
AllFeatures
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "AllFeatures" (kötelező) |
FeatureSubset
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "FeatureSubset" (kötelező) |
| Funkciók | [Kötelező] A belefoglalandó funkciók listája. | sztring[] (kötelező) |
TopNFeaturesByAttribution
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "TopNByAttribution" (kötelező) |
| felső | A legfontosabb funkciók száma. | Int |
DataDriftMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalDataDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | Kategorikus (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus adateltolódási metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalDataDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó numerikus adateltolódási metrika. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
DataQualityMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "DataQuality" (kötelező) |
| featureDataTypeOverride | Egy szótár, amely a funkcióneveket a megfelelő adattípusokhoz rendeli. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| Funkciók | A sodródás kiszámításához használandó funkciók. | MonitoringFeatureFilterBase |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataQualityMetricThresholdBase[] (kötelező) |
| productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
DataQualityMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalDataQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | Kategorikus (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
NumericalDataQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó numerikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
FeatureAttributionDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "FeatureAttributionDrift" (kötelező) |
| metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | FeatureAttributionMetricThreshold (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase[] (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
FeatureAttributionMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] A kiszámolandó funkció-hozzárendelési metrika. | "NormalizedDiscountedCumulativeGain" (kötelező) |
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "GenerationSafetyQuality" (kötelező) |
| metricThresholds | [Kötelező] Lekéri vagy beállítja a kiszámítandó metrikákat és a megfelelő küszöbértékeket. | GenerationSafetyQualityMetricThreshold[] (kötelező) |
| productionData | Lekéri vagy beállítja a számítástechnikai metrikák céladatait. | MonitoringInputDataBase[] |
| mintavételezési sebesség | [Kötelező] A céladatok mintaarányának 0-nál nagyobbnak és legfeljebb 1-nél kell lennie. | int (kötelező) |
| workspaceConnectionId | Lekéri vagy beállítja a tartalomgenerálási végponthoz való csatlakozáshoz használt munkaterület-kapcsolatazonosítót. | húr |
GenerationSafetyQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] Lekéri vagy beállítja a funkció-hozzárendelési metrikát a számításhoz. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" 'AcceptableGroundednessScorePerInstance' "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (kötelező) |
| küszöb | Lekéri vagy beállítja a küszöbértéket. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. |
MonitoringThreshold |
GenerationTokenStatisticsSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "GenerationTokenStatistics" (kötelező) |
| metricThresholds | [Kötelező] Lekéri vagy beállítja a kiszámítandó metrikákat és a megfelelő küszöbértékeket. | GenerationTokenStatisticsMetricThreshold[] (kötelező) |
| productionData | Lekéri vagy beállítja a számítástechnikai metrikák céladatait. | MonitoringInputDataBase |
| mintavételezési sebesség | [Kötelező] A céladatok mintaarányának 0-nál nagyobbnak és legfeljebb 1-nél kell lennie. | int (kötelező) |
GenerationTokenStatisticsMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] Lekéri vagy beállítja a funkció-hozzárendelési metrikát a számításhoz. | "TotalTokenCount" "TotalTokenCountPerGroup" (kötelező) |
| küszöb | Lekéri vagy beállítja a küszöbértéket. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. |
MonitoringThreshold |
ModelPerformanceSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "ModelPerformance" (kötelező) |
| dataSegment | Az adatszegmens. | MonitoringDataSegment |
| metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | ModelPerformanceMetricThresholdBase (kötelező) |
| productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase[] (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
ModelPerformanceMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| modelType | Az objektumtípus beállítása |
besorolási Regressziós (kötelező) |
ClassificationModelPerformanceMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| modelType | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Besorolás" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó besorolási modell teljesítménye. | "Pontosság" "Pontosság" "Visszahívás" (kötelező) |
RegresszióModelPerformanceMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| modelType | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Regresszió" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó regressziós modell teljesítménymetrikája. | "MeanAbsoluteError" "MeanSquaredError" 'RootMeanSquaredError' (kötelező) |
PredictionDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "PredictionDrift" (kötelező) |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | PredictionDriftMetricThresholdBase[] (kötelező) |
| modelType | [Kötelező] A megfigyelt modell típusa. | "Besorolás" "Regresszió" (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
PredictionDriftMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalPredictionDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | Kategorikus (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus előrejelzési eltérési metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalPredictionDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A numerikus előrejelzés eltérési metrikája a számításhoz. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
ImportDataAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "ImportData" (kötelező) |
| dataImportDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. | DataImport (kötelező) |
DataImport
| Név | Leírás | Érték |
|---|---|---|
| assetName | A létrehozandó adatimportálási feladat objektumának neve | húr |
| autoDeleteSetting | A felügyelt adategység életciklus-beállítását adja meg. | AutoDeleteSetting |
| Adattípus | [Kötelező] Megadja az adatok típusát. | "mltable" "uri_file" "uri_folder" (kötelező) |
| dataUri | [Kötelező] Az adatok URI-ja. Példa: https://go.microsoft.com/fwlink/?linkid=2202330 |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| leírás | Az eszköz leírásának szövege. | húr |
| intellectualProperty | Szellemi tulajdon részletei. Akkor használatos, ha az adatok szellemi tulajdonnak minősülnek. | IntellectualProperty |
| isAnonymous | Ha a név verziója rendszer generálva van (névtelen regisztráció). Azoknál a típusoknál, ahol a szakasz definiálva van, a szakasz megadásakor az IsAnonymous feltöltésére lesz használva. | Bool |
| isArchived | Archiválva van az objektum? Azoknál a típusoknál, ahol a szakasz definiálva van, a szakasz megadásakor az IsArchived feltöltésére lesz használva | Bool |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| forrás | Az importálandó objektum forrásadatai | DataImportSource |
| színpad | Az adategységhez rendelt adat életciklusának szakasza | húr |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
IntellectualProperty
| Név | Leírás | Érték |
|---|---|---|
| protectionLevel | A szellemi tulajdon védelmi szintje. | "Minden" "Nincs" |
| kiadó | [Kötelező] A szellemi tulajdon kiadója. Meg kell egyeznie a beállításjegyzék közzétevőjének nevével. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
DataImportSource
| Név | Leírás | Érték |
|---|---|---|
| kapcsolat | Munkaterület-kapcsolat az adatimportálási forrástárolóhoz | húr |
| sourceType | Az objektumtípus beállítása |
adatbázis- file_system (kötelező) |
DatabaseSource
| Név | Leírás | Érték |
|---|---|---|
| sourceType | [Kötelező] Megadja az adatok típusát. | "adatbázis" (kötelező) |
| lekérdezés | SQL Query utasítás adatimportálási adatbázis-forráshoz | húr |
| storedProcedure | SQL StoredProcedure adatimportálási adatbázis-forráson | húr |
| storedProcedureParams | SQL StoredProcedure-paraméterek | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Az adatimportálási adatbázis-forrás táblájának neve | húr |
DatabaseSourceStoredProcedureParamsItem
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
FileSystemSource
| Név | Leírás | Érték |
|---|---|---|
| sourceType | [Kötelező] Megadja az adatok típusát. | "file_system" (kötelező) |
| ösvény | Az adatimportálási Fájlrendszer forrásának elérési útja | húr |
EndpointScheduleAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | 'InvokeBatchEndpoint' (kötelező) |
| endpointInvocationDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. {see href="TBD" /} |
A Bicep esetében az any() függvény |
TriggerBase
| Név | Leírás | Érték |
|---|---|---|
| endTime | Az ISO 8601-ben az ütemezés befejezési idejét adja meg, de UTC-eltolás nélkül. Tekintse meg https://en.wikipedia.org/wiki/ISO_8601.Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nem jelenik meg, az ütemezés határozatlan ideig fog futni |
húr |
| startTime | Iso 8601 formátumban, de UTC eltolás nélkül adja meg az ütemezés kezdési idejét. | húr |
| timeZone | Azt az időzónát adja meg, amelyben az ütemezés fut. Az időzónának a Windows időzóna formátumát kell követnie. Lásd: /windows-hardver/manufacture/desktop/default-time-zones /> |
húr |
| triggerType | Az objektumtípus beállítása |
Cron Ismétlődési (kötelező) |
CronTrigger
| Név | Leírás | Érték |
|---|---|---|
| triggerType | [Kötelező] | "Cron" (kötelező) |
| kifejezés | [Kötelező] Az ütemezés cron-kifejezését adja meg. A kifejezésnek NCronTab formátumot kell követnie. |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
RecurrenceTrigger
| Név | Leírás | Érték |
|---|---|---|
| endTime | Az ISO 8601-ben az ütemezés befejezési idejét adja meg, de UTC-eltolás nélkül. Tekintse meg https://en.wikipedia.org/wiki/ISO_8601.Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nem jelenik meg, az ütemezés határozatlan ideig fog futni |
húr |
| frekvencia | [Kötelező] Az ütemezés aktiválásának gyakorisága. | "Nap" "Óra" "Perc" "Hónap" "Hét" (kötelező) |
| intervallum | [Kötelező] A gyakorisággal együtt adja meg az ütemezési időközt | int (kötelező) |
| menetrend | Az ismétlődés ütemezése. | RecurrenceSchedule |
| startTime | Iso 8601 formátumban, de UTC eltolás nélkül adja meg az ütemezés kezdési idejét. | húr |
| timeZone | Azt az időzónát adja meg, amelyben az ütemezés fut. Az időzónának a Windows időzóna formátumát kell követnie. Lásd: /windows-hardware/manufacture/desktop/default-time-zones |
húr |
| triggerType | [Kötelező] | 'Cron' "Ismétlődés" (kötelező) |
RecurrenceSchedule
| Név | Leírás | Érték |
|---|---|---|
| Óra | [Kötelező] Az ütemezéshez tartozó órák listája. | int[] (kötelező) |
| jegyzőkönyv | [Kötelező] Az ütemezés perceinek listája. | int[] (kötelező) |
| monthDays | Az ütemezés hónap napjainak listája | int[] |
| Hétköznap | Az ütemezés napjainak listája. | Sztringtömb, amely a következők bármelyikét tartalmazza: "Péntek" "Hétfő" "Szombat" "Vasárnap" 'Csütörtök' 'Kedd' "Szerda" |
ARM-sablon erőforrásdefiníciója
A munkaterületek/ütemezések erőforrástípusa üzembe helyezhető a célműveletekkel:
- Erőforráscsoportok – Lásd erőforráscsoport üzembe helyezési parancsaival
Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplócímű témakörben találja.
Erőforrás formátuma
Microsoft.MachineLearningServices/workspaces/schedules erőforrás létrehozásához adja hozzá a következő JSON-t a sablonhoz.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-06-01-preview",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string"
},
"tags": {},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objektumok
Állítsa be a actionType tulajdonságot az objektum típusának megadásához.
CreateJobesetén használja a következőt:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"notificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
},
"properties": {
"{customized property}": "string"
},
"secretsConfiguration": {
"{customized property}": {
"uri": "string",
"workspaceSecretName": "string"
}
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
CreateMonitoresetén használja a következőt:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSetting": {
"alertNotificationType": "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"mode": "string",
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
ImportDataesetén használja a következőt:
"actionType": "ImportData",
"dataImportDefinition": {
"assetName": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"dataType": "string",
"dataUri": "string",
"description": "string",
"intellectualProperty": {
"protectionLevel": "string",
"publisher": "string"
},
"isAnonymous": "bool",
"isArchived": "bool",
"properties": {
"{customized property}": "string"
},
"source": {
"connection": "string",
"sourceType": "string"
// For remaining properties, see DataImportSource objects
},
"stage": "string",
"tags": {}
}
Az InvokeBatchEndpointesetén használja a következőt:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
JobBaseProperties objektumok
Állítsa be a jobType tulajdonságot az objektum típusának megadásához.
AutoMLesetén használja a következőt:
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
A commandesetében 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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
címkézésiesetén használja a következőt:
"jobType": "Labeling",
"dataConfiguration": {
"dataId": "string",
"incrementalDataRefresh": "string"
},
"jobInstructions": {
"uri": "string"
},
"labelCategories": {
"{customized property}": {
"classes": {
"{customized property}": {
"displayName": "string",
"subclasses": {
"{customized property}": {}
}
},
"displayName": "string",
"multiSelect": "string"
}
},
"labelingJobMediaProperties": {
"mediaType": "string"
// For remaining properties, see LabelingJobMediaProperties objects
},
"mlAssistConfiguration": {
"mlAssist": "string"
// For remaining properties, see MLAssistConfiguration objects
}
A folyamatesetében 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"
Sparkesetén 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" ],
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"resources": {
"instanceType": "string",
"runtimeVersion": "string"
}
A Sweepesetében 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
}
},
"queueSettings": {
"jobTier": "string",
"priority": "int"
},
"samplingAlgorithm": {
"samplingAlgorithmType": "string"
// For remaining properties, see SamplingAlgorithm objects
},
"searchSpace": {},
"trial": {
"codeId": "string",
"command": "string",
"distribution": {
"distributionType": "string"
// For remaining properties, see DistributionConfiguration objects
},
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"locations": [ "string" ],
"maxInstanceCount": "int",
"properties": {
"{customized property}": {}
},
"shmSize": "string"
}
}
IdentityConfiguration-objektumok
Állítsa be a identityType tulajdonságot az objektum típusának megadásához.
AMLTokenesetén használja a következőt:
"identityType": "AMLToken"
felügyeltesetén használja a következőt:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
Az UserIdentityesetében használja a következőt:
"identityType": "UserIdentity"
Webhook objektumok
Állítsa be a webhookType tulajdonságot az objektum típusának megadásához.
Az AzureDevOps
"webhookType": "AzureDevOps"
Csomópontok objektumai
Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.
Az összes
"nodesValueType": "All"
JobOutput-objektumok
Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.
custom_modelesetén használja a következőt:
"jobOutputType": "custom_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
mlflow_modelesetén használja a következőt:
"jobOutputType": "mlflow_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
mltableesetén használja a következőt:
"jobOutputType": "mltable",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
triton_modelesetén használja a következőt:
"jobOutputType": "triton_model",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
uri_fileesetén használja a következőt:
"jobOutputType": "uri_file",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
uri_folderesetén használja a következőt:
"jobOutputType": "uri_folder",
"assetName": "string",
"assetVersion": "string",
"autoDeleteSetting": {
"condition": "string",
"value": "string"
},
"mode": "string",
"uri": "string"
AutoMLVertical objektumok
Állítsa be a taskType tulajdonságot az objektum típusának megadásához.
Besorolásiesetén 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",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Előrejelzésiesetén 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",
"featuresUnknownAtForecastTime": [ "string" ],
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Az ImageClassificationesetében 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"
ImageClassificationMultilabelesetén 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 ImageInstanceSegmentationesetében 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",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "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 ImageObjectDetectionesetében 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",
"logTrainingMetrics": "string",
"logValidationLoss": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "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"
Regressziósesetén 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",
"maxNodes": "int",
"maxTrials": "int",
"sweepConcurrentTrials": "int",
"sweepTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"searchSpace": [
{
"booster": "string",
"boostingType": "string",
"growPolicy": "string",
"learningRate": "string",
"maxBin": "string",
"maxDepth": "string",
"maxLeaves": "string",
"minDataInLeaf": "string",
"minSplitGain": "string",
"modelName": "string",
"nEstimators": "string",
"numLeaves": "string",
"preprocessorName": "string",
"regAlpha": "string",
"regLambda": "string",
"subsample": "string",
"subsampleFreq": "string",
"treeMethod": "string",
"withMean": "string",
"withStd": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
},
"trainingMode": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
TextClassificationesetén 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 TextClassificationMultilabelesetében 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"
}
TextNEResetén 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 mód tulajdonságot az objektum típusának megadásához.
Az automatikus
"mode": "Auto"
Az egyéni
"mode": "Custom",
"value": "int"
EarlyTerminationPolicy objektumok
Állítsa be a policyType tulajdonságot az objektum típusának megadásához.
Banditesetén használja a következőt:
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
MediánStoppingesetén használja a következőt:
"policyType": "MedianStopping"
A Csonkolásselectionesetében használja a következőt:
"policyType": "TruncationSelection",
"truncationPercentage": "int"
ForecastHorizon objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
"mode": "Auto"
Az egyéni
"mode": "Custom",
"value": "int"
Szezonalitási objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
"mode": "Auto"
Az egyéni
"mode": "Custom",
"value": "int"
TargetLags-objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
"mode": "Auto"
Az egyéni
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
"mode": "Auto"
Az egyéni
"mode": "Custom",
"value": "int"
DistributionConfiguration-objektumok
Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.
Mpiesetén használja a következőt:
"distributionType": "Mpi",
"processCountPerInstance": "int"
PyTorchesetén használja a következőt:
"distributionType": "PyTorch",
"processCountPerInstance": "int"
Rayesetén használja a következőt:
"distributionType": "Ray",
"address": "string",
"dashboardPort": "int",
"headNodeAdditionalArgs": "string",
"includeDashboard": "bool",
"port": "int",
"workerNodeAdditionalArgs": "string"
A TensorFlow
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
JobInput-objektumok
Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.
custom_modelesetén használja a következőt:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
A literálisesetében használja a következőt:
"jobInputType": "literal",
"value": "string"
mlflow_modelesetén használja a következőt:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
mltableesetén használja a következőt:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
triton_modelesetén használja a következőt:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
uri_fileesetén használja a következőt:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
uri_folderesetén használja a következőt:
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
LabelingJobMediaProperties objektumok
Állítsa be a mediaType tulajdonságot az objektum típusának megadásához.
Képesetén használja a következőt:
"mediaType": "Image",
"annotationType": "string"
Szövegesetén használja a következőt:
"mediaType": "Text",
"annotationType": "string"
MLAssistConfiguration objektumok
Állítsa be a mlAssist tulajdonságot az objektum típusának megadásához.
Letiltottesetén használja a következőt:
"mlAssist": "Disabled"
Engedélyezettesetén használja a következőt:
"mlAssist": "Enabled",
"inferencingComputeBinding": "string",
"trainingComputeBinding": "string"
SparkJobEntry-objektumok
Állítsa be a sparkJobEntryType tulajdonságot az objektum típusának megadásához.
A SparkJobPythonEntry
"sparkJobEntryType": "SparkJobPythonEntry",
"file": "string"
A SparkJobScalaEntry
"sparkJobEntryType": "SparkJobScalaEntry",
"className": "string"
SamplingAlgorithm objektumok
Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.
Bayesianesetén használja a következőt:
"samplingAlgorithmType": "Bayesian"
A Gridesetében használja a következőt:
"samplingAlgorithmType": "Grid"
Véletlenszerűesetén használja a következőt:
"samplingAlgorithmType": "Random",
"logbase": "string",
"rule": "string",
"seed": "int"
MonitoringAlertNotificationSettingsBase-objektumok
Állítsa be a alertNotificationType tulajdonságot az objektum típusának megadásához.
Az AzureMonitor
"alertNotificationType": "AzureMonitor"
e-mailesetén használja a következőt:
"alertNotificationType": "Email",
"emailNotificationSetting": {
"emailOn": [ "string" ],
"emails": [ "string" ],
"webhooks": {
"{customized property}": {
"eventType": "string",
"webhookType": "string"
// For remaining properties, see Webhook objects
}
}
}
MonitorComputeConfigurationBase-objektumok
Állítsa be a computeType tulajdonságot az objektum típusának megadásához.
ServerlessSparkesetén használja a következőt:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
MonitorComputeIdentityBase-objektumok
Állítsa be a computeIdentityType tulajdonságot az objektum típusának megadásához.
AmlTokenesetén használja a következőt:
"computeIdentityType": "AmlToken"
ManagedIdentityesetén használja a következőt:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
MonitoringSignalBase-objektumok
Állítsa be a signalType tulajdonságot az objektum típusának megadásához.
Az egyéni
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"workspaceConnection": {
"environmentVariables": {
"{customized property}": "string"
},
"secrets": {
"{customized property}": "string"
}
}
DataDriftesetén használja a következőt:
"signalType": "DataDrift",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"featureDataTypeOverride": {
"{customized property}": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
DataQualityesetén használja a következőt:
"signalType": "DataQuality",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
FeatureAttributionDriftesetén használja a következőt:
"signalType": "FeatureAttributionDrift",
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A GenerationSafetyQualityesetében használja a következőt:
"signalType": "GenerationSafetyQuality",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"samplingRate": "int",
"workspaceConnectionId": "string"
A GenerationTokenStatisticsesetében használja a következőt:
"signalType": "GenerationTokenStatistics",
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"samplingRate": "int"
ModelPerformanceesetén használja a következőt:
"signalType": "ModelPerformance",
"dataSegment": {
"feature": "string",
"values": [ "string" ]
},
"metricThreshold": {
"threshold": {
"value": "int"
},
"modelType": "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
PredictionDriftesetén használja a következőt:
"signalType": "PredictionDrift",
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"modelType": "string",
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objektumok
Állítsa be az inputDataType tulajdonságot az objektum típusának megadásához.
Rögzítettesetén használja a következőt:
"inputDataType": "Fixed"
Statikusesetén használja a következőt:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
Záróesetén használja a következőt:
"inputDataType": "Trailing",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
MonitoringFeatureFilterBase-objektumok
Állítsa be a filterType tulajdonságot az objektum típusának megadásához.
AllFeaturesesetén használja a következőt:
"filterType": "AllFeatures"
A FeatureSubsetesetében használja a következőt:
"filterType": "FeatureSubset",
"features": [ "string" ]
TopNByAttributionesetén használja a következőt:
"filterType": "TopNByAttribution",
"top": "int"
DataDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
"dataType": "Categorical",
"metric": "string"
Numerikus
"dataType": "Numerical",
"metric": "string"
DataQualityMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
"dataType": "Categorical",
"metric": "string"
Numerikus
"dataType": "Numerical",
"metric": "string"
ModelPerformanceMetricThresholdBase objektumok
Állítsa be a modelType tulajdonságot az objektum típusának megadásához.
Besorolásiesetén használja a következőt:
"modelType": "Classification",
"metric": "string"
Regressziósesetén használja a következőt:
"modelType": "Regression",
"metric": "string"
PredictionDriftMetricThresholdBase objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
"dataType": "Categorical",
"metric": "string"
Numerikus
"dataType": "Numerical",
"metric": "string"
DataImportSource-objektumok
Állítsa be a sourceType tulajdonságot az objektum típusának megadásához.
adatbázis-esetén használja a következőt:
"sourceType": "database",
"query": "string",
"storedProcedure": "string",
"storedProcedureParams": [
{
"{customized property}": "string"
}
],
"tableName": "string"
file_systemesetén használja a következőt:
"sourceType": "file_system",
"path": "string"
TriggerBase-objektumok
Állítsa be a triggerType tulajdonságot az objektum típusának megadásához.
Cronesetén használja a következőt:
"triggerType": "Cron",
"expression": "string"
Az ismétlődésia következőt használja:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Tulajdonságértékek
munkaterületek/ütemezések
| Név | Leírás | Érték |
|---|---|---|
| típus | Az erőforrás típusa | "Microsoft.MachineLearningServices/workspaces/schedules" |
| apiVersion | Az erőforrás API-verziója | '2023-06-01-preview" |
| név | Az erőforrás neve Megtudhatja, hogyan állíthat be neveket és típusokat a gyermekerőforrásokhoz JSON ARM-sablonokban. |
sztring (kötelező) |
| kellékek | [Kötelező] Az entitás további attribútumai. | ScheduleProperties (kötelező) |
ScheduleProperties
| Név | Leírás | Érték |
|---|---|---|
| akció | [Kötelező] Az ütemezés műveletét adja meg | ScheduleActionBase (kötelező) |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | Az ütemezés megjelenítendő neve. | húr |
| isEnabled | Engedélyezve van az ütemezés? | Bool |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
| kivált | [Kötelező] Az eseményindító részleteinek megadása | TriggerBase (kötelező) |
ScheduleActionBase
| Név | Leírás | Érték |
|---|---|---|
| actionType | Az objektumtípus beállítása |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (kötelező) |
JobScheduleAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateJob" (kötelező) |
| jobDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. | JobBaseProperties (kötelező) |
JobBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | húr |
| computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | húr |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | A feladat megjelenítendő neve. | húr |
| experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | húr |
| azonosság | 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 objektum? | Bool |
| notificationSetting | A feladat értesítési beállítása | NotificationSetting |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| secretsConfiguration | Konfiguráció a futtatókörnyezetben elérhetővé tenni kívánt titkos kódokhoz. | JobBaseSecretsConfiguration |
| szolgáltatás | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik. |
JobBaseServices |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
| jobType | Az objektumtípus beállítása |
AutoML- parancs címkézési folyamat Spark takarítási (kötelező) |
IdentityConfiguration
| Név | Leírás | Érték |
|---|---|---|
| identityType | Az objektumtípus beállítása |
AMLToken felügyelt UserIdentity (kötelező) |
AmlToken
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "AMLToken" (kötelező) |
ManagedIdentity
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "Felügyelt" (kötelező) |
| clientId | Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt. | húr 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. | húr 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. | húr |
Felhasználóidentitás
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "UserIdentity" (kötelező) |
NotificationSetting
| Név | Leírás | Érték |
|---|---|---|
| e-mail-cím | E-mail-értesítés küldése a felhasználónak a megadott értesítési típuson | Sztringtömb, amely a következők bármelyikét tartalmazza: 'JobCancelled' "Feladatkiegészítés" 'JobFailed' |
| e-mailek | Ez az e-mail-címzettek listája, amely 499 karakteres korlátozással rendelkezik a vesszőelválasztóval összefűzve | sztring[] |
| webhookok | Webhook-visszahívás küldése szolgáltatásnak. A kulcs a webhook felhasználó által megadott neve. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | Webhook |
Webhook
| Név | Leírás | Érték |
|---|---|---|
| eventType | Visszahívás küldése adott értesítési eseményen | húr |
| webhookType | Az objektumtípus beállítása | AzureDevOps (kötelező) |
AzureDevOpsWebhook
| Név | Leírás | Érték |
|---|---|---|
| webhookType | [Kötelező] Megadja a visszahívás küldéséhez tartozó szolgáltatás típusát | "AzureDevOps" (kötelező) |
ResourceBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
JobBaseSecretsConfiguration
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | SecretConfiguration |
SecretConfiguration
| Név | Leírás | Érték |
|---|---|---|
| Uri | Titkos Uri. Uri minta: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
húr |
| workspaceSecretName | A munkaterület kulcstartójában lévő titkos kód neve. | húr |
JobBaseServices
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobService |
JobService
| Név | Leírás | Érték |
|---|---|---|
| végpont | Végpont URL-címe. | húr |
| jobServiceType | Végpont típusa. | húr |
| Csomópontok | Azok a csomópontok, amelyeken a felhasználó elindítaná a szolgáltatást. Ha a csomópontok nincsenek beállítva vagy null értékre állítva, a szolgáltatás csak a vezető csomóponton lesz elindítva. |
csomópontok |
| kikötő | A felhasználó által beállított végpont portja. | Int |
| kellékek | További beállítások a végponton. | JobServiceProperties |
Csomópontok
| Név | Leírás | Érték |
|---|---|---|
| nodesValueType | Az objektumtípus beállítása | Minden (kötelező) |
AllNodes
| Név | Leírás | Érték |
|---|---|---|
| nodesValueType | [Kötelező] A Csomópontok érték típusa | "Minden" (kötelező) |
JobServiceProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
AutoMLJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 által válogatott környezeti verzióra adja meg a feladat futtatásakor. |
húr |
| environmentVariables | A feladatban szereplő környezeti változók. | AutoMLJobEnvironmentVariables |
| Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | AutoMLJobOutputs |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
| taskDetails | [Kötelező] Ez olyan forgatókönyvet jelöl, amely a Táblák/NLP/Kép egyik lehet | AutoMLVertical (kötelező) |
AutoMLJobEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
AutoMLJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
JobOutput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A kimenet leírása. | húr |
| jobOutputType | Az objektumtípus beállítása |
custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "custom_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
AutoDeleteSetting
| Név | Leírás | Érték |
|---|---|---|
| feltétel | Mikor kell ellenőrizni, hogy egy objektum lejárt-e | 'CreatedGreaterThan' "LastAccessedGreaterThan" |
| érték | Lejárati feltétel értéke. | húr |
MLFlowModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "mlflow_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
MLTableJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "mltable" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
TritonModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "triton_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
UriFileJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "uri_file" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
UriFolderJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "uri_folder" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
QueueSettings
| Név | Leírás | Érték |
|---|---|---|
| jobTier | A számítási feladatszint szabályozása | "Alapszintű" "Null" "Prémium" "Spot" "Standard" |
| elsőbbség | Szabályozza a feladat prioritását egy számításon. | Int |
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. | húr |
| instanceCount | A számítási cél által használt példányok vagy csomópontok opcionális száma. | Int |
| instanceType | A számítási cél által támogatott virtuális gép választható típusa. | húr |
| Helyek | Helyek, ahol a feladat futtatható. | sztring[] |
| maxInstanceCount | Nem kötelező, hogy a számítási cél hány példányt vagy csomópontot használjon. Rugalmas betanításhoz, jelenleg csak PyTorch-disztribúciós típus támogatja. |
Int |
| kellékek | További tulajdonságok táska. | ResourceConfigurationProperties |
| shmSize | A Docker-tároló megosztott memóriablokkjának mérete. Ennek a formátumnak (szám)(egységnek) kell lennie, ahol a szám 0-nál nagyobb lehet, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt) egyike. | húr Korlátok: Minta = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Név | Leírás | Érték |
|---|---|---|
| {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. |
húr |
| trainingData | [Kötelező] Betanítási adatbevitel. | MLTableJobInput (kötelező) |
| taskType | Az objektumtípus beállítása |
besorolási előrejelzési ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection regressziós TextClassification TextClassificationMultilabel TextNER- (kötelező) |
MLTableJobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Osztályozás
| 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
| positiveLabel | Pozitív címke bináris metrikák kiszámításához. | húr |
| primaryMetric | A tevékenység elsődleges metrikája. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
TableVerticalFeaturizationSettings
| Név | Leírás | Érték |
|---|---|---|
| blockedTransformers | Ezek a transzformátorok nem használhatók a featurizációhoz. | Sztringtömb, amely a következők 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 a szöveges adatokhoz hasznos. | húr |
| enableDnnFeaturization | Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához. | Bool |
| üzemmód | Featurization mód – A felhasználó megtarthatja az alapértelmezett "Auto" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizációs fázisban. Ha a "Ki" lehetőség van kiválasztva, akkor a művelet nem végez érlelési elemet. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a featurálási folyamat testreszabásához. |
'Auto' "Egyéni" "Kikapcsolva" |
| transformerParams | A felhasználó megadhat további használandó átalakítókat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint paramétereket a transzformátor-konstruktorhoz. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
TableVerticalFeaturizationSettingsTransformerParams
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | ColumnTransformer[] |
ColumnTransformer
| Név | Leírás | Érték |
|---|---|---|
| Mezők | A transzformátorlogika alkalmazásához használandó mezők. | sztring[] |
| Paraméterek | 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 az XGBoost gbdt-ét. | húr |
| boostingType | Adja meg a kiemelés típusát, például a LightGBM gbdt-ét. | húr |
| growPolicy | Adja meg a növekedési szabályzatot, amely szabályozza az új csomópontok fához való hozzáadásának módját. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | Int |
| maxBin | Adja meg a folyamatos funkciók gyűjtőbe való maximális számát a különálló tárolók számára. | Int |
| maxDepth | Adja meg a maximális mélységet a famélység explicit korlátozásához. | Int |
| maxLeaves | Adja meg a maximális leveleket a falevelek explicit korlátozásához. | Int |
| minDataInLeaf | A levélenkénti adatok minimális száma. | Int |
| minSplitGain | A fa egy levélcsomóponton történő további partíció létrehozásához szükséges minimális veszteségcsökkentés. | Int |
| modelName | A betanított modell neve. | húr |
| nEstimators | Adja meg a modellben lévő fák (vagy kerekítések) számát. | Int |
| numLeaves | Adja meg a levelek számát. | Int |
| preprocessorName | A használni kívánt előfeldolgozó neve. | húr |
| regAlpha | L1 a súlyokra vonatkozó regicializálási kifejezés. | Int |
| regLambda | L2 regularization kifejezés súlyokra. | Int |
| alminta | A betanítási példány részmintaaránya. | Int |
| subsampleFreq | Az alminta gyakorisága. | Int |
| treeMethod | Adja meg a fametódust. | húr |
| withMean | Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával. | Bool |
| withStd | Ha igaz, az adatok skálázása a Unit Variance és a StandardScalar használatával. | Bool |
TableVerticalLimitSettings
| Név | Leírás | Érték |
|---|---|---|
| enableEarlyTermination | Lehetővé teszi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám. | Bool |
| exitScore | Az AutoML-feladat kilépési pontszáma. | Int |
| maxConcurrentTrials | Egyidejű iterációk maximális száma. | Int |
| maxCoresPerTrial | Iterációnkénti magok maximális száma. | Int |
| maxNodes | A kísérlethez használandó csomópontok maximális száma. | 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 |
| időkorlát | AutoML-feladat időtúllépése. | húr |
| trialTimeout | Iterációs időtúllépés. | húr |
NCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoNCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Az N-Cross érvényesítés meghatározásának módja. | "Auto" (kötelező) |
CustomNCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Az N-Cross érvényesítés meghatározásának módja. | "Egyéni" (kötelező) |
| érték | [Kötelező] N-Kereszt érvényesítési érték. | int (kötelező) |
TableParameterSubspace
| Név | Leírás | Érték |
|---|---|---|
| hírverő | Adja meg a kiemelés típusát, például az XGBoost gbdt-ét. | húr |
| boostingType | Adja meg a kiemelés típusát, például a LightGBM gbdt-ét. | húr |
| growPolicy | Adja meg a növekedési szabályzatot, amely szabályozza az új csomópontok fához való hozzáadásának módját. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | húr |
| maxBin | Adja meg a folyamatos funkciók gyűjtőbe való maximális számát a különálló tárolók számára. | húr |
| maxDepth | Adja meg a maximális mélységet a famélység explicit korlátozásához. | húr |
| maxLeaves | Adja meg a maximális leveleket a falevelek explicit korlátozásához. | húr |
| minDataInLeaf | A levélenkénti adatok minimális száma. | húr |
| minSplitGain | A fa egy levélcsomóponton történő további partíció létrehozásához szükséges minimális veszteségcsökkentés. | húr |
| modelName | A betanított modell neve. | húr |
| nEstimators | Adja meg a modellben lévő fák (vagy kerekítések) számát. | húr |
| numLeaves | Adja meg a levelek számát. | húr |
| preprocessorName | A használni kívánt előfeldolgozó neve. | húr |
| regAlpha | L1 a súlyokra vonatkozó regicializálási kifejezés. | húr |
| regLambda | L2 regularization kifejezés súlyokra. | húr |
| alminta | A betanítási példány részmintaaránya. | húr |
| subsampleFreq | Az alminta gyakorisága | húr |
| treeMethod | Adja meg a fametódust. | húr |
| withMean | Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával. | húr |
| withStd | Ha igaz, az adatok skálázása a Unit Variance és a StandardScalar használatával. | húr |
TableSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A takarítási feladathoz tartozó korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
| samplingAlgorithm | [Kötelező] A mintavételezési algoritmus típusa. | 'Bayesian' "Rács" "Véletlenszerű" (kötelező) |
EarlyTerminationPolicy
| Név | Leírás | Érték |
|---|---|---|
| delayEvaluation | Azon intervallumok száma, amelyekkel késleltethető az első értékelés. | Int |
| evaluationInterval | Intervallum (futtatások száma) a szabályzatok kiértékelése között. | 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 futástól. | Int |
MediánStoppingPolicy
| Név | Leírás | Érték |
|---|---|---|
| policyType | [Kötelező] Szabályzatkonfiguráció neve | "MediánStopping" (kötelező) |
CsonkolásSelectionPolicy
| Név | Leírás | Érték |
|---|---|---|
| policyType | [Kötelező] Szabályzatkonfiguráció neve | "TruncationSelection" (kötelező) |
| csonkolásPercentage | Az egyes kiértékelési időszakokban megszakítandó futtatások százalékos aránya. | Int |
ClassificationTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A besorolási feladat engedélyezett modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | A besorolási feladat blokkolt modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
| enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
'Auto' "Elosztott" "Nemdistributed" |
StackEnsembleSettings
| Név | Leírás | Érték |
|---|---|---|
| stackMetaLearnerKWargs | Nem kötelező paraméterek a metatanuló inicializálójának átadni. | |
| stackMetaLearnerTrainPercentage | Meghatározza a betanítási csoport arányát (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához. Az alapértelmezett érték 0,2. | Int |
| stackMetaLearnerType | A metatanuló az egyes heterogén modellek kimenetére betanított modell. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs" |
Előrejelzés
| 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| forecastingSettings | Tevékenységspecifikus bemenetek előrejelzése. | ForecastingSettings |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten 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 különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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. | ForecastingTrainingSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
Előrejelzési beállítások
| Név | Leírás | Érték |
|---|---|---|
| countryOrRegionForHolidays | Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek ISO 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB". |
húr |
| cvStepSize | Az egyik CV-hajtás származási ideje és a következő hajtás közötti időszakok száma. Részére ha például CVStepSize = 3 a napi adatok esetében, az egyes hajtások forrásidejehárom nap különbséggel. |
Int |
| featureLags | Az "auto" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző. | 'Auto' "Nincs" |
| featuresUnknownAtForecastTime | A betanításhoz elérhető, de az előrejelzés/következtetés időpontjában ismeretlen funkcióoszlopok. Ha features_unknown_at_forecast_time nincs beállítva, a rendszer feltételezi, hogy az adathalmaz összes funkcióoszlopa következtetési időben ismert. |
sztring[] |
| forecastHorizon | A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben. | ForecastHorizon |
| frekvencia | Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánják, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. | húr |
| szezonalitás | Állítsa be az idősor szezonalitását az adatsor gyakoriságának egész számának többszöröseként. Ha a szezonalitás "auto" értékre van állítva, a rendszer ezt a következtetést fogja levonni. |
szezonalitási |
| shortSeriesHandlingConfig | Az a paraméter, amely meghatározza, hogy az AutoML hogyan kezelje a rövid idősorokat. | 'Auto' '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 felmerül. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean". |
"Max" "Középérték" 'Min' "Nincs" "Összeg" |
| targetLags | A céloszloptól elkésni kívánt elmúlt időszakok száma. | TargetLags |
| targetRollingWindowSize | A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma. | TargetRollingWindowSize |
| timeColumnName | Az időoszlop neve. Ez a paraméter az előrejelzéshez szükséges az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok dátum/idő oszlopának megadásához. | húr |
| timeSeriesIdColumnNames | Az idősorok csoportosításához használt oszlopok nevei. Több sorozat létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak kell feltételezni. Ezt a paramétert a rendszer a tevékenységtípus-előrejelzéshez használja. |
sztring[] |
| useStl | Konfigurálja az idősor céloszlopának STL-felbontását. | "Nincs" "Szezon" "SeasonTrend" |
ForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Előrejelzési horizont értékválasztási mód beállítása. | "Auto" (kötelező) |
CustomForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Előrejelzési horizont értékválasztási mód beállítása. | "Egyéni" (kötelező) |
| érték | [Kötelező] Előrejelzési horizont értéke. | int (kötelező) |
Szezonalitás
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoSeasonality
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Szezonalitás mód. | "Auto" (kötelező) |
CustomSeasonality
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Szezonalitás mód. | "Egyéni" (kötelező) |
| érték | [Kötelező] Szezonalitás értéke. | int (kötelező) |
TargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoTargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Auto" (kötelező) |
CustomTargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Egyéni" (kötelező) |
| értékrend | [Kötelező] Állítsa be a cél késési értékeit. | int[] (kötelező) |
TargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoTargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Auto" (kötelező) |
CustomTargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Egyéni" (kötelező) |
| érték | [Kötelező] TargetRollingWindowSize érték. | int (kötelező) |
ForecastingTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A tevékenységek előrejelzéséhez engedélyezett modellek. | Sztringtömb, amely a következők 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 tevékenységhez. | Sztringtömb, amely a következők 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. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
'Auto' "Elosztott" "Nemdistributed" |
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 tevékenységhez optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
ImageLimitSettings
| Név | Leírás | Érték |
|---|---|---|
| maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | Int |
| maxTrials | AutoML-iterációk maximális száma. | Int |
| időkorlát | AutoML-feladat időtúllépése. | húr |
ImageModelSettingsClassification
| Név | Leírás | Érték |
|---|---|---|
| advancedSettings | Speciális forgatókönyvek beállításai. | húr |
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | Bool |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő 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. | húr |
| Elosztott | Elosztott betanítás használata. | Bool |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | Bool |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
Int |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
Int |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | Bool |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | Int |
| gradientAccumulationStep | A színátmenet-felhalmozás 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 rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő 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: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | Bool |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | Int |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | Int |
| Optimalizáló | Az optimalizáló típusa. | 'Adam' 'Adamw' "Nincs" 'Sgd' |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | Int |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő 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 beadva. Pozitív egész számnak kell lennie. | Int |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | Int |
| validationCropSize | Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. | Int |
| validationResizeSize | Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | Int |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | Int |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | Int |
| súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
Int |
MLFlowModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Név | Leírás | Érték |
|---|---|---|
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | húr |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| Elosztott | A terjesztő betanításának használata. | húr |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | húr |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
húr |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
húr |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | húr |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | húr |
| gradientAccumulationStep | A színátmenet-felhalmozás 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. |
húr |
| layersToFreeze | A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | húr |
| modelName | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | húr |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | húr |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | húr |
| Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | húr |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | húr |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | húr |
| trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | húr |
| trainingCropSize | Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | húr |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationCropSize | Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. | húr |
| validationResizeSize | Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | húr |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | húr |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | húr |
| súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
húr |
ImageSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
| samplingAlgorithm | [Kötelező] A hiperparaméter-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 | A tevékenységhez optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
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 tevékenységhez optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
ImageModelSettingsObjectDetection
| Név | Leírás | Érték |
|---|---|---|
| advancedSettings | Speciális forgatókönyvek beállításai. | húr |
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | Bool |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| boxDetectionsPerImage | Az észlelések maximális száma képenként, minden 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. Lebegtetésnek kell lennie a tartományban[0, 1]. |
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. | húr |
| Elosztott | Elosztott betanítás használata. | Bool |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | Bool |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
Int |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
Int |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | Bool |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | Int |
| gradientAccumulationStep | A színátmenet-felhalmozás 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 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 rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
| logTrainingMetrics | Számítási és naplózási betanítási metrikák engedélyezése. | "Letiltás" "Engedélyezés" |
| logValidationLoss | A számítástechnika és a naplózás érvényesítési veszteségének engedélyezése. | "Letiltás" "Engedélyezés" |
| maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. 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 táplálja. 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: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| modelSize | Modell mérete. Legyen "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". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| többskálázásos | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
Bool |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | Bool |
| nmsIouThreshold | Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | Int |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | Int |
| Optimalizáló | Az optimalizáló típusa. | 'Adam' 'Adamw' "Nincs" 'Sgd' |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | Int |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő 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 A kis objektumészlelési logika engedélyezéséhez nincs lehetőség. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tileOverlapRatio | Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
Int |
| tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [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. Az [0, 1] tartományban kell lebegnie. | Int |
| validationMetricType | Metrikaszámítási módszer az érvényesítési metrikákhoz. | "Coco" 'CocoVoc' "Nincs" "Voc" |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | Int |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | Int |
ImageModelDistributionSettingsObjectDetection
| Név | Leírás | Érték |
|---|---|---|
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | húr |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| boxDetectionsPerImage | Az észlelések maximális száma képenként, minden osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegtetésnek kell lennie a tartományban[0, 1]. |
húr |
| Elosztott | A terjesztő betanításának használata. | húr |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | húr |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
húr |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
húr |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | húr |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | húr |
| gradientAccumulationStep | A színátmenet-felhalmozás 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. |
húr |
| 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. |
húr |
| layersToFreeze | A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | húr |
| maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. 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. |
húr |
| minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez táplálja. 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. |
húr |
| modelName | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| modelSize | Modell mérete. Legyen "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. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| többskálázásos | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
húr |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | húr |
| nmsIouThreshold | Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie. | húr |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | húr |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | húr |
| Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | húr |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | húr |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | húr |
| tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet A kis objektumészlelési logika engedélyezéséhez nincs lehetőség. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tileOverlapRatio | Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális letiltás |
húr |
| trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie. | húr |
| validationMetricType | Metrikaszámítási módszer az érvényesítési metrikákhoz. "nincs", "coco", "voc" vagy "coco_voc" kell lennie. | húr |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | húr |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | húr |
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 tevékenységhez optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
| primaryMetric | A regressziós tevékenység elsődleges metrikája. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" 'SpearmanCorrelation' |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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. | RegressionTrainingSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
RegresszióTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A regressziós tevékenységhez engedélyezett modellek. | Sztringtömb, amely a következők bármelyikét tartalmazza: "DecisionTree" "ElasticNet" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor" |
| blockedTrainingAlgorithms | A regressziós feladat blokkolt modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "DecisionTree" "ElasticNet" 'ExtremeRandomTrees' "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor" |
| enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
'Auto' "Elosztott" "Nemdistributed" |
TextClassification
| Név | Leírás | Érték |
|---|---|---|
| taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassification" (kötelező) |
| featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
| fixedParameters | Olyan 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 különböző kombinációinak és hiperparamétereinek mintavételezésére. | NlpParameterSubspace[] |
| sweepSettings | A modellsöprési és hiperparaméter-finomhangolási beállítások. | NlpSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Név | Leírás | Érték |
|---|---|---|
| datasetLanguage | Adatkészlet nyelve, amely a szöveges adatokhoz hasznos. | húr |
NlpFixedParameters
| Név | Leírás | Érték |
|---|---|---|
| gradientAccumulationSteps | A színátmenetek halmozásához szükséges lépések száma a visszalépés futtatása előtt. | Int |
| learningRate | A képzési eljárás tanulási sebessége. | Int |
| learningRateScheduler | A képzési eljárás során használni kívánt tanulási sebesség ütemezésének típusa. | "Állandó" "ConstantWithWarmup" "Koszinusz" "CosineWithRestarts" "Lineáris" "Nincs" "Polinom" |
| modelName | A betanított modell neve. | húr |
| 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 | A kísérlethez használandó csomópontok maximális száma. | Int |
| maxTrials | AutoML-iterációk száma. | Int |
| időkorlát | AutoML-feladat időtúllépése. | húr |
| trialTimeout | Időtúllépés az egyes HD-próbaverziókhoz. | húr |
NlpParameterSubspace
| Név | Leírás | Érték |
|---|---|---|
| gradientAccumulationSteps | A színátmenetek halmozásához szükséges lépések száma a visszalépés futtatása előtt. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | húr |
| learningRateScheduler | A képzési eljárás során használni kívánt tanulási sebesség ütemezésének típusa. | húr |
| modelName | A betanított modell neve. | húr |
| numberOfEpochs | A betanítási korszakok száma. | húr |
| trainingBatchSize | A betanítási eljárás kötegmérete. | húr |
| validationBatchSize | A kiértékelés során használandó kötegméret. | húr |
| warmupRatio | Az LrSchedulerType mellett használt bemelegítési arány. | húr |
| weightDecay | A betanítási eljárás súlycsökkenése. | húr |
NlpSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A takarítási feladathoz tartozó korai felmondási szabályzat 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | NlpFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | NlpFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | NlpParameterSubspace[] |
| sweepSettings | A modellsöprési és hiperparaméter-finomhangolási beállítások. | NlpSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
CommandJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "Parancs" (kötelező) |
| autologgerSettings | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie. | AutologgerSettings |
| codeId | A kódobjektum ARM-erőforrás-azonosítója. | húr |
| parancs | [Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| elosztás | A feladat terjesztési konfigurációja. Ha be van állítva, ez az Mpi, a Tensorflow, a PyTorch, a Ray vagy a null érték egyikének kell lennie. | DistributionConfiguration |
| environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 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 |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
AutologgerSettings
| Név | Leírás | Érték |
|---|---|---|
| mlflowAutologger | [Kötelező] Azt jelzi, hogy engedélyezve van-e az mlflow-autologger. | "Letiltva" "Engedélyezve" (kötelező) |
DistributionConfiguration
| Név | Leírás | Érték |
|---|---|---|
| distributionType | Az objektumtípus beállítása |
Mpi PyTorch Ray 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 | Csomópontonkénti folyamatok száma. | Int |
Rája
| Név | Leírás | Érték |
|---|---|---|
| distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "Ray" (kötelező) |
| cím | A Ray-fej csomópont címe. | húr |
| dashboardPort | Az irányítópult-kiszolgálót összekötő port. | Int |
| headNodeAdditionalArgs | A sugárindításnak átadott további argumentumok a főcsomóponton. | húr |
| includeDashboard | Adja meg ezt az argumentumot a Ray-irányítópult grafikus felhasználói felületének elindításához. | Bool |
| kikötő | A fejsugár-folyamat portja. | Int |
| workerNodeAdditionalArgs | A ray startnak átadott további argumentumok a feldolgozó csomópontban. | húr |
TensorFlow
| Név | Leírás | Érték |
|---|---|---|
| distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "TensorFlow" (kötelező) |
| parameterServerCount | Paraméterkiszolgálói feladatok száma. | Int |
| workerCount | Dolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz. | Int |
CommandJobEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CommandJobInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
JobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | Az objektumtípus beállítása |
custom_model literális mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
LiteralJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "literál" (kötelező) |
| érték | [Kötelező] A bemenet literális értéke. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
TritonModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "triton_model" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFileJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "uri_file" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFolderJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
CommandJobLimits
| Név | Leírás | Érték |
|---|---|---|
| jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
| időkorlát | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot. | húr |
CommandJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
LabelingJobProperties
| Név | Leírás | Érték |
|---|---|---|
| componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | húr |
| computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | húr |
| dataConfiguration | A feladatban használt adatok konfigurálása. | LabelingDataConfiguration |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | A feladat megjelenítendő neve. | húr |
| experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | húr |
| azonosság | 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 objektum? | Bool |
| jobInstructions | A feladat címkézési utasításai. | LabelingJobInstructions |
| jobType | [Kötelező] A feladat típusát adja meg. | 'AutoML' "Parancs" "Címkézés" "Folyamat" "Spark" "Takarítás" (kötelező) |
| labelCategories | A feladat címkéinek kategóriái. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Médiatípus-specifikus tulajdonságok a feladatban. | LabelingJobMediaProperties |
| mlAssistConfiguration | Az MLAssist funkció konfigurálása a feladatban. | MLAssistConfiguration |
| notificationSetting | A feladat értesítési beállítása | NotificationSetting |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| secretsConfiguration | Konfiguráció a futtatókörnyezetben elérhetővé tenni kívánt titkos kódokhoz. | JobBaseSecretsConfiguration |
| szolgáltatás | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik. |
JobBaseServices |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
LabelingDataConfiguration
| Név | Leírás | Érték |
|---|---|---|
| dataId | Az adategység erőforrás-azonosítója a címkézés végrehajtásához. | húr |
| növekményesDataRefresh | Azt jelzi, hogy engedélyezi-e a növekményes adatfrissítést. | "Letiltva" "Engedélyezve" |
LabelingJobInstructions
| Név | Leírás | Érték |
|---|---|---|
| Uri | A címkézőkre vonatkozó részletes címkézési utasításokat tartalmazó lapra mutató hivatkozás. | húr |
LabelingJobLabelCategories
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | LabelCategory |
LabelCategory
| Név | Leírás | Érték |
|---|---|---|
| előkelő társaság | A kategória címkeosztályainak szótára. | LabelCategoryClasses |
| displayName | A címkekategória megjelenítendő neve. | húr |
| multiSelect | Azt jelzi, hogy engedélyezve van-e több osztály kijelölése ebben a kategóriában. | "Letiltva" "Engedélyezve" |
LabelCategoryClasses
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | LabelClass |
LabelClass
| Név | Leírás | Érték |
|---|---|---|
| displayName | A címkeosztály megjelenítendő neve. | húr |
| 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 |
Letiltott Engedélyezett (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] A következtetéshez használt AML számítási kötés. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| trainingComputeBinding | [Kötelező] A betanítás során használt AML számítási kötés. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
PipelineJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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. | húr |
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] A feladat típusát adja meg. | "Spark" (kötelező) |
| levéltár | Archiválja a feladatban használt fájlokat. | sztring[] |
| args | A feladat argumentumai. | húr |
| codeId | [Kötelező] A kódobjektum ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 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. | húr |
| Fájlokat | 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[] |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | SparkResourceConfiguration |
SparkJobConf
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
SparkJobEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | Az objektumtípus beállítása |
SparkJobPythonEntry SparkJobScalaEntry (kötelező) |
SparkJobPythonEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | [Kötelező] A feladat belépési pontjának típusa. | "SparkJobPythonEntry" (kötelező) |
| fájl | [Kötelező] A feladatbeléptetési pont relatív Python-fájl elérési útja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | [Kötelező] A feladat belépési pontjának típusa. | "SparkJobScalaEntry" (kötelező) |
| className | [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. | húr |
| runtimeVersion | A feladathoz használt Spark-futtatókörnyezet verziója. | húr |
Takarítási feladat
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 |
| objektív | [Kötelező] Optimalizálási cél. | Objektív (kötelező) |
| Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | SweepJobOutputs |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| samplingAlgorithm | [Kötelező] A hiperparaméter-mintavételezési algoritmus | SamplingAlgorithm (kötelező) |
| searchSpace | [Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve | |
| próba | [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 maximális egyidejű próbaverziói. | Int |
| maxTotalTrials | Takarítási feladat maximális teljes próbaverziója. | Int |
| időkorlát | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot. | húr |
| trialTimeout | A takarítási feladat próbaverziója időtúllépési értéke. | húr |
Objektív
| Név | Leírás | Érték |
|---|---|---|
| cél | [Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg | "Teljes méret" "Kis méret" (kötelező) |
| primaryMetric | [Kötelező] Az optimalizálni kívánt metrika neve. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SweepJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
SamplingAlgorithm
| Név | Leírás | Érték |
|---|---|---|
| samplingAlgorithmType | Az objektumtípus beállítása |
Bayes-i Grid- 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) |
| logbase | A naplóalapú véletlenszerű mintavételezés alapjául szolgáló opcionális pozitív szám vagy sztringformátumú e | húr |
| szabály | A véletlenszerű algoritmus adott típusa | "Véletlenszerű" 'Sobol' |
| mag | Nem kötelező egész szám, amelyet a véletlenszerű számgenerálás magjaként kell használni | Int |
TrialComponent
| Név | Leírás | Érték |
|---|---|---|
| codeId | A kódobjektum ARM-erőforrás-azonosítója. | húr |
| parancs | [Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| elosztás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie. | DistributionConfiguration |
| environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| environmentVariables | A feladatban szereplő környezeti változók. | TrialComponentEnvironmentVariables |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CreateMonitorAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateMonitor" (kötelező) |
| monitorDefinition | [Kötelező] Meghatározza a figyelőt. | MonitorDefinition (kötelező) |
MonitorDefinition
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationSetting | A figyelő értesítési beállításai. | MonitoringAlertNotificationSettingsBase |
| computeConfiguration | [Kötelező] A monitorozási feladat futtatásához a számítási erőforrás ARM-erőforrás-azonosítója. | MonitorComputeConfigurationBase (kötelező) |
| monitoringTarget | A figyelő által megcélzott modell vagy üzembe helyezés ARM-erőforrás-azonosítója. | MonitoringTarget |
| Jelek | [Kötelező] A figyelendő jelek. | MonitorDefinitionSignals (kötelező) |
MonitoringAlertNotificationSettingsBase
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | Az objektumtípus beállítása |
AzureMonitor e-mail (kötelező) |
AzMonitoringAlertNotificationSettings
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | [Kötelező] Megadja a figyelendő jel típusát. | "AzureMonitor" (kötelező) |
EmailMonitoringAlertNotificationSettings
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | [Kötelező] Megadja a figyelendő jel típusát. | "E-mail" (kötelező) |
| emailNotificationSetting | Az értesítés konfigurálása. | NotificationSetting |
MonitorComputeConfigurationBase
| Név | Leírás | Érték |
|---|---|---|
| computeType | Az objektumtípus beállítása | ServerlessSpark (kötelező) |
MonitorServerlessSparkCompute
| Név | Leírás | Érték |
|---|---|---|
| computeType | [Kötelező] Megadja a figyelendő jel típusát. | "ServerlessSpark" (kötelező) |
| computeIdentity | [Kötelező] A kiszolgáló nélküli Sparkon futó Spark-feladatok által kihasznált identitásséma. | MonitorComputeIdentityBase (kötelező) |
| instanceType | [Kötelező] A Spark-feladatot futtató példánytípus. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| runtimeVersion | [Kötelező] A Spark futtatókörnyezet verziója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | Az objektumtípus beállítása |
AmlToken ManagedIdentity (kötelező) |
AmlTokenComputeIdentity
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | [Kötelező] A számítási identitás típusának enumerálásának figyelése. | "AmlToken" (kötelező) |
ManagedComputeIdentity
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | [Kötelező] A számítási identitás típusának enumerálásának figyelése. | "ManagedIdentity" (kötelező) |
| azonosság | Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások) | ManagedServiceIdentity |
ManagedServiceIdentity
| Név | Leírás | Érték |
|---|---|---|
| típus | A felügyelt szolgáltatás identitásának típusa (ahol a SystemAssigned és a UserAssigned típus is engedélyezett). | "Nincs" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (kötelező) |
| userAssignedIdentities | Az erőforráshoz társított felhasználó által hozzárendelt identitások készlete. A userAssignedIdentities szótárkulcsok arm-erőforrásazonosítók lesznek a következő formában: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótár értékei lehetnek üres objektumok ({}) a kérelmekben. | UserAssignedIdentities |
UserAssignedIdentities
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | UserAssignedIdentity |
UserAssignedIdentity
Ez az objektum nem tartalmaz az üzembe helyezés során beállítandó tulajdonságokat. Minden tulajdonság readOnly.
MonitoringTarget
| Név | Leírás | Érték |
|---|---|---|
| deploymentId | A figyelő által megcélzott üzembe helyezés ARM-erőforrás-azonosítója. | húr |
| modelId | A figyelő által megcélzott modell ARM-erőforrás-azonosítója. | húr |
| taskType | [Kötelező] A modell gépi tanulási feladattípusa. | "Besorolás" "QuestionAnswering" "Regresszió" (kötelező) |
MonitorDefinitionSignals
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | MonitoringSignalBase |
MonitoringSignalBase
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | A jel aktuális értesítési módja. | "Letiltva" "Engedélyezve" |
| kellékek | Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók. | MonitoringSignalBaseProperties |
| signalType | Az objektumtípus beállítása | egyéni DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (kötelező) |
MonitoringSignalBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CustomMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "Egyéni" (kötelező) |
| componentId | [Kötelező] Az egyéni metrikák kiszámításához használt összetevő-erőforrás ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| inputAssets | Az adatbevitelhez használt eszközök figyelése. A kulcs az összetevő bemeneti portjának neve, az érték pedig az adategység. | CustomMonitoringSignalInputAssets |
| Bemenetek | További összetevőparaméterek bevitelként. A kulcs az összetevő literál bemeneti portjának neve, az érték a paraméter értéke. | CustomMonitoringSignalInputs |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | CustomMetricThreshold[] (kötelező) |
| workspaceConnection | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | MonitoringWorkspaceConnection (kötelező) |
CustomMonitoringSignalInputAssets
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | MonitoringInputDataBase |
MonitoringInputDataBase
| Név | Leírás | Érték |
|---|---|---|
| Oszlopok | Oszlopnevek leképezése speciális használatra. | MonitoringInputDataBaseColumns |
| dataContext | Az adatforrás környezeti metaadatai. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| inputDataType | Az objektumtípus beállítása |
Rögzített Statikus Záró (kötelező) |
MonitoringInputDataBaseColumns
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
FixedInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Rögzített" (kötelező) |
StaticInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Statikus" (kötelező) |
| preprocessingComponentId | Az adatok előfeldolgozásához használt összetevőerőforrás ARM-erőforrás-azonosítója. | húr |
| windowEnd | [Kötelező] Az adatablak záró dátuma. | sztring (kötelező) |
| windowStart | [Kötelező] Az adatablak kezdő dátuma. | sztring (kötelező) |
TrailingInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Záró" (kötelező) |
| preprocessingComponentId | Az adatok előfeldolgozásához használt összetevőerőforrás ARM-erőforrás-azonosítója. | húr |
| windowOffset | [Kötelező] Az adatablak vége és a figyelő aktuális futási ideje közötti időeltolódás. | sztring (kötelező) |
| windowSize | [Kötelező] A záró adatablak mérete. | sztring (kötelező) |
CustomMonitoringSignalInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
CustomMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] A kiszámítandó felhasználó által definiált metrika. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
MonitoringThreshold
| Név | Leírás | Érték |
|---|---|---|
| érték | A küszöbérték. Null érték esetén a beállított alapértelmezett érték a metrika típusától függ. | Int |
MonitoringWorkspaceConnection
| Név | Leírás | Érték |
|---|---|---|
| environmentVariables | Egy munkaterület-szolgáltatáskapcsolat tulajdonságai, amelyek környezeti változókként tárolhatók az elküldött feladatokban. A kulcs a munkaterület kapcsolati tulajdonságának elérési útja, a név környezeti változókulcs. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Titkok | A munkaterületi szolgáltatáskapcsolat tulajdonságai, amelyek titkos kulcsként tárolhatók az elküldött feladatokban. A kulcs a munkaterület kapcsolati tulajdonságának elérési útja, a név titkos kulcs. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
MonitoringWorkspaceConnectionSecrets
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
DataDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "DataDrift" (kötelező) |
| dataSegment | Az adatpopuláció egy részhalmazának hatókörkezeléséhez használt adatszegmens. | MonitoringDataSegment |
| featureDataTypeOverride | Egy szótár, amely a funkcióneveket a megfelelő adattípusokhoz rendeli. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| Funkciók | A funkciószűrő, amely azonosítja, hogy melyik funkció számítja ki a sodródást. | MonitoringFeatureFilterBase |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataDriftMetricThresholdBase[] (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
MonitoringDataSegment
| Név | Leírás | Érték |
|---|---|---|
| vonás | Az adatok szegmentálásának funkciója. | húr |
| értékrend | Csak az adott szegmentált szolgáltatás megadott értékeire szűr. | sztring[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
MonitoringFeatureFilterBase
| Név | Leírás | Érték |
|---|---|---|
| filterType | Az objektumtípus beállítása |
AllFeatures FeatureSubset TopNByAttribution (kötelező) |
AllFeatures
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "AllFeatures" (kötelező) |
FeatureSubset
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "FeatureSubset" (kötelező) |
| Funkciók | [Kötelező] A belefoglalandó funkciók listája. | sztring[] (kötelező) |
TopNFeaturesByAttribution
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "TopNByAttribution" (kötelező) |
| felső | A legfontosabb funkciók száma. | Int |
DataDriftMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalDataDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | Kategorikus (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus adateltolódási metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalDataDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó numerikus adateltolódási metrika. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
DataQualityMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "DataQuality" (kötelező) |
| featureDataTypeOverride | Egy szótár, amely a funkcióneveket a megfelelő adattípusokhoz rendeli. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| Funkciók | A sodródás kiszámításához használandó funkciók. | MonitoringFeatureFilterBase |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataQualityMetricThresholdBase[] (kötelező) |
| productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
DataQualityMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalDataQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | Kategorikus (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
NumericalDataQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó numerikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
FeatureAttributionDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "FeatureAttributionDrift" (kötelező) |
| metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | FeatureAttributionMetricThreshold (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase[] (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
FeatureAttributionMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] A kiszámolandó funkció-hozzárendelési metrika. | "NormalizedDiscountedCumulativeGain" (kötelező) |
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "GenerationSafetyQuality" (kötelező) |
| metricThresholds | [Kötelező] Lekéri vagy beállítja a kiszámítandó metrikákat és a megfelelő küszöbértékeket. | GenerationSafetyQualityMetricThreshold[] (kötelező) |
| productionData | Lekéri vagy beállítja a számítástechnikai metrikák céladatait. | MonitoringInputDataBase[] |
| mintavételezési sebesség | [Kötelező] A céladatok mintaarányának 0-nál nagyobbnak és legfeljebb 1-nél kell lennie. | int (kötelező) |
| workspaceConnectionId | Lekéri vagy beállítja a tartalomgenerálási végponthoz való csatlakozáshoz használt munkaterület-kapcsolatazonosítót. | húr |
GenerationSafetyQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] Lekéri vagy beállítja a funkció-hozzárendelési metrikát a számításhoz. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" 'AcceptableGroundednessScorePerInstance' "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (kötelező) |
| küszöb | Lekéri vagy beállítja a küszöbértéket. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. |
MonitoringThreshold |
GenerationTokenStatisticsSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "GenerationTokenStatistics" (kötelező) |
| metricThresholds | [Kötelező] Lekéri vagy beállítja a kiszámítandó metrikákat és a megfelelő küszöbértékeket. | GenerationTokenStatisticsMetricThreshold[] (kötelező) |
| productionData | Lekéri vagy beállítja a számítástechnikai metrikák céladatait. | MonitoringInputDataBase |
| mintavételezési sebesség | [Kötelező] A céladatok mintaarányának 0-nál nagyobbnak és legfeljebb 1-nél kell lennie. | int (kötelező) |
GenerationTokenStatisticsMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] Lekéri vagy beállítja a funkció-hozzárendelési metrikát a számításhoz. | "TotalTokenCount" "TotalTokenCountPerGroup" (kötelező) |
| küszöb | Lekéri vagy beállítja a küszöbértéket. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. |
MonitoringThreshold |
ModelPerformanceSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "ModelPerformance" (kötelező) |
| dataSegment | Az adatszegmens. | MonitoringDataSegment |
| metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | ModelPerformanceMetricThresholdBase (kötelező) |
| productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase[] (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
ModelPerformanceMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| modelType | Az objektumtípus beállítása |
besorolási Regressziós (kötelező) |
ClassificationModelPerformanceMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| modelType | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Besorolás" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó besorolási modell teljesítménye. | "Pontosság" "Pontosság" "Visszahívás" (kötelező) |
RegresszióModelPerformanceMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| modelType | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Regresszió" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó regressziós modell teljesítménymetrikája. | "MeanAbsoluteError" "MeanSquaredError" 'RootMeanSquaredError' (kötelező) |
PredictionDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "PredictionDrift" (kötelező) |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | PredictionDriftMetricThresholdBase[] (kötelező) |
| modelType | [Kötelező] A megfigyelt modell típusa. | "Besorolás" "Regresszió" (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
PredictionDriftMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalPredictionDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | Kategorikus (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus előrejelzési eltérési metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalPredictionDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A numerikus előrejelzés eltérési metrikája a számításhoz. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
ImportDataAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "ImportData" (kötelező) |
| dataImportDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. | DataImport (kötelező) |
DataImport
| Név | Leírás | Érték |
|---|---|---|
| assetName | A létrehozandó adatimportálási feladat objektumának neve | húr |
| autoDeleteSetting | A felügyelt adategység életciklus-beállítását adja meg. | AutoDeleteSetting |
| Adattípus | [Kötelező] Megadja az adatok típusát. | "mltable" "uri_file" "uri_folder" (kötelező) |
| dataUri | [Kötelező] Az adatok URI-ja. Példa: https://go.microsoft.com/fwlink/?linkid=2202330 |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| leírás | Az eszköz leírásának szövege. | húr |
| intellectualProperty | Szellemi tulajdon részletei. Akkor használatos, ha az adatok szellemi tulajdonnak minősülnek. | IntellectualProperty |
| isAnonymous | Ha a név verziója rendszer generálva van (névtelen regisztráció). Azoknál a típusoknál, ahol a szakasz definiálva van, a szakasz megadásakor az IsAnonymous feltöltésére lesz használva. | Bool |
| isArchived | Archiválva van az objektum? Azoknál a típusoknál, ahol a szakasz definiálva van, a szakasz megadásakor az IsArchived feltöltésére lesz használva | Bool |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| forrás | Az importálandó objektum forrásadatai | DataImportSource |
| színpad | Az adategységhez rendelt adat életciklusának szakasza | húr |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
IntellectualProperty
| Név | Leírás | Érték |
|---|---|---|
| protectionLevel | A szellemi tulajdon védelmi szintje. | "Minden" "Nincs" |
| kiadó | [Kötelező] A szellemi tulajdon kiadója. Meg kell egyeznie a beállításjegyzék közzétevőjének nevével. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
DataImportSource
| Név | Leírás | Érték |
|---|---|---|
| kapcsolat | Munkaterület-kapcsolat az adatimportálási forrástárolóhoz | húr |
| sourceType | Az objektumtípus beállítása |
adatbázis- file_system (kötelező) |
DatabaseSource
| Név | Leírás | Érték |
|---|---|---|
| sourceType | [Kötelező] Megadja az adatok típusát. | "adatbázis" (kötelező) |
| lekérdezés | SQL Query utasítás adatimportálási adatbázis-forráshoz | húr |
| storedProcedure | SQL StoredProcedure adatimportálási adatbázis-forráson | húr |
| storedProcedureParams | SQL StoredProcedure-paraméterek | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Az adatimportálási adatbázis-forrás táblájának neve | húr |
DatabaseSourceStoredProcedureParamsItem
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
FileSystemSource
| Név | Leírás | Érték |
|---|---|---|
| sourceType | [Kötelező] Megadja az adatok típusát. | "file_system" (kötelező) |
| ösvény | Az adatimportálási Fájlrendszer forrásának elérési útja | húr |
EndpointScheduleAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | 'InvokeBatchEndpoint' (kötelező) |
| endpointInvocationDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. {see href="TBD" /} |
TriggerBase
| Név | Leírás | Érték |
|---|---|---|
| endTime | Az ISO 8601-ben az ütemezés befejezési idejét adja meg, de UTC-eltolás nélkül. Tekintse meg https://en.wikipedia.org/wiki/ISO_8601.Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nem jelenik meg, az ütemezés határozatlan ideig fog futni |
húr |
| startTime | Iso 8601 formátumban, de UTC eltolás nélkül adja meg az ütemezés kezdési idejét. | húr |
| timeZone | Azt az időzónát adja meg, amelyben az ütemezés fut. Az időzónának a Windows időzóna formátumát kell követnie. Lásd: /windows-hardver/manufacture/desktop/default-time-zones /> |
húr |
| triggerType | Az objektumtípus beállítása |
Cron Ismétlődési (kötelező) |
CronTrigger
| Név | Leírás | Érték |
|---|---|---|
| triggerType | [Kötelező] | "Cron" (kötelező) |
| kifejezés | [Kötelező] Az ütemezés cron-kifejezését adja meg. A kifejezésnek NCronTab formátumot kell követnie. |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
RecurrenceTrigger
| Név | Leírás | Érték |
|---|---|---|
| endTime | Az ISO 8601-ben az ütemezés befejezési idejét adja meg, de UTC-eltolás nélkül. Tekintse meg https://en.wikipedia.org/wiki/ISO_8601.Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nem jelenik meg, az ütemezés határozatlan ideig fog futni |
húr |
| frekvencia | [Kötelező] Az ütemezés aktiválásának gyakorisága. | "Nap" "Óra" "Perc" "Hónap" "Hét" (kötelező) |
| intervallum | [Kötelező] A gyakorisággal együtt adja meg az ütemezési időközt | int (kötelező) |
| menetrend | Az ismétlődés ütemezése. | RecurrenceSchedule |
| startTime | Iso 8601 formátumban, de UTC eltolás nélkül adja meg az ütemezés kezdési idejét. | húr |
| timeZone | Azt az időzónát adja meg, amelyben az ütemezés fut. Az időzónának a Windows időzóna formátumát kell követnie. Lásd: /windows-hardware/manufacture/desktop/default-time-zones |
húr |
| triggerType | [Kötelező] | 'Cron' "Ismétlődés" (kötelező) |
RecurrenceSchedule
| Név | Leírás | Érték |
|---|---|---|
| Óra | [Kötelező] Az ütemezéshez tartozó órák listája. | int[] (kötelező) |
| jegyzőkönyv | [Kötelező] Az ütemezés perceinek listája. | int[] (kötelező) |
| monthDays | Az ütemezés hónap napjainak listája | int[] |
| Hétköznap | Az ütemezés napjainak listája. | Sztringtömb, amely a következők bármelyikét tartalmazza: "Péntek" "Hétfő" "Szombat" "Vasárnap" 'Csütörtök' 'Kedd' "Szerda" |
Terraform (AzAPI-szolgáltató) erőforrásdefiníciója
A munkaterületek/ütemezések erőforrástípusa üzembe helyezhető a célműveletekkel:
- erőforráscsoportok
Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplócímű témakörben találja.
Erőforrás formátuma
Microsoft.MachineLearningServices/workspaces/schedules erőforrás létrehozásához adja hozzá a következő Terraformot a sablonhoz.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-06-01-preview"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
}
tags = {}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
ScheduleActionBase-objektumok
Állítsa be a actionType tulajdonságot az objektum típusának megadásához.
CreateJobesetén használja a következőt:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
notificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
properties = {
{customized property} = "string"
}
secretsConfiguration = {
{customized property} = {
uri = "string"
workspaceSecretName = "string"
}
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
CreateMonitoresetén használja a következőt:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSetting = {
alertNotificationType = "string"
// For remaining properties, see MonitoringAlertNotificationSettingsBase objects
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
mode = "string"
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
ImportDataesetén használja a következőt:
actionType = "ImportData"
dataImportDefinition = {
assetName = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
dataType = "string"
dataUri = "string"
description = "string"
intellectualProperty = {
protectionLevel = "string"
publisher = "string"
}
isAnonymous = bool
isArchived = bool
properties = {
{customized property} = "string"
}
source = {
connection = "string"
sourceType = "string"
// For remaining properties, see DataImportSource objects
}
stage = "string"
tags = {}
}
Az InvokeBatchEndpointesetén használja a következőt:
actionType = "InvokeBatchEndpoint"
JobBaseProperties objektumok
Állítsa be a jobType tulajdonságot az objektum típusának megadásához.
AutoMLesetén használja a következőt:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
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 commandesetében 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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
címkézésiesetén használja a következőt:
jobType = "Labeling"
dataConfiguration = {
dataId = "string"
incrementalDataRefresh = "string"
}
jobInstructions = {
uri = "string"
}
labelCategories = {
{customized property} = {
classes = {
{customized property} = {
displayName = "string"
subclasses = {
{customized property} = {}
}
}
displayName = "string"
multiSelect = "string"
}
}
labelingJobMediaProperties = {
mediaType = "string"
// For remaining properties, see LabelingJobMediaProperties objects
}
mlAssistConfiguration = {
mlAssist = "string"
// For remaining properties, see MLAssistConfiguration objects
}
A folyamatesetében 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"
Sparkesetén 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"
]
queueSettings = {
jobTier = "string"
priority = int
}
resources = {
instanceType = "string"
runtimeVersion = "string"
}
A Sweepesetében 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
}
}
queueSettings = {
jobTier = "string"
priority = int
}
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"
locations = [
"string"
]
maxInstanceCount = int
properties = {}
shmSize = "string"
}
}
IdentityConfiguration-objektumok
Állítsa be a identityType tulajdonságot az objektum típusának megadásához.
AMLTokenesetén használja a következőt:
identityType = "AMLToken"
felügyeltesetén használja a következőt:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
Az UserIdentityesetében használja a következőt:
identityType = "UserIdentity"
Webhook objektumok
Állítsa be a webhookType tulajdonságot az objektum típusának megadásához.
Az AzureDevOps
webhookType = "AzureDevOps"
Csomópontok objektumai
Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.
Az összes
nodesValueType = "All"
JobOutput-objektumok
Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.
custom_modelesetén használja a következőt:
jobOutputType = "custom_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
mlflow_modelesetén használja a következőt:
jobOutputType = "mlflow_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
mltableesetén használja a következőt:
jobOutputType = "mltable"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
triton_modelesetén használja a következőt:
jobOutputType = "triton_model"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
uri_fileesetén használja a következőt:
jobOutputType = "uri_file"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
uri_folderesetén használja a következőt:
jobOutputType = "uri_folder"
assetName = "string"
assetVersion = "string"
autoDeleteSetting = {
condition = "string"
value = "string"
}
mode = "string"
uri = "string"
AutoMLVertical objektumok
Állítsa be a taskType tulajdonságot az objektum típusának megadásához.
Besorolásiesetén 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
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
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"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Előrejelzésiesetén 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"
featuresUnknownAtForecastTime = [
"string"
]
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
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"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Az ImageClassificationesetében 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
ImageClassificationMultilabelesetén 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 ImageInstanceSegmentationesetében 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"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "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 ImageObjectDetectionesetében 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"
logTrainingMetrics = "string"
logValidationLoss = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "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
Regressziósesetén 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
maxNodes = int
maxTrials = int
sweepConcurrentTrials = int
sweepTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
searchSpace = [
{
booster = "string"
boostingType = "string"
growPolicy = "string"
learningRate = "string"
maxBin = "string"
maxDepth = "string"
maxLeaves = "string"
minDataInLeaf = "string"
minSplitGain = "string"
modelName = "string"
nEstimators = "string"
numLeaves = "string"
preprocessorName = "string"
regAlpha = "string"
regLambda = "string"
subsample = "string"
subsampleFreq = "string"
treeMethod = "string"
withMean = "string"
withStd = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
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"
}
trainingMode = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
TextClassificationesetén 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 TextClassificationMultilabelesetében 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"
}
TextNEResetén 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 mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode = "Auto"
Az egyéni
mode = "Custom"
value = int
EarlyTerminationPolicy objektumok
Állítsa be a policyType tulajdonságot az objektum típusának megadásához.
Banditesetén használja a következőt:
policyType = "Bandit"
slackAmount = int
slackFactor = int
MediánStoppingesetén használja a következőt:
policyType = "MedianStopping"
A Csonkolásselectionesetében használja a következőt:
policyType = "TruncationSelection"
truncationPercentage = int
ForecastHorizon objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode = "Auto"
Az egyéni
mode = "Custom"
value = int
Szezonalitási objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode = "Auto"
Az egyéni
mode = "Custom"
value = int
TargetLags-objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode = "Auto"
Az egyéni
mode = "Custom"
values = [
int
]
TargetRollingWindowSize objektumok
Állítsa be a mód tulajdonságot az objektum típusának megadásához.
Az automatikus
mode = "Auto"
Az egyéni
mode = "Custom"
value = int
DistributionConfiguration-objektumok
Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.
Mpiesetén használja a következőt:
distributionType = "Mpi"
processCountPerInstance = int
PyTorchesetén használja a következőt:
distributionType = "PyTorch"
processCountPerInstance = int
Rayesetén használja a következőt:
distributionType = "Ray"
address = "string"
dashboardPort = int
headNodeAdditionalArgs = "string"
includeDashboard = bool
port = int
workerNodeAdditionalArgs = "string"
A TensorFlow
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
JobInput-objektumok
Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.
custom_modelesetén használja a következőt:
jobInputType = "custom_model"
mode = "string"
uri = "string"
A literálisesetében használja a következőt:
jobInputType = "literal"
value = "string"
mlflow_modelesetén használja a következőt:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
mltableesetén használja a következőt:
jobInputType = "mltable"
mode = "string"
uri = "string"
triton_modelesetén használja a következőt:
jobInputType = "triton_model"
mode = "string"
uri = "string"
uri_fileesetén használja a következőt:
jobInputType = "uri_file"
mode = "string"
uri = "string"
uri_folderesetén használja a következőt:
jobInputType = "uri_folder"
mode = "string"
uri = "string"
LabelingJobMediaProperties objektumok
Állítsa be a mediaType tulajdonságot az objektum típusának megadásához.
Képesetén használja a következőt:
mediaType = "Image"
annotationType = "string"
Szövegesetén használja a következőt:
mediaType = "Text"
annotationType = "string"
MLAssistConfiguration objektumok
Állítsa be a mlAssist tulajdonságot az objektum típusának megadásához.
Letiltottesetén használja a következőt:
mlAssist = "Disabled"
Engedélyezettesetén használja a következőt:
mlAssist = "Enabled"
inferencingComputeBinding = "string"
trainingComputeBinding = "string"
SparkJobEntry-objektumok
Állítsa be a sparkJobEntryType tulajdonságot az objektum típusának megadásához.
A SparkJobPythonEntry
sparkJobEntryType = "SparkJobPythonEntry"
file = "string"
A SparkJobScalaEntry
sparkJobEntryType = "SparkJobScalaEntry"
className = "string"
SamplingAlgorithm objektumok
Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.
Bayesianesetén használja a következőt:
samplingAlgorithmType = "Bayesian"
A Gridesetében használja a következőt:
samplingAlgorithmType = "Grid"
Véletlenszerűesetén használja a következőt:
samplingAlgorithmType = "Random"
logbase = "string"
rule = "string"
seed = int
MonitoringAlertNotificationSettingsBase-objektumok
Állítsa be a alertNotificationType tulajdonságot az objektum típusának megadásához.
Az AzureMonitor
alertNotificationType = "AzureMonitor"
e-mailesetén használja a következőt:
alertNotificationType = "Email"
emailNotificationSetting = {
emailOn = [
"string"
]
emails = [
"string"
]
webhooks = {
{customized property} = {
eventType = "string"
webhookType = "string"
// For remaining properties, see Webhook objects
}
}
}
MonitorComputeConfigurationBase-objektumok
Állítsa be a computeType tulajdonságot az objektum típusának megadásához.
ServerlessSparkesetén használja a következőt:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
MonitorComputeIdentityBase-objektumok
Állítsa be a computeIdentityType tulajdonságot az objektum típusának megadásához.
AmlTokenesetén használja a következőt:
computeIdentityType = "AmlToken"
ManagedIdentityesetén használja a következőt:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
MonitoringSignalBase-objektumok
Állítsa be a signalType tulajdonságot az objektum típusának megadásához.
Az egyéni
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
workspaceConnection = {
environmentVariables = {
{customized property} = "string"
}
secrets = {
{customized property} = "string"
}
}
DataDriftesetén használja a következőt:
signalType = "DataDrift"
dataSegment = {
feature = "string"
values = [
"string"
]
}
featureDataTypeOverride = {
{customized property} = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
DataQualityesetén használja a következőt:
signalType = "DataQuality"
featureDataTypeOverride = {
{customized property} = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
FeatureAttributionDriftesetén használja a következőt:
signalType = "FeatureAttributionDrift"
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A GenerationSafetyQualityesetében használja a következőt:
signalType = "GenerationSafetyQuality"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
samplingRate = int
workspaceConnectionId = "string"
A GenerationTokenStatisticsesetében használja a következőt:
signalType = "GenerationTokenStatistics"
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
samplingRate = int
ModelPerformanceesetén használja a következőt:
signalType = "ModelPerformance"
dataSegment = {
feature = "string"
values = [
"string"
]
}
metricThreshold = {
threshold = {
value = int
}
modelType = "string"
// For remaining properties, see ModelPerformanceMetricThresholdBase objects
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
PredictionDriftesetén használja a következőt:
signalType = "PredictionDrift"
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
modelType = "string"
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objektumok
Állítsa be az inputDataType tulajdonságot az objektum típusának megadásához.
Rögzítettesetén használja a következőt:
inputDataType = "Fixed"
Statikusesetén használja a következőt:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
Záróesetén használja a következőt:
inputDataType = "Trailing"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
MonitoringFeatureFilterBase-objektumok
Állítsa be a filterType tulajdonságot az objektum típusának megadásához.
AllFeaturesesetén használja a következőt:
filterType = "AllFeatures"
A FeatureSubsetesetében használja a következőt:
filterType = "FeatureSubset"
features = [
"string"
]
TopNByAttributionesetén használja a következőt:
filterType = "TopNByAttribution"
top = int
DataDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
dataType = "Categorical"
metric = "string"
Numerikus
dataType = "Numerical"
metric = "string"
DataQualityMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
dataType = "Categorical"
metric = "string"
Numerikus
dataType = "Numerical"
metric = "string"
ModelPerformanceMetricThresholdBase objektumok
Állítsa be a modelType tulajdonságot az objektum típusának megadásához.
Besorolásiesetén használja a következőt:
modelType = "Classification"
metric = "string"
Regressziósesetén használja a következőt:
modelType = "Regression"
metric = "string"
PredictionDriftMetricThresholdBase objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikusesetén használja a következőt:
dataType = "Categorical"
metric = "string"
Numerikus
dataType = "Numerical"
metric = "string"
DataImportSource-objektumok
Állítsa be a sourceType tulajdonságot az objektum típusának megadásához.
adatbázis-esetén használja a következőt:
sourceType = "database"
query = "string"
storedProcedure = "string"
storedProcedureParams = [
{
{customized property} = "string"
}
]
tableName = "string"
file_systemesetén használja a következőt:
sourceType = "file_system"
path = "string"
TriggerBase-objektumok
Állítsa be a triggerType tulajdonságot az objektum típusának megadásához.
Cronesetén használja a következőt:
triggerType = "Cron"
expression = "string"
Az ismétlődésia következőt használja:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Tulajdonságértékek
munkaterületek/ütemezések
| Név | Leírás | Érték |
|---|---|---|
| típus | Az erőforrás típusa | "Microsoft.MachineLearningServices/workspaces/schedules@2023-06-01-preview" |
| név | Az erőforrás neve | sztring (kötelező) |
| parent_id | Annak az erőforrásnak az azonosítója, amely az erőforrás szülője. | Típus típusú erőforrás azonosítója: munkaterületek |
| kellékek | [Kötelező] Az entitás további attribútumai. | ScheduleProperties (kötelező) |
ScheduleProperties
| Név | Leírás | Érték |
|---|---|---|
| akció | [Kötelező] Az ütemezés műveletét adja meg | ScheduleActionBase (kötelező) |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | Az ütemezés megjelenítendő neve. | húr |
| isEnabled | Engedélyezve van az ütemezés? | Bool |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
| kivált | [Kötelező] Az eseményindító részleteinek megadása | TriggerBase (kötelező) |
ScheduleActionBase
| Név | Leírás | Érték |
|---|---|---|
| actionType | Az objektumtípus beállítása |
CreateJob CreateMonitor ImportData InvokeBatchEndpoint (kötelező) |
JobScheduleAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateJob" (kötelező) |
| jobDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. | JobBaseProperties (kötelező) |
JobBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | húr |
| computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | húr |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | A feladat megjelenítendő neve. | húr |
| experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | húr |
| azonosság | 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 objektum? | Bool |
| notificationSetting | A feladat értesítési beállítása | NotificationSetting |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| secretsConfiguration | Konfiguráció a futtatókörnyezetben elérhetővé tenni kívánt titkos kódokhoz. | JobBaseSecretsConfiguration |
| szolgáltatás | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik. |
JobBaseServices |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
| jobType | Az objektumtípus beállítása |
AutoML- parancs címkézési folyamat Spark takarítási (kötelező) |
IdentityConfiguration
| Név | Leírás | Érték |
|---|---|---|
| identityType | Az objektumtípus beállítása |
AMLToken felügyelt UserIdentity (kötelező) |
AmlToken
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "AMLToken" (kötelező) |
ManagedIdentity
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "Felügyelt" (kötelező) |
| clientId | Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt. | húr 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. | húr 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. | húr |
Felhasználóidentitás
| Név | Leírás | Érték |
|---|---|---|
| identityType | [Kötelező] Megadja az identitás-keretrendszer típusát. | "UserIdentity" (kötelező) |
NotificationSetting
| Név | Leírás | Érték |
|---|---|---|
| e-mail-cím | E-mail-értesítés küldése a felhasználónak a megadott értesítési típuson | Sztringtömb, amely a következők bármelyikét tartalmazza: "JobCancelled" "Feladatkiegészítés" "JobFailed" |
| e-mailek | Ez az e-mail-címzettek listája, amely 499 karakteres korlátozással rendelkezik a vesszőelválasztóval összefűzve | sztring[] |
| webhookok | Webhook-visszahívás küldése szolgáltatásnak. A kulcs a webhook felhasználó által megadott neve. | NotificationSettingWebhooks |
NotificationSettingWebhooks
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | Webhook |
Webhook
| Név | Leírás | Érték |
|---|---|---|
| eventType | Visszahívás küldése adott értesítési eseményen | húr |
| webhookType | Az objektumtípus beállítása | AzureDevOps (kötelező) |
AzureDevOpsWebhook
| Név | Leírás | Érték |
|---|---|---|
| webhookType | [Kötelező] Megadja a visszahívás küldéséhez tartozó szolgáltatás típusát | "AzureDevOps" (kötelező) |
ResourceBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
JobBaseSecretsConfiguration
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | SecretConfiguration |
SecretConfiguration
| Név | Leírás | Érték |
|---|---|---|
| Uri | Titkos Uri. Uri minta: https://myvault.vault.azure.net/secrets/mysecretname/secretversion |
húr |
| workspaceSecretName | A munkaterület kulcstartójában lévő titkos kód neve. | húr |
JobBaseServices
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobService |
JobService
| Név | Leírás | Érték |
|---|---|---|
| végpont | Végpont URL-címe. | húr |
| jobServiceType | Végpont típusa. | húr |
| Csomópontok | Azok a csomópontok, amelyeken a felhasználó elindítaná a szolgáltatást. Ha a csomópontok nincsenek beállítva vagy null értékre állítva, a szolgáltatás csak a vezető csomóponton lesz elindítva. |
csomópontok |
| kikötő | A felhasználó által beállított végpont portja. | Int |
| kellékek | További beállítások a végponton. | JobServiceProperties |
Csomópontok
| Név | Leírás | Érték |
|---|---|---|
| nodesValueType | Az objektumtípus beállítása | Minden (kötelező) |
AllNodes
| Név | Leírás | Érték |
|---|---|---|
| nodesValueType | [Kötelező] A Csomópontok érték típusa | "Minden" (kötelező) |
JobServiceProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
AutoMLJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 által válogatott környezeti verzióra adja meg a feladat futtatásakor. |
húr |
| environmentVariables | A feladatban szereplő környezeti változók. | AutoMLJobEnvironmentVariables |
| Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | AutoMLJobOutputs |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
| taskDetails | [Kötelező] Ez olyan forgatókönyvet jelöl, amely a Táblák/NLP/Kép egyik lehet | AutoMLVertical (kötelező) |
AutoMLJobEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
AutoMLJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
JobOutput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A kimenet leírása. | húr |
| jobOutputType | Az objektumtípus beállítása |
custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "custom_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
AutoDeleteSetting
| Név | Leírás | Érték |
|---|---|---|
| feltétel | Mikor kell ellenőrizni, hogy egy objektum lejárt-e | "CreatedGreaterThan" "LastAccessedGreaterThan" |
| érték | Lejárati feltétel értéke. | húr |
MLFlowModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "mlflow_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
MLTableJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "mltable" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
TritonModelJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "triton_model" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
UriFileJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "uri_file" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
UriFolderJobOutput
| Név | Leírás | Érték |
|---|---|---|
| jobOutputType | [Kötelező] A feladat típusát adja meg. | "uri_folder" (kötelező) |
| assetName | Kimeneti eszköz neve. | húr |
| assetVersion | Kimeneti eszköz verziója. | húr |
| autoDeleteSetting | A kimeneti adategység automatikus törlési beállítása. | AutoDeleteSetting |
| üzemmód | Kimeneti eszközkézbesítési mód. | "Közvetlen" "ReadWriteMount" "Feltöltés" |
| Uri | Kimeneti eszköz URI-ja. | húr |
QueueSettings
| Név | Leírás | Érték |
|---|---|---|
| jobTier | A számítási feladatszint szabályozása | "Alapszintű" "Null" "Prémium" "Spot" "Standard" |
| elsőbbség | Szabályozza a feladat prioritását egy számításon. | Int |
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. | húr |
| instanceCount | A számítási cél által használt példányok vagy csomópontok opcionális száma. | Int |
| instanceType | A számítási cél által támogatott virtuális gép választható típusa. | húr |
| Helyek | Helyek, ahol a feladat futtatható. | sztring[] |
| maxInstanceCount | Nem kötelező, hogy a számítási cél hány példányt vagy csomópontot használjon. Rugalmas betanításhoz, jelenleg csak PyTorch-disztribúciós típus támogatja. |
Int |
| kellékek | További tulajdonságok táska. | ResourceConfigurationProperties |
| shmSize | A Docker-tároló megosztott memóriablokkjának mérete. Ennek a formátumnak (szám)(egységnek) kell lennie, ahol a szám 0-nál nagyobb lehet, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt) egyike. | húr Korlátok: Minta = \d+[bBkKmMgG] |
ResourceConfigurationProperties
| Név | Leírás | Érték |
|---|---|---|
| {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. |
húr |
| trainingData | [Kötelező] Betanítási adatbevitel. | MLTableJobInput (kötelező) |
| taskType | Az objektumtípus beállítása |
besorolási előrejelzési ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection regressziós TextClassification TextClassificationMultilabel TextNER- (kötelező) |
MLTableJobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Osztályozás
| 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
| positiveLabel | Pozitív címke bináris metrikák kiszámításához. | húr |
| primaryMetric | A tevékenység elsődleges metrikája. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
TableVerticalFeaturizationSettings
| Név | Leírás | Érték |
|---|---|---|
| blockedTransformers | Ezek a transzformátorok nem használhatók a featurizációhoz. | Sztringtömb, amely a következők 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 a szöveges adatokhoz hasznos. | húr |
| enableDnnFeaturization | Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához. | Bool |
| üzemmód | Featurization mód – A felhasználó megtarthatja az alapértelmezett "Auto" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizációs fázisban. Ha a "Ki" lehetőség van kiválasztva, akkor a művelet nem végez érlelési elemet. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a featurálási folyamat testreszabásához. |
"Automatikus" "Egyéni" "Kikapcsolva" |
| transformerParams | A felhasználó megadhat további használandó átalakítókat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint paramétereket a transzformátor-konstruktorhoz. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
TableVerticalFeaturizationSettingsTransformerParams
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | ColumnTransformer[] |
ColumnTransformer
| Név | Leírás | Érték |
|---|---|---|
| Mezők | A transzformátorlogika alkalmazásához használandó mezők. | sztring[] |
| Paraméterek | 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 az XGBoost gbdt-ét. | húr |
| boostingType | Adja meg a kiemelés típusát, például a LightGBM gbdt-ét. | húr |
| growPolicy | Adja meg a növekedési szabályzatot, amely szabályozza az új csomópontok fához való hozzáadásának módját. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | Int |
| maxBin | Adja meg a folyamatos funkciók gyűjtőbe való maximális számát a különálló tárolók számára. | Int |
| maxDepth | Adja meg a maximális mélységet a famélység explicit korlátozásához. | Int |
| maxLeaves | Adja meg a maximális leveleket a falevelek explicit korlátozásához. | Int |
| minDataInLeaf | A levélenkénti adatok minimális száma. | Int |
| minSplitGain | A fa egy levélcsomóponton történő további partíció létrehozásához szükséges minimális veszteségcsökkentés. | Int |
| modelName | A betanított modell neve. | húr |
| nEstimators | Adja meg a modellben lévő fák (vagy kerekítések) számát. | Int |
| numLeaves | Adja meg a levelek számát. | Int |
| preprocessorName | A használni kívánt előfeldolgozó neve. | húr |
| regAlpha | L1 a súlyokra vonatkozó regicializálási kifejezés. | Int |
| regLambda | L2 regularization kifejezés súlyokra. | Int |
| alminta | A betanítási példány részmintaaránya. | Int |
| subsampleFreq | Az alminta gyakorisága. | Int |
| treeMethod | Adja meg a fametódust. | húr |
| withMean | Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával. | Bool |
| withStd | Ha igaz, az adatok skálázása a Unit Variance és a StandardScalar használatával. | Bool |
TableVerticalLimitSettings
| Név | Leírás | Érték |
|---|---|---|
| enableEarlyTermination | Lehetővé teszi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám. | Bool |
| exitScore | Az AutoML-feladat kilépési pontszáma. | Int |
| maxConcurrentTrials | Egyidejű iterációk maximális száma. | Int |
| maxCoresPerTrial | Iterációnkénti magok maximális száma. | Int |
| maxNodes | A kísérlethez használandó csomópontok maximális száma. | 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 |
| időkorlát | AutoML-feladat időtúllépése. | húr |
| trialTimeout | Iterációs időtúllépés. | húr |
NCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoNCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Az N-Cross érvényesítés meghatározásának módja. | "Auto" (kötelező) |
CustomNCrossValidations
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Az N-Cross érvényesítés meghatározásának módja. | "Egyéni" (kötelező) |
| érték | [Kötelező] N-Kereszt érvényesítési érték. | int (kötelező) |
TableParameterSubspace
| Név | Leírás | Érték |
|---|---|---|
| hírverő | Adja meg a kiemelés típusát, például az XGBoost gbdt-ét. | húr |
| boostingType | Adja meg a kiemelés típusát, például a LightGBM gbdt-ét. | húr |
| growPolicy | Adja meg a növekedési szabályzatot, amely szabályozza az új csomópontok fához való hozzáadásának módját. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | húr |
| maxBin | Adja meg a folyamatos funkciók gyűjtőbe való maximális számát a különálló tárolók számára. | húr |
| maxDepth | Adja meg a maximális mélységet a famélység explicit korlátozásához. | húr |
| maxLeaves | Adja meg a maximális leveleket a falevelek explicit korlátozásához. | húr |
| minDataInLeaf | A levélenkénti adatok minimális száma. | húr |
| minSplitGain | A fa egy levélcsomóponton történő további partíció létrehozásához szükséges minimális veszteségcsökkentés. | húr |
| modelName | A betanított modell neve. | húr |
| nEstimators | Adja meg a modellben lévő fák (vagy kerekítések) számát. | húr |
| numLeaves | Adja meg a levelek számát. | húr |
| preprocessorName | A használni kívánt előfeldolgozó neve. | húr |
| regAlpha | L1 a súlyokra vonatkozó regicializálási kifejezés. | húr |
| regLambda | L2 regularization kifejezés súlyokra. | húr |
| alminta | A betanítási példány részmintaaránya. | húr |
| subsampleFreq | Az alminta gyakorisága | húr |
| treeMethod | Adja meg a fametódust. | húr |
| withMean | Ha igaz, középre kell skálázni az adatokat a StandardScalar használatával. | húr |
| withStd | Ha igaz, az adatok skálázása a Unit Variance és a StandardScalar használatával. | húr |
TableSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A takarítási feladathoz tartozó korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
| samplingAlgorithm | [Kötelező] A mintavételezési algoritmus típusa. | "Bayesian" "Rács" "Véletlenszerű" (kötelező) |
EarlyTerminationPolicy
| Név | Leírás | Érték |
|---|---|---|
| delayEvaluation | Azon intervallumok száma, amelyekkel késleltethető az első értékelés. | Int |
| evaluationInterval | Intervallum (futtatások száma) a szabályzatok kiértékelése között. | 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 futástól. | Int |
MediánStoppingPolicy
| Név | Leírás | Érték |
|---|---|---|
| policyType | [Kötelező] Szabályzatkonfiguráció neve | "MediánStopping" (kötelező) |
CsonkolásSelectionPolicy
| Név | Leírás | Érték |
|---|---|---|
| policyType | [Kötelező] Szabályzatkonfiguráció neve | "TruncationSelection" (kötelező) |
| csonkolásPercentage | Az egyes kiértékelési időszakokban megszakítandó futtatások százalékos aránya. | Int |
ClassificationTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A besorolási feladat engedélyezett modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| blockedTrainingAlgorithms | A besorolási feladat blokkolt modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
| enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
"Automatikus" "Elosztott" "Nemdistributed" |
StackEnsembleSettings
| Név | Leírás | Érték |
|---|---|---|
| stackMetaLearnerKWargs | Nem kötelező paraméterek a metatanuló inicializálójának átadni. | |
| stackMetaLearnerTrainPercentage | Meghatározza a betanítási csoport arányát (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához. Az alapértelmezett érték 0,2. | Int |
| stackMetaLearnerType | A metatanuló az egyes heterogén modellek kimenetére betanított modell. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs" |
Előrejelzés
| 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| forecastingSettings | Tevékenységspecifikus bemenetek előrejelzése. | ForecastingSettings |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten 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 különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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. | ForecastingTrainingSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
Előrejelzési beállítások
| Név | Leírás | Érték |
|---|---|---|
| countryOrRegionForHolidays | Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek ISO 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB". |
húr |
| cvStepSize | Az egyik CV-hajtás származási ideje és a következő hajtás közötti időszakok száma. Részére ha például CVStepSize = 3 a napi adatok esetében, az egyes hajtások forrásidejehárom nap különbséggel. |
Int |
| featureLags | Az "auto" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző. | "Automatikus" "Nincs" |
| featuresUnknownAtForecastTime | A betanításhoz elérhető, de az előrejelzés/következtetés időpontjában ismeretlen funkcióoszlopok. Ha features_unknown_at_forecast_time nincs beállítva, a rendszer feltételezi, hogy az adathalmaz összes funkcióoszlopa következtetési időben ismert. |
sztring[] |
| forecastHorizon | A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben. | ForecastHorizon |
| frekvencia | Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánják, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. | húr |
| szezonalitás | Állítsa be az idősor szezonalitását az adatsor gyakoriságának egész számának többszöröseként. Ha a szezonalitás "auto" értékre van állítva, a rendszer ezt a következtetést fogja levonni. |
szezonalitási |
| shortSeriesHandlingConfig | Az a paraméter, amely meghatározza, 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 felmerül. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean". |
"Max" "Középérték" "Min" "Nincs" "Összeg" |
| targetLags | A céloszloptól elkésni kívánt elmúlt időszakok száma. | TargetLags |
| targetRollingWindowSize | A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma. | TargetRollingWindowSize |
| timeColumnName | Az időoszlop neve. Ez a paraméter az előrejelzéshez szükséges az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok dátum/idő oszlopának megadásához. | húr |
| timeSeriesIdColumnNames | Az idősorok csoportosításához használt oszlopok nevei. Több sorozat létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak kell feltételezni. Ezt a paramétert a rendszer a tevékenységtípus-előrejelzéshez használja. |
sztring[] |
| useStl | Konfigurálja az idősor céloszlopának STL-felbontását. | "Nincs" "Szezon" "SeasonTrend" |
ForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Előrejelzési horizont értékválasztási mód beállítása. | "Auto" (kötelező) |
CustomForecastHorizon
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Előrejelzési horizont értékválasztási mód beállítása. | "Egyéni" (kötelező) |
| érték | [Kötelező] Előrejelzési horizont értéke. | int (kötelező) |
Szezonalitás
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoSeasonality
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Szezonalitás mód. | "Auto" (kötelező) |
CustomSeasonality
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Szezonalitás mód. | "Egyéni" (kötelező) |
| érték | [Kötelező] Szezonalitás értéke. | int (kötelező) |
TargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoTargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Auto" (kötelező) |
CustomTargetLags
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Egyéni" (kötelező) |
| értékrend | [Kötelező] Állítsa be a cél késési értékeit. | int[] (kötelező) |
TargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | Az objektumtípus beállítása | automatikus egyéni (kötelező) |
AutoTargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Auto" (kötelező) |
CustomTargetRollingWindowSize
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Egyéni" (kötelező) |
| érték | [Kötelező] TargetRollingWindowSize érték. | int (kötelező) |
ForecastingTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A tevékenységek előrejelzéséhez engedélyezett modellek. | Sztringtömb, amely a következők 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 tevékenységhez. | Sztringtömb, amely a következők 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. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
"Automatikus" "Elosztott" "Nemdistributed" |
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 tevékenységhez optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
ImageLimitSettings
| Név | Leírás | Érték |
|---|---|---|
| maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | Int |
| maxTrials | AutoML-iterációk maximális száma. | Int |
| időkorlát | AutoML-feladat időtúllépése. | húr |
ImageModelSettingsClassification
| Név | Leírás | Érték |
|---|---|---|
| advancedSettings | Speciális forgatókönyvek beállításai. | húr |
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | Bool |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő 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. | húr |
| Elosztott | Elosztott betanítás használata. | Bool |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | Bool |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
Int |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
Int |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | Bool |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | Int |
| gradientAccumulationStep | A színátmenet-felhalmozás 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 rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő 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: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | Bool |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | Int |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | Int |
| Optimalizáló | Az optimalizáló típusa. | "Ádám" "Adamw" "Nincs" "Sgd" |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | Int |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő 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 beadva. Pozitív egész számnak kell lennie. | Int |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | Int |
| validationCropSize | Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. | Int |
| validationResizeSize | Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | Int |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | Int |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | Int |
| súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
Int |
MLFlowModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
| Név | Leírás | Érték |
|---|---|---|
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | húr |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| Elosztott | A terjesztő betanításának használata. | húr |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | húr |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
húr |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
húr |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | húr |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | húr |
| gradientAccumulationStep | A színátmenet-felhalmozás 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. |
húr |
| layersToFreeze | A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | húr |
| modelName | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | húr |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | húr |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | húr |
| Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | húr |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | húr |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | húr |
| trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | húr |
| trainingCropSize | Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | húr |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationCropSize | Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. | húr |
| validationResizeSize | Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | húr |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | húr |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | húr |
| súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
húr |
ImageSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
| samplingAlgorithm | [Kötelező] A hiperparaméter-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 | A tevékenységhez optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsClassification[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
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 tevékenységhez optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
ImageModelSettingsObjectDetection
| Név | Leírás | Érték |
|---|---|---|
| advancedSettings | Speciális forgatókönyvek beállításai. | húr |
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | Bool |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| boxDetectionsPerImage | Az észlelések maximális száma képenként, minden 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. Lebegtetésnek kell lennie a tartományban[0, 1]. |
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. | húr |
| Elosztott | Elosztott betanítás használata. | Bool |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | Bool |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
Int |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
Int |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | Bool |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | Int |
| gradientAccumulationStep | A színátmenet-felhalmozás 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 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 rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
Int |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
| logTrainingMetrics | Számítási és naplózási betanítási metrikák engedélyezése. | "Letiltás" "Engedélyezés" |
| logValidationLoss | A számítástechnika és a naplózás érvényesítési veszteségének engedélyezése. | "Letiltás" "Engedélyezés" |
| maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. 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 táplálja. 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: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| modelSize | Modell mérete. Legyen "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". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| többskálázásos | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
Bool |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | Bool |
| nmsIouThreshold | Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | Int |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | Int |
| Optimalizáló | Az optimalizáló típusa. | "Ádám" "Adamw" "Nincs" "Sgd" |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | Int |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő 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 A kis objektumészlelési logika engedélyezéséhez nincs lehetőség. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tileOverlapRatio | Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
Int |
| tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [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. Az [0, 1] tartományban kell lebegnie. | Int |
| validationMetricType | Metrikaszámítási módszer az érvényesítési metrikákhoz. | "Coco" "CocoVoc" "Nincs" "Voc" |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | Int |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | Int |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | Int |
ImageModelDistributionSettingsObjectDetection
| Név | Leírás | Érték |
|---|---|---|
| amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | húr |
| kiegészítések | A Kiegészítések használatának beállításai. | húr |
| béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| boxDetectionsPerImage | Az észlelések maximális száma képenként, minden osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegtetésnek kell lennie a tartományban[0, 1]. |
húr |
| Elosztott | A terjesztő betanításának használata. | húr |
| earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | húr |
| earlyStoppingDelay | Az elsődleges metrika javítása előtt várandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai megálláshoz. Pozitív egész számnak kell lennie. |
húr |
| earlyStoppingPatience | Az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma a futtatás le van állítva. Pozitív egész számnak kell lennie. |
húr |
| enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálása során. | húr |
| evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. | húr |
| gradientAccumulationStep | A színátmenet-felhalmozás 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. |
húr |
| 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. |
húr |
| layersToFreeze | A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a "seresnext" értékeként 2 értéket ad át, az azt jelenti, hogy fagyasztás réteg0 és réteg1. A támogatott modellek teljes listájáért és a rétegbefagyasztás részleteiért kérjük, lásd: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| learningRate | Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | húr |
| maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. 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. |
húr |
| minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez táplálja. 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. |
húr |
| modelName | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: /azure/machine-learning/how-to-auto-train-image-models. |
húr |
| modelSize | Modell mérete. Legyen "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. |
húr |
| lendület | A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| többskálázásos | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
húr |
| nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú. | húr |
| nmsIouThreshold | Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie. | húr |
| numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | húr |
| numberOfWorkers | Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie. | húr |
| Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | húr |
| randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag. | húr |
| stepLRGamma | A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | húr |
| tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet A kis objektumészlelési logika engedélyezéséhez nincs lehetőség. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tileOverlapRatio | Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
húr |
| tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális letiltás |
húr |
| trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | húr |
| validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie. | húr |
| validationMetricType | Metrikaszámítási módszer az érvényesítési metrikákhoz. "nincs", "coco", "voc" vagy "coco_voc" kell lennie. | húr |
| warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. | húr |
| warmupCosineLRWarmupEpochs | A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | húr |
| weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1]. | húr |
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 tevékenységhez optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
| sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | TableFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
| nCrossValidations | A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
| primaryMetric | A regressziós tevékenység elsődleges metrikája. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | TableParameterSubspace[] |
| sweepSettings | A 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. | RegressionTrainingSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
| validationDataSize | A betanítási 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 |
| weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza. | húr |
RegresszióTrainingSettings
| Név | Leírás | Érték |
|---|---|---|
| allowedTrainingAlgorithms | A regressziós tevékenységhez engedélyezett modellek. | Sztringtömb, amely a következők bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| blockedTrainingAlgorithms | A regressziós feladat blokkolt modelljei. | Sztringtömb, amely a következők bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
| enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | Bool |
| enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | Bool |
| enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | Bool |
| enableStackEnsemble | A verem-együttes futtatásának engedélyezése. | Bool |
| enableVoteEnsemble | Szavazati együttes futtatásának engedélyezése. | Bool |
| ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel. |
húr |
| stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
| trainingMode | TrainingMode mód – Az "automatikus" beállítás egyelőre megegyezik a "nem elosztott" beállítással, de a jövőben vegyes vagy heurisztikus módválasztást eredményezhet. Az alapértelmezett érték az "auto". Ha "Elosztott", akkor a rendszer csak elosztott featurizációt használ, és elosztott algoritmusokat választ ki. Ha a "NonDistributed" függvényt választja, akkor csak a nem elosztott algoritmusok lesznek kiválasztva. |
"Automatikus" "Elosztott" "Nemdistributed" |
TextClassification
| Név | Leírás | Érték |
|---|---|---|
| taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassification" (kötelező) |
| featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
| fixedParameters | Olyan 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 különböző kombinációinak és hiperparamétereinek mintavételezésére. | NlpParameterSubspace[] |
| sweepSettings | A modellsöprési és hiperparaméter-finomhangolási beállítások. | NlpSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
NlpVerticalFeaturizationSettings
| Név | Leírás | Érték |
|---|---|---|
| datasetLanguage | Adatkészlet nyelve, amely a szöveges adatokhoz hasznos. | húr |
NlpFixedParameters
| Név | Leírás | Érték |
|---|---|---|
| gradientAccumulationSteps | A színátmenetek halmozásához szükséges lépések száma a visszalépés futtatása előtt. | Int |
| learningRate | A képzési eljárás tanulási sebessége. | Int |
| learningRateScheduler | A képzési eljárás során használni kívánt tanulási sebesség ütemezésének típusa. | "Állandó" "ConstantWithWarmup" "Koszinusz" "CosineWithRestarts" "Lineáris" "Nincs" "Polinom" |
| modelName | A betanított modell neve. | húr |
| 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 | A kísérlethez használandó csomópontok maximális száma. | Int |
| maxTrials | AutoML-iterációk száma. | Int |
| időkorlát | AutoML-feladat időtúllépése. | húr |
| trialTimeout | Időtúllépés az egyes HD-próbaverziókhoz. | húr |
NlpParameterSubspace
| Név | Leírás | Érték |
|---|---|---|
| gradientAccumulationSteps | A színátmenetek halmozásához szükséges lépések száma a visszalépés futtatása előtt. | húr |
| learningRate | A képzési eljárás tanulási sebessége. | húr |
| learningRateScheduler | A képzési eljárás során használni kívánt tanulási sebesség ütemezésének típusa. | húr |
| modelName | A betanított modell neve. | húr |
| numberOfEpochs | A betanítási korszakok száma. | húr |
| trainingBatchSize | A betanítási eljárás kötegmérete. | húr |
| validationBatchSize | A kiértékelés során használandó kötegméret. | húr |
| warmupRatio | Az LrSchedulerType mellett használt bemelegítési arány. | húr |
| weightDecay | A betanítási eljárás súlycsökkenése. | húr |
NlpSweepSettings
| Név | Leírás | Érték |
|---|---|---|
| earlyTermination | A takarítási feladathoz tartozó korai felmondási szabályzat 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | NlpFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek 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 | Olyan modell-/betanítási paraméterek, amelyek a betanítás során állandóak maradnak. | NlpFixedParameters |
| limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
| searchSpace | Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére. | NlpParameterSubspace[] |
| sweepSettings | A modellsöprési és hiperparaméter-finomhangolási beállítások. | NlpSweepSettings |
| validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
CommandJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "Parancs" (kötelező) |
| autologgerSettings | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie. | AutologgerSettings |
| codeId | A kódobjektum ARM-erőforrás-azonosítója. | húr |
| parancs | [Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| elosztás | A feladat terjesztési konfigurációja. Ha be van állítva, ez az Mpi, a Tensorflow, a PyTorch, a Ray vagy a null érték egyikének kell lennie. | DistributionConfiguration |
| environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 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 |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
AutologgerSettings
| Név | Leírás | Érték |
|---|---|---|
| mlflowAutologger | [Kötelező] Azt jelzi, hogy engedélyezve van-e az mlflow-autologger. | "Letiltva" "Engedélyezve" (kötelező) |
DistributionConfiguration
| Név | Leírás | Érték |
|---|---|---|
| distributionType | Az objektumtípus beállítása |
Mpi PyTorch Ray 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 | Csomópontonkénti folyamatok száma. | Int |
Rája
| Név | Leírás | Érték |
|---|---|---|
| distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "Ray" (kötelező) |
| cím | A Ray-fej csomópont címe. | húr |
| dashboardPort | Az irányítópult-kiszolgálót összekötő port. | Int |
| headNodeAdditionalArgs | A sugárindításnak átadott további argumentumok a főcsomóponton. | húr |
| includeDashboard | Adja meg ezt az argumentumot a Ray-irányítópult grafikus felhasználói felületének elindításához. | Bool |
| kikötő | A fejsugár-folyamat portja. | Int |
| workerNodeAdditionalArgs | A ray startnak átadott további argumentumok a feldolgozó csomópontban. | húr |
TensorFlow
| Név | Leírás | Érték |
|---|---|---|
| distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "TensorFlow" (kötelező) |
| parameterServerCount | Paraméterkiszolgálói feladatok száma. | Int |
| workerCount | Dolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz. | Int |
CommandJobEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CommandJobInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
JobInput
| Név | Leírás | Érték |
|---|---|---|
| leírás | A bemenet leírása. | húr |
| jobInputType | Az objektumtípus beállítása |
custom_model literális mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
LiteralJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "literál" (kötelező) |
| érték | [Kötelező] A bemenet literális értéke. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
TritonModelJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "triton_model" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFileJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "uri_file" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFolderJobInput
| Név | Leírás | Érték |
|---|---|---|
| jobInputType | [Kötelező] A feladat típusát adja meg. | "uri_folder" (kötelező) |
| üzemmód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
CommandJobLimits
| Név | Leírás | Érték |
|---|---|---|
| jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
| időkorlát | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot. | húr |
CommandJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
LabelingJobProperties
| Név | Leírás | Érték |
|---|---|---|
| componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | húr |
| computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | húr |
| dataConfiguration | A feladatban használt adatok konfigurálása. | LabelingDataConfiguration |
| leírás | Az eszköz leírásának szövege. | húr |
| displayName | A feladat megjelenítendő neve. | húr |
| experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | húr |
| azonosság | 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 objektum? | Bool |
| jobInstructions | A feladat címkézési utasításai. | LabelingJobInstructions |
| jobType | [Kötelező] A feladat típusát adja meg. | "AutoML" "Parancs" "Címkézés" "Folyamat" "Spark" "Takarítás" (kötelező) |
| labelCategories | A feladat címkéinek kategóriái. | LabelingJobLabelCategories |
| labelingJobMediaProperties | Médiatípus-specifikus tulajdonságok a feladatban. | LabelingJobMediaProperties |
| mlAssistConfiguration | Az MLAssist funkció konfigurálása a feladatban. | MLAssistConfiguration |
| notificationSetting | A feladat értesítési beállítása | NotificationSetting |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| secretsConfiguration | Konfiguráció a futtatókörnyezetben elérhetővé tenni kívánt titkos kódokhoz. | JobBaseSecretsConfiguration |
| szolgáltatás | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik. |
JobBaseServices |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
LabelingDataConfiguration
| Név | Leírás | Érték |
|---|---|---|
| dataId | Az adategység erőforrás-azonosítója a címkézés végrehajtásához. | húr |
| növekményesDataRefresh | Azt jelzi, hogy engedélyezi-e a növekményes adatfrissítést. | "Letiltva" "Engedélyezve" |
LabelingJobInstructions
| Név | Leírás | Érték |
|---|---|---|
| Uri | A címkézőkre vonatkozó részletes címkézési utasításokat tartalmazó lapra mutató hivatkozás. | húr |
LabelingJobLabelCategories
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | LabelCategory |
LabelCategory
| Név | Leírás | Érték |
|---|---|---|
| előkelő társaság | A kategória címkeosztályainak szótára. | LabelCategoryClasses |
| displayName | A címkekategória megjelenítendő neve. | húr |
| multiSelect | Azt jelzi, hogy engedélyezve van-e több osztály kijelölése ebben a kategóriában. | "Letiltva" "Engedélyezve" |
LabelCategoryClasses
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | LabelClass |
LabelClass
| Név | Leírás | Érték |
|---|---|---|
| displayName | A címkeosztály megjelenítendő neve. | húr |
| 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. | "Határolókeret" "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 |
Letiltott Engedélyezett (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] A következtetéshez használt AML számítási kötés. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| trainingComputeBinding | [Kötelező] A betanítás során használt AML számítási kötés. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
PipelineJob
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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. | húr |
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] A feladat típusát adja meg. | "Spark" (kötelező) |
| levéltár | Archiválja a feladatban használt fájlokat. | sztring[] |
| args | A feladat argumentumai. | húr |
| codeId | [Kötelező] A kódobjektum ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 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. | húr |
| Fájlokat | 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[] |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | SparkResourceConfiguration |
SparkJobConf
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
SparkJobEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | Az objektumtípus beállítása |
SparkJobPythonEntry SparkJobScalaEntry (kötelező) |
SparkJobPythonEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | [Kötelező] A feladat belépési pontjának típusa. | "SparkJobPythonEntry" (kötelező) |
| fájl | [Kötelező] A feladatbeléptetési pont relatív Python-fájl elérési útja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SparkJobScalaEntry
| Név | Leírás | Érték |
|---|---|---|
| sparkJobEntryType | [Kötelező] A feladat belépési pontjának típusa. | "SparkJobScalaEntry" (kötelező) |
| className | [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. | húr |
| runtimeVersion | A feladathoz használt Spark-futtatókörnyezet verziója. | húr |
Takarítási feladat
| Név | Leírás | Érték |
|---|---|---|
| jobType | [Kötelező] A feladat típusát adja meg. | "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 |
| objektív | [Kötelező] Optimalizálási cél. | Objektív (kötelező) |
| Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | SweepJobOutputs |
| queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
| samplingAlgorithm | [Kötelező] A hiperparaméter-mintavételezési algoritmus | SamplingAlgorithm (kötelező) |
| searchSpace | [Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve | |
| próba | [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 maximális egyidejű próbaverziói. | Int |
| maxTotalTrials | Takarítási feladat maximális teljes próbaverziója. | Int |
| időkorlát | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot. | húr |
| trialTimeout | A takarítási feladat próbaverziója időtúllépési értéke. | húr |
Objektív
| Név | Leírás | Érték |
|---|---|---|
| cél | [Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg | "Teljes méret" "Kis méret" (kötelező) |
| primaryMetric | [Kötelező] Az optimalizálni kívánt metrika neve. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SweepJobOutputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobOutput |
SamplingAlgorithm
| Név | Leírás | Érték |
|---|---|---|
| samplingAlgorithmType | Az objektumtípus beállítása |
Bayes-i Grid- 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) |
| logbase | A naplóalapú véletlenszerű mintavételezés alapjául szolgáló opcionális pozitív szám vagy sztringformátumú e | húr |
| szabály | A véletlenszerű algoritmus adott típusa | "Véletlenszerű" "Sobol" |
| mag | Nem kötelező egész szám, amelyet a véletlenszerű számgenerálás magjaként kell használni | Int |
TrialComponent
| Név | Leírás | Érték |
|---|---|---|
| codeId | A kódobjektum ARM-erőforrás-azonosítója. | húr |
| parancs | [Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| elosztás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie. | DistributionConfiguration |
| environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| environmentVariables | A feladatban szereplő környezeti változók. | TrialComponentEnvironmentVariables |
| Erőforrások | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CreateMonitorAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateMonitor" (kötelező) |
| monitorDefinition | [Kötelező] Meghatározza a figyelőt. | MonitorDefinition (kötelező) |
MonitorDefinition
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationSetting | A figyelő értesítési beállításai. | MonitoringAlertNotificationSettingsBase |
| computeConfiguration | [Kötelező] A monitorozási feladat futtatásához a számítási erőforrás ARM-erőforrás-azonosítója. | MonitorComputeConfigurationBase (kötelező) |
| monitoringTarget | A figyelő által megcélzott modell vagy üzembe helyezés ARM-erőforrás-azonosítója. | MonitoringTarget |
| Jelek | [Kötelező] A figyelendő jelek. | MonitorDefinitionSignals (kötelező) |
MonitoringAlertNotificationSettingsBase
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | Az objektumtípus beállítása |
AzureMonitor e-mail (kötelező) |
AzMonitoringAlertNotificationSettings
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | [Kötelező] Megadja a figyelendő jel típusát. | "AzureMonitor" (kötelező) |
EmailMonitoringAlertNotificationSettings
| Név | Leírás | Érték |
|---|---|---|
| alertNotificationType | [Kötelező] Megadja a figyelendő jel típusát. | "E-mail" (kötelező) |
| emailNotificationSetting | Az értesítés konfigurálása. | NotificationSetting |
MonitorComputeConfigurationBase
| Név | Leírás | Érték |
|---|---|---|
| computeType | Az objektumtípus beállítása | ServerlessSpark (kötelező) |
MonitorServerlessSparkCompute
| Név | Leírás | Érték |
|---|---|---|
| computeType | [Kötelező] Megadja a figyelendő jel típusát. | "ServerlessSpark" (kötelező) |
| computeIdentity | [Kötelező] A kiszolgáló nélküli Sparkon futó Spark-feladatok által kihasznált identitásséma. | MonitorComputeIdentityBase (kötelező) |
| instanceType | [Kötelező] A Spark-feladatot futtató példánytípus. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| runtimeVersion | [Kötelező] A Spark futtatókörnyezet verziója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
MonitorComputeIdentityBase
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | Az objektumtípus beállítása |
AmlToken ManagedIdentity (kötelező) |
AmlTokenComputeIdentity
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | [Kötelező] A számítási identitás típusának enumerálásának figyelése. | "AmlToken" (kötelező) |
ManagedComputeIdentity
| Név | Leírás | Érték |
|---|---|---|
| computeIdentityType | [Kötelező] A számítási identitás típusának enumerálásának figyelése. | "ManagedIdentity" (kötelező) |
| azonosság | Felügyeltszolgáltatás-identitás (rendszer által hozzárendelt és/vagy felhasználó által hozzárendelt identitások) | ManagedServiceIdentity |
ManagedServiceIdentity
| Név | Leírás | Érték |
|---|---|---|
| típus | A felügyelt szolgáltatás identitásának típusa (ahol a SystemAssigned és a UserAssigned típus is engedélyezett). | "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (kötelező) |
| identity_ids | Az erőforráshoz társított felhasználó által hozzárendelt identitások készlete. A userAssignedIdentities szótárkulcsok arm-erőforrásazonosítók lesznek a következő formában: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótár értékei lehetnek üres objektumok ({}) a kérelmekben. | Felhasználói identitásazonosítók tömbje. |
UserAssignedIdentities
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | UserAssignedIdentity |
UserAssignedIdentity
Ez az objektum nem tartalmaz az üzembe helyezés során beállítandó tulajdonságokat. Minden tulajdonság readOnly.
MonitoringTarget
| Név | Leírás | Érték |
|---|---|---|
| deploymentId | A figyelő által megcélzott üzembe helyezés ARM-erőforrás-azonosítója. | húr |
| modelId | A figyelő által megcélzott modell ARM-erőforrás-azonosítója. | húr |
| taskType | [Kötelező] A modell gépi tanulási feladattípusa. | "Besorolás" "QuestionAnswering" "Regresszió" (kötelező) |
MonitorDefinitionSignals
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | MonitoringSignalBase |
MonitoringSignalBase
| Név | Leírás | Érték |
|---|---|---|
| üzemmód | A jel aktuális értesítési módja. | "Letiltva" "Engedélyezve" |
| kellékek | Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók. | MonitoringSignalBaseProperties |
| signalType | Az objektumtípus beállítása | egyéni DataDrift DataQuality FeatureAttributionDrift GenerationSafetyQuality GenerationTokenStatistics ModelPerformance PredictionDrift (kötelező) |
MonitoringSignalBaseProperties
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
CustomMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "Egyéni" (kötelező) |
| componentId | [Kötelező] Az egyéni metrikák kiszámításához használt összetevő-erőforrás ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| inputAssets | Az adatbevitelhez használt eszközök figyelése. A kulcs az összetevő bemeneti portjának neve, az érték pedig az adategység. | CustomMonitoringSignalInputAssets |
| Bemenetek | További összetevőparaméterek bevitelként. A kulcs az összetevő literál bemeneti portjának neve, az érték a paraméter értéke. | CustomMonitoringSignalInputs |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | CustomMetricThreshold[] (kötelező) |
| workspaceConnection | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | MonitoringWorkspaceConnection (kötelező) |
CustomMonitoringSignalInputAssets
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | MonitoringInputDataBase |
MonitoringInputDataBase
| Név | Leírás | Érték |
|---|---|---|
| Oszlopok | Oszlopnevek leképezése speciális használatra. | MonitoringInputDataBaseColumns |
| dataContext | Az adatforrás környezeti metaadatai. | húr |
| jobInputType | [Kötelező] A feladat típusát adja meg. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
| Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| inputDataType | Az objektumtípus beállítása |
Rögzített Statikus Záró (kötelező) |
MonitoringInputDataBaseColumns
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
FixedInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Javítva" (kötelező) |
StaticInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Statikus" (kötelező) |
| preprocessingComponentId | Az adatok előfeldolgozásához használt összetevőerőforrás ARM-erőforrás-azonosítója. | húr |
| windowEnd | [Kötelező] Az adatablak záró dátuma. | sztring (kötelező) |
| windowStart | [Kötelező] Az adatablak kezdő dátuma. | sztring (kötelező) |
TrailingInputData
| Név | Leírás | Érték |
|---|---|---|
| inputDataType | [Kötelező] Megadja a figyelendő jel típusát. | "Záró" (kötelező) |
| preprocessingComponentId | Az adatok előfeldolgozásához használt összetevőerőforrás ARM-erőforrás-azonosítója. | húr |
| windowOffset | [Kötelező] Az adatablak vége és a figyelő aktuális futási ideje közötti időeltolódás. | sztring (kötelező) |
| windowSize | [Kötelező] A záró adatablak mérete. | sztring (kötelező) |
CustomMonitoringSignalInputs
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | JobInput |
CustomMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] A kiszámítandó felhasználó által definiált metrika. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
MonitoringThreshold
| Név | Leírás | Érték |
|---|---|---|
| érték | A küszöbérték. Null érték esetén a beállított alapértelmezett érték a metrika típusától függ. | Int |
MonitoringWorkspaceConnection
| Név | Leírás | Érték |
|---|---|---|
| environmentVariables | Egy munkaterület-szolgáltatáskapcsolat tulajdonságai, amelyek környezeti változókként tárolhatók az elküldött feladatokban. A kulcs a munkaterület kapcsolati tulajdonságának elérési útja, a név környezeti változókulcs. |
MonitoringWorkspaceConnectionEnvironmentVariables |
| Titkok | A munkaterületi szolgáltatáskapcsolat tulajdonságai, amelyek titkos kulcsként tárolhatók az elküldött feladatokban. A kulcs a munkaterület kapcsolati tulajdonságának elérési útja, a név titkos kulcs. |
MonitoringWorkspaceConnectionSecrets |
MonitoringWorkspaceConnectionEnvironmentVariables
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
MonitoringWorkspaceConnectionSecrets
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
DataDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "DataDrift" (kötelező) |
| dataSegment | Az adatpopuláció egy részhalmazának hatókörkezeléséhez használt adatszegmens. | MonitoringDataSegment |
| featureDataTypeOverride | Egy szótár, amely a funkcióneveket a megfelelő adattípusokhoz rendeli. | DataDriftMonitoringSignalFeatureDataTypeOverride |
| Funkciók | A funkciószűrő, amely azonosítja, hogy melyik funkció számítja ki a sodródást. | MonitoringFeatureFilterBase |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataDriftMetricThresholdBase[] (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
MonitoringDataSegment
| Név | Leírás | Érték |
|---|---|---|
| vonás | Az adatok szegmentálásának funkciója. | húr |
| értékrend | Csak az adott szegmentált szolgáltatás megadott értékeire szűr. | sztring[] |
DataDriftMonitoringSignalFeatureDataTypeOverride
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
MonitoringFeatureFilterBase
| Név | Leírás | Érték |
|---|---|---|
| filterType | Az objektumtípus beállítása |
AllFeatures FeatureSubset TopNByAttribution (kötelező) |
AllFeatures
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "AllFeatures" (kötelező) |
FeatureSubset
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "FeatureSubset" (kötelező) |
| Funkciók | [Kötelező] A belefoglalandó funkciók listája. | sztring[] (kötelező) |
TopNFeaturesByAttribution
| Név | Leírás | Érték |
|---|---|---|
| filterType | [Kötelező] A metrikák kiszámításához használt funkciók kiválasztásakor használandó funkciószűrőt adja meg. | "TopNByAttribution" (kötelező) |
| felső | A legfontosabb funkciók száma. | Int |
DataDriftMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalDataDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Kategorikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus adateltolódási metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalDataDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó numerikus adateltolódási metrika. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
DataQualityMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "DataQuality" (kötelező) |
| featureDataTypeOverride | Egy szótár, amely a funkcióneveket a megfelelő adattípusokhoz rendeli. | DataQualityMonitoringSignalFeatureDataTypeOverride |
| Funkciók | A sodródás kiszámításához használandó funkciók. | MonitoringFeatureFilterBase |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataQualityMetricThresholdBase[] (kötelező) |
| productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
DataQualityMonitoringSignalFeatureDataTypeOverride
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
DataQualityMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalDataQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Kategorikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
NumericalDataQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó numerikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
FeatureAttributionDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "FeatureAttributionDrift" (kötelező) |
| metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | FeatureAttributionMetricThreshold (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase[] (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
FeatureAttributionMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] A kiszámolandó funkció-hozzárendelési metrika. | "NormalizedDiscountedCumulativeGain" (kötelező) |
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
GenerationSafetyQualityMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "GenerationSafetyQuality" (kötelező) |
| metricThresholds | [Kötelező] Lekéri vagy beállítja a kiszámítandó metrikákat és a megfelelő küszöbértékeket. | GenerationSafetyQualityMetricThreshold[] (kötelező) |
| productionData | Lekéri vagy beállítja a számítástechnikai metrikák céladatait. | MonitoringInputDataBase[] |
| mintavételezési sebesség | [Kötelező] A céladatok mintaarányának 0-nál nagyobbnak és legfeljebb 1-nél kell lennie. | int (kötelező) |
| workspaceConnectionId | Lekéri vagy beállítja a tartalomgenerálási végponthoz való csatlakozáshoz használt munkaterület-kapcsolatazonosítót. | húr |
GenerationSafetyQualityMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] Lekéri vagy beállítja a funkció-hozzárendelési metrikát a számításhoz. | "AcceptableCoherenceScorePerInstance" "AcceptableFluencyScorePerInstance" "AcceptableGroundednessScorePerInstance" "AcceptableRelevanceScorePerInstance" "AcceptableSimilarityScorePerInstance" "AggregatedCoherencePassRate" "AggregatedFluencyPassRate" "AggregatedGroundednessPassRate" "AggregatedRelevancePassRate" "AggregatedSimilarityPassRate" (kötelező) |
| küszöb | Lekéri vagy beállítja a küszöbértéket. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. |
MonitoringThreshold |
GenerationTokenStatisticsSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "GenerationTokenStatistics" (kötelező) |
| metricThresholds | [Kötelező] Lekéri vagy beállítja a kiszámítandó metrikákat és a megfelelő küszöbértékeket. | GenerationTokenStatisticsMetricThreshold[] (kötelező) |
| productionData | Lekéri vagy beállítja a számítástechnikai metrikák céladatait. | MonitoringInputDataBase |
| mintavételezési sebesség | [Kötelező] A céladatok mintaarányának 0-nál nagyobbnak és legfeljebb 1-nél kell lennie. | int (kötelező) |
GenerationTokenStatisticsMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| metrikus | [Kötelező] Lekéri vagy beállítja a funkció-hozzárendelési metrikát a számításhoz. | "TotalTokenCount" "TotalTokenCountPerGroup" (kötelező) |
| küszöb | Lekéri vagy beállítja a küszöbértéket. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. |
MonitoringThreshold |
ModelPerformanceSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "ModelPerformance" (kötelező) |
| dataSegment | Az adatszegmens. | MonitoringDataSegment |
| metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | ModelPerformanceMetricThresholdBase (kötelező) |
| productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase[] (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
ModelPerformanceMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| modelType | Az objektumtípus beállítása |
besorolási Regressziós (kötelező) |
ClassificationModelPerformanceMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| modelType | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Besorolás" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó besorolási modell teljesítménye. | "Pontosság" "Pontosság" "Visszahívás" (kötelező) |
RegresszióModelPerformanceMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| modelType | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Regresszió" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó regressziós modell teljesítménymetrikája. | "MeanAbsoluteError" "MeanSquaredError" "RootMeanSquaredError" (kötelező) |
PredictionDriftMonitoringSignal
| Név | Leírás | Érték |
|---|---|---|
| signalType | [Kötelező] Megadja a figyelendő jel típusát. | "PredictionDrift" (kötelező) |
| metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | PredictionDriftMetricThresholdBase[] (kötelező) |
| modelType | [Kötelező] A megfigyelt modell típusa. | "Besorolás" "Regresszió" (kötelező) |
| productionData | [Kötelező] A sodródást okozó adatok lesznek kiszámítva. | MonitoringInputDataBase (kötelező) |
| referenceData | [Kötelező] Az eltérés kiszámításához használandó adatok. | MonitoringInputDataBase (kötelező) |
PredictionDriftMetricThresholdBase
| Név | Leírás | Érték |
|---|---|---|
| küszöb | A küszöbérték. Null érték esetén az alapértelmezett érték a kiválasztott metrikától függően lesz beállítva. | MonitoringThreshold |
| Adattípus | Az objektumtípus beállítása |
kategorikus numerikus (kötelező) |
CategoricalPredictionDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Kategorikus" (kötelező) |
| metrikus | [Kötelező] A kiszámítandó kategorikus előrejelzési eltérési metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalPredictionDriftMetricThreshold
| Név | Leírás | Érték |
|---|---|---|
| Adattípus | [Kötelező] A metrika küszöbértékének adattípusát adja meg. | "Numerikus" (kötelező) |
| metrikus | [Kötelező] A numerikus előrejelzés eltérési metrikája a számításhoz. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
ImportDataAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "ImportData" (kötelező) |
| dataImportDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. | DataImport (kötelező) |
DataImport
| Név | Leírás | Érték |
|---|---|---|
| assetName | A létrehozandó adatimportálási feladat objektumának neve | húr |
| autoDeleteSetting | A felügyelt adategység életciklus-beállítását adja meg. | AutoDeleteSetting |
| Adattípus | [Kötelező] Megadja az adatok típusát. | "mltable" "uri_file" "uri_folder" (kötelező) |
| dataUri | [Kötelező] Az adatok URI-ja. Példa: https://go.microsoft.com/fwlink/?linkid=2202330 |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
| leírás | Az eszköz leírásának szövege. | húr |
| intellectualProperty | Szellemi tulajdon részletei. Akkor használatos, ha az adatok szellemi tulajdonnak minősülnek. | IntellectualProperty |
| isAnonymous | Ha a név verziója rendszer generálva van (névtelen regisztráció). Azoknál a típusoknál, ahol a szakasz definiálva van, a szakasz megadásakor az IsAnonymous feltöltésére lesz használva. | Bool |
| isArchived | Archiválva van az objektum? Azoknál a típusoknál, ahol a szakasz definiálva van, a szakasz megadásakor az IsArchived feltöltésére lesz használva | Bool |
| kellékek | Az eszköztulajdonság szótára. | ResourceBaseProperties |
| forrás | Az importálandó objektum forrásadatai | DataImportSource |
| színpad | Az adategységhez rendelt adat életciklusának szakasza | húr |
| Címkék | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | tárgy |
IntellectualProperty
| Név | Leírás | Érték |
|---|---|---|
| protectionLevel | A szellemi tulajdon védelmi szintje. | "Minden" "Nincs" |
| kiadó | [Kötelező] A szellemi tulajdon kiadója. Meg kell egyeznie a beállításjegyzék közzétevőjének nevével. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
DataImportSource
| Név | Leírás | Érték |
|---|---|---|
| kapcsolat | Munkaterület-kapcsolat az adatimportálási forrástárolóhoz | húr |
| sourceType | Az objektumtípus beállítása |
adatbázis- file_system (kötelező) |
DatabaseSource
| Név | Leírás | Érték |
|---|---|---|
| sourceType | [Kötelező] Megadja az adatok típusát. | "adatbázis" (kötelező) |
| lekérdezés | SQL Query utasítás adatimportálási adatbázis-forráshoz | húr |
| storedProcedure | SQL StoredProcedure adatimportálási adatbázis-forráson | húr |
| storedProcedureParams | SQL StoredProcedure-paraméterek | DatabaseSourceStoredProcedureParamsItem[] |
| tableName | Az adatimportálási adatbázis-forrás táblájának neve | húr |
DatabaseSourceStoredProcedureParamsItem
| Név | Leírás | Érték |
|---|---|---|
| {testreszabott tulajdonság} | húr |
FileSystemSource
| Név | Leírás | Érték |
|---|---|---|
| sourceType | [Kötelező] Megadja az adatok típusát. | "file_system" (kötelező) |
| ösvény | Az adatimportálási Fájlrendszer forrásának elérési útja | húr |
EndpointScheduleAction
| Név | Leírás | Érték |
|---|---|---|
| actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "InvokeBatchEndpoint" (kötelező) |
| endpointInvocationDefinition | [Kötelező] Az Ütemezés műveletdefiníció részleteit határozza meg. {see href="TBD" /} |
TriggerBase
| Név | Leírás | Érték |
|---|---|---|
| endTime | Az ISO 8601-ben az ütemezés befejezési idejét adja meg, de UTC-eltolás nélkül. Tekintse meg https://en.wikipedia.org/wiki/ISO_8601.Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nem jelenik meg, az ütemezés határozatlan ideig fog futni |
húr |
| startTime | Iso 8601 formátumban, de UTC eltolás nélkül adja meg az ütemezés kezdési idejét. | húr |
| timeZone | Azt az időzónát adja meg, amelyben az ütemezés fut. Az időzónának a Windows időzóna formátumát kell követnie. Lásd: /windows-hardver/manufacture/desktop/default-time-zones /> |
húr |
| triggerType | Az objektumtípus beállítása |
Cron Ismétlődési (kötelező) |
CronTrigger
| Név | Leírás | Érték |
|---|---|---|
| triggerType | [Kötelező] | "Cron" (kötelező) |
| kifejezés | [Kötelező] Az ütemezés cron-kifejezését adja meg. A kifejezésnek NCronTab formátumot kell követnie. |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
RecurrenceTrigger
| Név | Leírás | Érték |
|---|---|---|
| endTime | Az ISO 8601-ben az ütemezés befejezési idejét adja meg, de UTC-eltolás nélkül. Tekintse meg https://en.wikipedia.org/wiki/ISO_8601.Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nem jelenik meg, az ütemezés határozatlan ideig fog futni |
húr |
| frekvencia | [Kötelező] Az ütemezés aktiválásának gyakorisága. | "Nap" "Óra" "Perc" "Hónap" "Hét" (kötelező) |
| intervallum | [Kötelező] A gyakorisággal együtt adja meg az ütemezési időközt | int (kötelező) |
| menetrend | Az ismétlődés ütemezése. | RecurrenceSchedule |
| startTime | Iso 8601 formátumban, de UTC eltolás nélkül adja meg az ütemezés kezdési idejét. | húr |
| timeZone | Azt az időzónát adja meg, amelyben az ütemezés fut. Az időzónának a Windows időzóna formátumát kell követnie. Lásd: /windows-hardware/manufacture/desktop/default-time-zones |
húr |
| triggerType | [Kötelező] | "Cron" "Ismétlődés" (kötelező) |
RecurrenceSchedule
| Név | Leírás | Érték |
|---|---|---|
| Óra | [Kötelező] Az ütemezéshez tartozó órák listája. | int[] (kötelező) |
| jegyzőkönyv | [Kötelező] Az ütemezés perceinek listája. | int[] (kötelező) |
| monthDays | Az ütemezés hónap napjainak listája | int[] |
| Hétköznap | Az ütemezés napjainak listája. | Sztringtömb, amely a következők bármelyikét tartalmazza: "Péntek" "Hétfő" "Szombat" "Vasárnap" "Csütörtök" "Kedd" "Szerda" |