Megosztás a következőn keresztül:

Microsoft.MachineLearningServices-munkaterületek/feladatok 2024-01-01-preview

  • Cikk

Bicep-erőforrásdefiníció

A munkaterületek/feladatok erőforrástípusa üzembe helyezhető a célműveletekkel:

Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplócímű témakörben találja.

Erőforrás formátuma

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

resource symbolicname 'Microsoft.MachineLearningServices/workspaces/jobs@2024-01-01-preview' = {
  name: 'string'
  parent: resourceSymbolicName
  properties: {
    componentId: 'string'
    computeId: 'string'
    description: 'string'
    displayName: 'string'
    experimentName: 'string'
    identity: {
      identityType: 'string'
      // For remaining properties, see IdentityConfiguration objects
    }
    isArchived: bool
    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
  }
}

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'
      pathOnCompute: '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'
  }

FineTuningesetén használja a következőt:

  jobType: 'FineTuning'
  fineTuningDetails: {
    model: {
      description: 'string'
      jobInputType: 'string'
      mode: 'string'
      pathOnCompute: 'string'
      uri: 'string'
    }
    taskType: 'string'
    trainingData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    validationData: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
    modelProvider: 'string'
    // For remaining properties, see FineTuningVertical objects
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }

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'
  environmentVariables: {
    {customized property}: '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'
  componentConfiguration: {
    pipelineSettings: any()
  }
  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
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    locations: [
      'string'
    ]
    maxInstanceCount: int
    properties: {
      {customized property}: any()
    }
    shmSize: 'string'
  }
  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 AzureDevOpsesetén használja a következőt:

  webhookType: 'AzureDevOps'

Csomópontok objektumai

Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.

Az összeshasználja a következőt:

  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'
  pathOnCompute: 'string'
  uri: 'string'

mlflow_modelesetén használja a következőt:

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

mltableesetén használja a következőt:

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

triton_modelesetén használja a következőt:

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

uri_fileesetén használja a következőt:

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

uri_folderesetén használja a következőt:

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

NCrossValidations objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode: 'Auto'

Az egyénihasználja a következőt:

  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 automatikushasználja a következőt:

  mode: 'Auto'

Az egyénihasználja a következőt:

  mode: 'Custom'
  value: int

Szezonalitási objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode: 'Auto'

Az egyénihasználja a következőt:

  mode: 'Custom'
  value: int

TargetLags-objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode: 'Auto'

Az egyénihasználja a következőt:

  mode: 'Custom'
  values: [
    int
  ]

TargetRollingWindowSize objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode: 'Auto'

Az egyénihasználja a következőt:

  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 TensorFlowesetén használja a következőt:

  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'
  pathOnCompute: 'string'
  uri: 'string'

A literálisesetében használja a következőt:

  jobInputType: 'literal'
  value: 'string'

mlflow_modelesetén használja a következőt:

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

mltableesetén használja a következőt:

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

triton_modelesetén használja a következőt:

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

uri_fileesetén használja a következőt:

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

uri_folderesetén használja a következőt:

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

FineTuningVertical objektumok

Állítsa be a modelProvider tulajdonságot az objektum típusának megadásához.

Az AzureOpenAIesetében használja a következőt:

  modelProvider: 'AzureOpenAI'
  hyperParameters: {
    batchSize: int
    learningRateMultiplier: int
    nEpochs: int
  }

Az egyénihasználja a következőt:

  modelProvider: 'Custom'
  hyperParameters: {
    {customized property}: '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 SparkJobPythonEntryesetében használja a következőt:

  sparkJobEntryType: 'SparkJobPythonEntry'
  file: 'string'

A SparkJobScalaEntrya következőt használja:

  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

Tulajdonságértékek

munkaterületek/feladatok

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. 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
FineTuning
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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 használható.

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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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 használható.

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 használható.
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 forrásideje
három 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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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

FineTuningJob

Név Leírás Érték
jobType [Kötelező] A feladat típusát adja meg. "FineTuning" (kötelező)
fineTuningDetails [Kötelező] FineTuningVertical (kötelező)
Kimenetek [Kötelező] FineTuningJobOutputs (kötelező)

FineTuningVertical

Név Leírás Érték
modell [Kötelező] Bemeneti modell a finomhangoláshoz. MLFlowModelJobInput (kötelező)
taskType [Kötelező] A feladattípus finomhangolása. "ChatCompletion"
"ImageClassification"
"ImageInstanceSegmentation"
'ImageObjectDetection'
"QuestionAnswering"
"TextClassification"
"TextCompletion"
"TextSummarization"
"TextTranslation"
"TokenClassification"
"VideoMultiObjectTracking" (kötelező)
trainingData [Kötelező] Betanítási adatok a finomhangoláshoz. JobInput (kötelező)
validationData Érvényesítési adatok a finomhangoláshoz. JobInput
modelProvider Az objektumtípus beállítása AzureOpenAI
egyéni (kötelező)

AzureOpenAiFineTuning

Név Leírás Érték
modelProvider [Kötelező] Szám a finomhangolás típusának meghatározásához. "AzureOpenAI" (kötelező)
hyperParameters HyperParameterek az Azure Open AI-modell finomhangolásához. AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Név Leírás Érték
batchSize Példák száma az egyes kötegekben. A nagyobb kötegméret azt jelenti, hogy a modellparaméterek ritkábban, de alacsonyabb varianciával frissülnek. Int
learningRateMultiplier A tanulási sebesség skálázási tényezője. A kisebb tanulási arány hasznos lehet a túlillesztés elkerülése érdekében. Int
nEpochs A modell betanítása szükséges korszakok száma. A korszak egy teljes ciklusra utal a betanítási adathalmazon keresztül. Int

CustomModelFineTuning

Név Leírás Érték
modelProvider [Kötelező] Szám a finomhangolás típusának meghatározásához. "Egyéni" (kötelező)
hyperParameters HyperParameterek az egyéni modell finomhangolásához. CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Név Leírás Érték
{testreszabott tulajdonság} húr

FineTuningJobOutputs

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"
'FineTuning'
"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 használható.
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 használható.

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
environmentVariables A feladatban szereplő környezeti változók. SparkJobEnvironmentVariables
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_]

SparkJobEnvironmentVariables

Név Leírás Érték
{testreszabott tulajdonság} húr

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)
componentConfiguration Összetevő konfigurációja az összetevő átfésüléséhez ComponentConfiguration
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
Erőforrások Számítási erőforrás konfigurációja a feladathoz. JobResourceConfiguration
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 használható. (kötelező)
próba [Kötelező] Próbaverziós összetevő definíciója. TrialComponent (kötelező)

ComponentConfiguration

Név Leírás Érték
pipelineSettings Folyamatbeállítások, például ContinueRunOnStepFailure stb. A Bicep esetében az any() függvény használható.

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

Rövid útmutatósablonok

Az alábbi rövid útmutatósablonok üzembe helyezik ezt az erőforrástípust.

Sablon Leírás
Azure Machine Learning AutoML-besorolási feladat létrehozása

Üzembe helyezés az Azure 		Ez a sablon létrehoz egy Azure Machine Learning AutoML-besorolási feladatot, hogy megtudja, mi a legjobb modell annak előrejelzéséhez, hogy az ügyfél előfizet-e egy pénzügyi intézménynél rögzített futamidős betétre.
Azure Machine Learning Command-feladat létrehozása

Üzembe helyezés az Azure 		Ez a sablon létrehoz egy Azure Machine Learning Command-feladatot egy alapszintű hello_world szkripttel
Azure Machine Learning Sweep-feladat létrehozása

Üzembe helyezés az Azure 		Ez a sablon létrehoz egy Azure Machine Learning Sweep-feladatot a hiperparaméterek finomhangolásához.

ARM-sablon erőforrásdefiníciója

A munkaterületek/feladatok erőforrástípusa üzembe helyezhető a célműveletekkel:

Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplócímű témakörben találja.

Erőforrás formátuma

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

{
  "type": "Microsoft.MachineLearningServices/workspaces/jobs",
  "apiVersion": "2024-01-01-preview",
  "name": "string",
  "properties": {
    "componentId": "string",
    "computeId": "string",
    "description": "string",
    "displayName": "string",
    "experimentName": "string",
    "identity": {
      "identityType": "string"
      // For remaining properties, see IdentityConfiguration objects
    },
    "isArchived": "bool",
    "notificationSetting": {
      "emailOn": [ "string" ],
      "emails": [ "string" ],
      "webhooks": {
        "{customized property}": {
          "eventType": "string",
          "webhookType": "string"
          // For remaining properties, see Webhook objects
        }
      }
    },
    "properties": {
      "{customized property}": "string"
    },
    "secretsConfiguration": {
      "{customized property}": {
        "uri": "string",
        "workspaceSecretName": "string"
      }
    },
    "services": {
      "{customized property}": {
        "endpoint": "string",
        "jobServiceType": "string",
        "nodes": {
          "nodesValueType": "string"
          // For remaining properties, see Nodes objects
        },
        "port": "int",
        "properties": {
          "{customized property}": "string"
        }
      }
    },
    "tags": {},
    "jobType": "string"
    // For remaining properties, see JobBaseProperties objects
  }
}

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",
      "pathOnCompute": "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"
  }

FineTuningesetén használja a következőt:

  "jobType": "FineTuning",
  "fineTuningDetails": {
    "model": {
      "description": "string",
      "jobInputType": "string",
      "mode": "string",
      "pathOnCompute": "string",
      "uri": "string"
    },
    "taskType": "string",
    "trainingData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "validationData": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    },
    "modelProvider": "string"
    // For remaining properties, see FineTuningVertical objects
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  }

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",
  "environmentVariables": {
    "{customized property}": "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",
  "componentConfiguration": {
    "pipelineSettings": {}
  },
  "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"
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "locations": [ "string" ],
    "maxInstanceCount": "int",
    "properties": {
      "{customized property}": {}
    },
    "shmSize": "string"
  },
  "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 AzureDevOpsesetén használja a következőt:

  "webhookType": "AzureDevOps"

Csomópontok objektumai

Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.

Az összeshasználja a következőt:

  "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",
  "pathOnCompute": "string",
  "uri": "string"

mlflow_modelesetén használja a következőt:

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

mltableesetén használja a következőt:

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

triton_modelesetén használja a következőt:

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

uri_fileesetén használja a következőt:

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

uri_folderesetén használja a következőt:

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

NCrossValidations objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  "mode": "Auto"

Az egyénihasználja a következőt:

  "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 automatikushasználja a következőt:

  "mode": "Auto"

Az egyénihasználja a következőt:

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

Szezonalitási objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  "mode": "Auto"

Az egyénihasználja a következőt:

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

TargetLags-objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  "mode": "Auto"

Az egyénihasználja a következőt:

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

TargetRollingWindowSize objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  "mode": "Auto"

Az egyénihasználja a következőt:

  "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 TensorFlowesetén használja a következőt:

  "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",
  "pathOnCompute": "string",
  "uri": "string"

A literálisesetében használja a következőt:

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

mlflow_modelesetén használja a következőt:

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

mltableesetén használja a következőt:

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

triton_modelesetén használja a következőt:

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

uri_fileesetén használja a következőt:

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

uri_folderesetén használja a következőt:

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

FineTuningVertical objektumok

Állítsa be a modelProvider tulajdonságot az objektum típusának megadásához.

Az AzureOpenAIesetében használja a következőt:

  "modelProvider": "AzureOpenAI",
  "hyperParameters": {
    "batchSize": "int",
    "learningRateMultiplier": "int",
    "nEpochs": "int"
  }

Az egyénihasználja a következőt:

  "modelProvider": "Custom",
  "hyperParameters": {
    "{customized property}": "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 SparkJobPythonEntryesetében használja a következőt:

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

A SparkJobScalaEntrya következőt használja:

  "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"

Tulajdonságértékek

munkaterületek/feladatok

Név Leírás Érték
típus Az erőforrás típusa "Microsoft.MachineLearningServices/workspaces/jobs"
apiVersion Az erőforrás API-verziója '2024-01-01-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. 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
FineTuning
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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 forrásideje
három 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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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

FineTuningJob

Név Leírás Érték
jobType [Kötelező] A feladat típusát adja meg. "FineTuning" (kötelező)
fineTuningDetails [Kötelező] FineTuningVertical (kötelező)
Kimenetek [Kötelező] FineTuningJobOutputs (kötelező)

FineTuningVertical

Név Leírás Érték
modell [Kötelező] Bemeneti modell a finomhangoláshoz. MLFlowModelJobInput (kötelező)
taskType [Kötelező] A feladattípus finomhangolása. "ChatCompletion"
"ImageClassification"
"ImageInstanceSegmentation"
'ImageObjectDetection'
"QuestionAnswering"
"TextClassification"
"TextCompletion"
"TextSummarization"
"TextTranslation"
"TokenClassification"
"VideoMultiObjectTracking" (kötelező)
trainingData [Kötelező] Betanítási adatok a finomhangoláshoz. JobInput (kötelező)
validationData Érvényesítési adatok a finomhangoláshoz. JobInput
modelProvider Az objektumtípus beállítása AzureOpenAI
egyéni (kötelező)

AzureOpenAiFineTuning

Név Leírás Érték
modelProvider [Kötelező] Szám a finomhangolás típusának meghatározásához. "AzureOpenAI" (kötelező)
hyperParameters HyperParameterek az Azure Open AI-modell finomhangolásához. AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Név Leírás Érték
batchSize Példák száma az egyes kötegekben. A nagyobb kötegméret azt jelenti, hogy a modellparaméterek ritkábban, de alacsonyabb varianciával frissülnek. Int
learningRateMultiplier A tanulási sebesség skálázási tényezője. A kisebb tanulási arány hasznos lehet a túlillesztés elkerülése érdekében. Int
nEpochs A modell betanítása szükséges korszakok száma. A korszak egy teljes ciklusra utal a betanítási adathalmazon keresztül. Int

CustomModelFineTuning

Név Leírás Érték
modelProvider [Kötelező] Szám a finomhangolás típusának meghatározásához. "Egyéni" (kötelező)
hyperParameters HyperParameterek az egyéni modell finomhangolásához. CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Név Leírás Érték
{testreszabott tulajdonság} húr

FineTuningJobOutputs

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"
'FineTuning'
"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
environmentVariables A feladatban szereplő környezeti változók. SparkJobEnvironmentVariables
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_]

SparkJobEnvironmentVariables

Név Leírás Érték
{testreszabott tulajdonság} húr

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)
componentConfiguration Összetevő konfigurációja az összetevő átfésüléséhez ComponentConfiguration
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
Erőforrások Számítási erőforrás konfigurációja a feladathoz. JobResourceConfiguration
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)

ComponentConfiguration

Név Leírás Érték
pipelineSettings Folyamatbeállítások, például ContinueRunOnStepFailure stb.

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

Rövid útmutatósablonok

Az alábbi rövid útmutatósablonok üzembe helyezik ezt az erőforrástípust.

Sablon Leírás
Azure Machine Learning AutoML-besorolási feladat létrehozása

Üzembe helyezés az Azure 		Ez a sablon létrehoz egy Azure Machine Learning AutoML-besorolási feladatot, hogy megtudja, mi a legjobb modell annak előrejelzéséhez, hogy az ügyfél előfizet-e egy pénzügyi intézménynél rögzített futamidős betétre.
Azure Machine Learning Command-feladat létrehozása

Üzembe helyezés az Azure 		Ez a sablon létrehoz egy Azure Machine Learning Command-feladatot egy alapszintű hello_world szkripttel
Azure Machine Learning Sweep-feladat létrehozása

Üzembe helyezés az Azure 		Ez a sablon létrehoz egy Azure Machine Learning Sweep-feladatot a hiperparaméterek finomhangolásához.

Terraform (AzAPI-szolgáltató) erőforrásdefiníciója

A munkaterületek/feladatok erőforrástípusa üzembe helyezhető a célműveletekkel:

  • erőforráscsoportok

Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplócímű témakörben találja.

Erőforrás formátuma

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

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.MachineLearningServices/workspaces/jobs@2024-01-01-preview"
  name = "string"
  parent_id = "string"
  body = jsonencode({
    properties = {
      componentId = "string"
      computeId = "string"
      description = "string"
      displayName = "string"
      experimentName = "string"
      identity = {
        identityType = "string"
        // For remaining properties, see IdentityConfiguration objects
      }
      isArchived = bool
      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
    }
  })
}

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"
      pathOnCompute = "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"
  }

FineTuningesetén használja a következőt:

  jobType = "FineTuning"
  fineTuningDetails = {
    model = {
      description = "string"
      jobInputType = "string"
      mode = "string"
      pathOnCompute = "string"
      uri = "string"
    }
    taskType = "string"
    trainingData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    validationData = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
    modelProvider = "string"
    // For remaining properties, see FineTuningVertical objects
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }

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"
  environmentVariables = {
    {customized property} = "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"
  componentConfiguration = {}
  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
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    locations = [
      "string"
    ]
    maxInstanceCount = int
    properties = {}
    shmSize = "string"
  }
  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 AzureDevOpsesetén használja a következőt:

  webhookType = "AzureDevOps"

Csomópontok objektumai

Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.

Az összeshasználja a következőt:

  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"
  pathOnCompute = "string"
  uri = "string"

mlflow_modelesetén használja a következőt:

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

mltableesetén használja a következőt:

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

triton_modelesetén használja a következőt:

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

uri_fileesetén használja a következőt:

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

uri_folderesetén használja a következőt:

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

NCrossValidations objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode = "Auto"

Az egyénihasználja a következőt:

  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 automatikushasználja a következőt:

  mode = "Auto"

Az egyénihasználja a következőt:

  mode = "Custom"
  value = int

Szezonalitási objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode = "Auto"

Az egyénihasználja a következőt:

  mode = "Custom"
  value = int

TargetLags-objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode = "Auto"

Az egyénihasználja a következőt:

  mode = "Custom"
  values = [
    int
  ]

TargetRollingWindowSize objektumok

Állítsa be a mód tulajdonságot az objektum típusának megadásához.

Az automatikushasználja a következőt:

  mode = "Auto"

Az egyénihasználja a következőt:

  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 TensorFlowesetén használja a következőt:

  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"
  pathOnCompute = "string"
  uri = "string"

A literálisesetében használja a következőt:

  jobInputType = "literal"
  value = "string"

mlflow_modelesetén használja a következőt:

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

mltableesetén használja a következőt:

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

triton_modelesetén használja a következőt:

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

uri_fileesetén használja a következőt:

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

uri_folderesetén használja a következőt:

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

FineTuningVertical objektumok

Állítsa be a modelProvider tulajdonságot az objektum típusának megadásához.

Az AzureOpenAIesetében használja a következőt:

  modelProvider = "AzureOpenAI"
  hyperParameters = {
    batchSize = int
    learningRateMultiplier = int
    nEpochs = int
  }

Az egyénihasználja a következőt:

  modelProvider = "Custom"
  hyperParameters = {
    {customized property} = "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 SparkJobPythonEntryesetében használja a következőt:

  sparkJobEntryType = "SparkJobPythonEntry"
  file = "string"

A SparkJobScalaEntrya következőt használja:

  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

Tulajdonságértékek

munkaterületek/feladatok

Név Leírás Érték
típus Az erőforrás típusa "Microsoft.MachineLearningServices/workspaces/jobs@2024-01-01-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. 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
FineTuning
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Kimeneti eszköz kézbesítési útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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 forrásideje
három 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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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"
pathOnCompute Bemeneti eszköz szállítási útvonala. húr
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

FineTuningJob

Név Leírás Érték
jobType [Kötelező] A feladat típusát adja meg. "FineTuning" (kötelező)
fineTuningDetails [Kötelező] FineTuningVertical (kötelező)
Kimenetek [Kötelező] FineTuningJobOutputs (kötelező)

FineTuningVertical

Név Leírás Érték
modell [Kötelező] Bemeneti modell a finomhangoláshoz. MLFlowModelJobInput (kötelező)
taskType [Kötelező] A feladattípus finomhangolása. "ChatCompletion"
"ImageClassification"
"ImageInstanceSegmentation"
"ImageObjectDetection"
"QuestionAnswering"
"TextClassification"
"TextCompletion"
"TextSummarization"
"TextTranslation"
"TokenClassification"
"VideoMultiObjectTracking" (kötelező)
trainingData [Kötelező] Betanítási adatok a finomhangoláshoz. JobInput (kötelező)
validationData Érvényesítési adatok a finomhangoláshoz. JobInput
modelProvider Az objektumtípus beállítása AzureOpenAI
egyéni (kötelező)

AzureOpenAiFineTuning

Név Leírás Érték
modelProvider [Kötelező] Szám a finomhangolás típusának meghatározásához. "AzureOpenAI" (kötelező)
hyperParameters HyperParameterek az Azure Open AI-modell finomhangolásához. AzureOpenAiHyperParameters

AzureOpenAiHyperParameters

Név Leírás Érték
batchSize Példák száma az egyes kötegekben. A nagyobb kötegméret azt jelenti, hogy a modellparaméterek ritkábban, de alacsonyabb varianciával frissülnek. Int
learningRateMultiplier A tanulási sebesség skálázási tényezője. A kisebb tanulási arány hasznos lehet a túlillesztés elkerülése érdekében. Int
nEpochs A modell betanítása szükséges korszakok száma. A korszak egy teljes ciklusra utal a betanítási adathalmazon keresztül. Int

CustomModelFineTuning

Név Leírás Érték
modelProvider [Kötelező] Szám a finomhangolás típusának meghatározásához. "Egyéni" (kötelező)
hyperParameters HyperParameterek az egyéni modell finomhangolásához. CustomModelFineTuningHyperParameters

CustomModelFineTuningHyperParameters

Név Leírás Érték
{testreszabott tulajdonság} húr

FineTuningJobOutputs

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"
"FineTuning"
"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
environmentVariables A feladatban szereplő környezeti változók. SparkJobEnvironmentVariables
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_]

SparkJobEnvironmentVariables

Név Leírás Érték
{testreszabott tulajdonság} húr

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)
componentConfiguration Összetevő konfigurációja az összetevő átfésüléséhez ComponentConfiguration
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
Erőforrások Számítási erőforrás konfigurációja a feladathoz. JobResourceConfiguration
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)

ComponentConfiguration

Név Leírás Érték
pipelineSettings Folyamatbeállítások, például ContinueRunOnStepFailure stb.

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