Microsoft.MachineLearningServices-munkaterületek/ütemezések
Bicep-erőforrásdefiníció
A munkaterületek/ütemezések erőforrástípusa üzembe helyezhető olyan műveletekkel, amelyek célja:
- Erőforráscsoportok – Lásd : erőforráscsoport üzembehelyezési parancsai
Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplóban találja.
Erőforrás formátuma
Microsoft.MachineLearningServices/workspaces/schedules erőforrás létrehozásához adja hozzá a következő Bicep-et a sablonhoz.
resource symbolicname 'Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01' = {
name: 'string'
parent: resourceSymbolicName
properties: {
action: {
actionType: 'string'
// For remaining properties, see ScheduleActionBase objects
}
description: 'string'
displayName: 'string'
isEnabled: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
trigger: {
endTime: 'string'
startTime: 'string'
timeZone: 'string'
triggerType: 'string'
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objektumok
Állítsa be a actionType tulajdonságot az objektum típusának megadásához.
CreateJob esetén használja a következőt:
actionType: 'CreateJob'
jobDefinition: {
componentId: 'string'
computeId: 'string'
description: 'string'
displayName: 'string'
experimentName: 'string'
identity: {
identityType: 'string'
// For remaining properties, see IdentityConfiguration objects
}
isArchived: bool
properties: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
services: {
{customized property}: {
endpoint: 'string'
jobServiceType: 'string'
nodes: {
nodesValueType: 'string'
// For remaining properties, see Nodes objects
}
port: int
properties: {
{customized property}: 'string'
}
}
}
tags: {
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
{customized property}: 'string'
}
jobType: 'string'
// For remaining properties, see JobBaseProperties objects
}
CreateMonitor esetén használja a következőt:
actionType: 'CreateMonitor'
monitorDefinition: {
alertNotificationSettings: {
emailNotificationSettings: {
emails: [
'string'
]
}
}
computeConfiguration: {
computeType: 'string'
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget: {
deploymentId: 'string'
modelId: 'string'
taskType: 'string'
}
signals: {
{customized property}: {
notificationTypes: 'AmlNotification'
properties: {
{customized property}: 'string'
}
signalType: 'string'
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Az InvokeBatchEndpoint esetében használja a következőt:
actionType: 'InvokeBatchEndpoint'
endpointInvocationDefinition: any()
JobBaseProperties objektumok
Állítsa be a jobType tulajdonságot az objektum típusának megadásához.
AutoML esetén használja a következőt:
jobType: 'AutoML'
environmentId: 'string'
environmentVariables: {
{customized property}: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: 'string'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
taskDetails: {
logVerbosity: 'string'
targetColumnName: 'string'
trainingData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
taskType: 'string'
// For remaining properties, see AutoMLVertical objects
}
A parancshoz használja a következőt:
jobType: 'Command'
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'
}
resources: {
dockerArgs: 'string'
instanceCount: int
instanceType: 'string'
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
A Pipeline esetében használja a következőt:
jobType: 'Pipeline'
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
jobs: {
{customized property}: any()
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
settings: any()
sourceJobId: 'string'
Takarításhoz használja a következőt:
jobType: 'Sweep'
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
limits: {
jobLimitsType: 'string'
maxConcurrentTrials: int
maxTotalTrials: int
timeout: 'string'
trialTimeout: 'string'
}
objective: {
goal: 'string'
primaryMetric: 'string'
}
outputs: {
{customized property}: {
description: 'string'
jobOutputType: 'string'
// For remaining properties, see JobOutput objects
}
}
queueSettings: {
jobTier: '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'
properties: {
{customized property}: any()
{customized property}: any()
}
shmSize: 'string'
}
}
IdentityConfiguration-objektumok
Állítsa be az identityType tulajdonságot az objektum típusának megadásához.
Az AMLToken esetében használja a következőt:
identityType: 'AMLToken'
Felügyelt esetén használja a következőt:
identityType: 'Managed'
clientId: 'string'
objectId: 'string'
resourceId: 'string'
A UserIdentity esetében használja a következőt:
identityType: 'UserIdentity'
Csomópontok objektumai
Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.
Mindenki esetében használja a következőt:
nodesValueType: 'All'
JobOutput-objektumok
Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.
A custom_model használja a következőt:
jobOutputType: 'custom_model'
mode: 'string'
uri: 'string'
A mlflow_model a következőt használja:
jobOutputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Mltable esetén használja a következőt:
jobOutputType: 'mltable'
mode: 'string'
uri: 'string'
A triton_model a következőt használja:
jobOutputType: 'triton_model'
mode: 'string'
uri: 'string'
A uri_file a következőt használja:
jobOutputType: 'uri_file'
mode: 'string'
uri: 'string'
A uri_folder a következőt használja:
jobOutputType: 'uri_folder'
mode: 'string'
uri: 'string'
AutoMLVertical objektumok
Állítsa be a taskType tulajdonságot az objektum típusának megadásához.
Besoroláshoz használja a következőt:
taskType: 'Classification'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
positiveLabel: 'string'
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
Előrejelzéshez használja a következőt:
taskType: 'Forecasting'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
forecastingSettings: {
countryOrRegionForHolidays: 'string'
cvStepSize: int
featureLags: 'string'
forecastHorizon: {
mode: 'string'
// For remaining properties, see ForecastHorizon objects
}
frequency: 'string'
seasonality: {
mode: 'string'
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig: 'string'
targetAggregateFunction: 'string'
targetLags: {
mode: 'string'
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize: {
mode: 'string'
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName: 'string'
timeSeriesIdColumnNames: [
'string'
]
useStl: 'string'
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
ImageClassification esetén használja a következőt:
taskType: 'ImageClassification'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
ImageClassificationMultilabel esetén használja a következőt:
taskType: 'ImageClassificationMultilabel'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
modelName: 'string'
momentum: int
nesterov: bool
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
trainingBatchSize: int
trainingCropSize: int
validationBatchSize: int
validationCropSize: int
validationResizeSize: int
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
weightedLoss: int
}
primaryMetric: 'string'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
modelName: 'string'
momentum: 'string'
nesterov: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
trainingBatchSize: 'string'
trainingCropSize: 'string'
validationBatchSize: 'string'
validationCropSize: 'string'
validationResizeSize: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
weightedLoss: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Az ImageInstanceSegmentation esetében használja a következőt:
taskType: 'ImageInstanceSegmentation'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Az ImageObjectDetection esetében használja a következőt:
taskType: 'ImageObjectDetection'
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
modelSettings: {
advancedSettings: 'string'
amsGradient: bool
augmentations: 'string'
beta1: int
beta2: int
boxDetectionsPerImage: int
boxScoreThreshold: int
checkpointFrequency: int
checkpointModel: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
checkpointRunId: 'string'
distributed: bool
earlyStopping: bool
earlyStoppingDelay: int
earlyStoppingPatience: int
enableOnnxNormalization: bool
evaluationFrequency: int
gradientAccumulationStep: int
imageSize: int
layersToFreeze: int
learningRate: int
learningRateScheduler: 'string'
maxSize: int
minSize: int
modelName: 'string'
modelSize: 'string'
momentum: int
multiScale: bool
nesterov: bool
nmsIouThreshold: int
numberOfEpochs: int
numberOfWorkers: int
optimizer: 'string'
randomSeed: int
stepLRGamma: int
stepLRStepSize: int
tileGridSize: 'string'
tileOverlapRatio: int
tilePredictionsNmsThreshold: int
trainingBatchSize: int
validationBatchSize: int
validationIouThreshold: int
validationMetricType: 'string'
warmupCosineLRCycles: int
warmupCosineLRWarmupEpochs: int
weightDecay: int
}
primaryMetric: 'MeanAveragePrecision'
searchSpace: [
{
amsGradient: 'string'
augmentations: 'string'
beta1: 'string'
beta2: 'string'
boxDetectionsPerImage: 'string'
boxScoreThreshold: 'string'
distributed: 'string'
earlyStopping: 'string'
earlyStoppingDelay: 'string'
earlyStoppingPatience: 'string'
enableOnnxNormalization: 'string'
evaluationFrequency: 'string'
gradientAccumulationStep: 'string'
imageSize: 'string'
layersToFreeze: 'string'
learningRate: 'string'
learningRateScheduler: 'string'
maxSize: 'string'
minSize: 'string'
modelName: 'string'
modelSize: 'string'
momentum: 'string'
multiScale: 'string'
nesterov: 'string'
nmsIouThreshold: 'string'
numberOfEpochs: 'string'
numberOfWorkers: 'string'
optimizer: 'string'
randomSeed: 'string'
stepLRGamma: 'string'
stepLRStepSize: 'string'
tileGridSize: 'string'
tileOverlapRatio: 'string'
tilePredictionsNmsThreshold: 'string'
trainingBatchSize: 'string'
validationBatchSize: 'string'
validationIouThreshold: 'string'
validationMetricType: 'string'
warmupCosineLRCycles: 'string'
warmupCosineLRWarmupEpochs: 'string'
weightDecay: 'string'
}
]
sweepSettings: {
earlyTermination: {
delayEvaluation: int
evaluationInterval: int
policyType: 'string'
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
Regresszió esetén használja a következőt:
taskType: 'Regression'
cvSplitColumnNames: [
'string'
]
featurizationSettings: {
blockedTransformers: [
'string'
]
columnNameAndTypes: {
{customized property}: 'string'
}
datasetLanguage: 'string'
enableDnnFeaturization: bool
mode: 'string'
transformerParams: {
{customized property}: [
{
fields: [
'string'
]
parameters: any()
}
]
}
}
limitSettings: {
enableEarlyTermination: bool
exitScore: int
maxConcurrentTrials: int
maxCoresPerTrial: int
maxTrials: int
timeout: 'string'
trialTimeout: 'string'
}
nCrossValidations: {
mode: 'string'
// For remaining properties, see NCrossValidations objects
}
primaryMetric: 'string'
testData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
testDataSize: int
trainingSettings: {
allowedTrainingAlgorithms: [
'string'
]
blockedTrainingAlgorithms: [
'string'
]
enableDnnTraining: bool
enableModelExplainability: bool
enableOnnxCompatibleModels: bool
enableStackEnsemble: bool
enableVoteEnsemble: bool
ensembleModelDownloadTimeout: 'string'
stackEnsembleSettings: {
stackMetaLearnerKWargs: any()
stackMetaLearnerTrainPercentage: int
stackMetaLearnerType: 'string'
}
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
validationDataSize: int
weightColumnName: 'string'
TextClassification esetén használja a következőt:
taskType: 'TextClassification'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
primaryMetric: 'string'
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
A TextClassificationMultilabel elemhez használja a következőt:
taskType: 'TextClassificationMultilabel'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
TextNER esetén használja a következőt:
taskType: 'TextNER'
featurizationSettings: {
datasetLanguage: 'string'
}
limitSettings: {
maxConcurrentTrials: int
maxTrials: int
timeout: 'string'
}
validationData: {
description: 'string'
jobInputType: 'string'
mode: 'string'
uri: 'string'
}
NCrossValidations objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode: 'Auto'
Egyéni beállítás esetén használja a következőt:
mode: 'Custom'
value: int
ForecastHorizon-objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode: 'Auto'
Egyéni beállítás esetén használja a következőt:
mode: 'Custom'
value: int
Szezonalitási objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode: 'Auto'
Egyéni beállítás esetén használja a következőt:
mode: 'Custom'
value: int
TargetLags-objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode: 'Auto'
Egyéni beállítás esetén használja a következőt:
mode: 'Custom'
values: [
int
]
TargetRollingWindowSize objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode: 'Auto'
Egyéni beállítás esetén használja a következőt:
mode: 'Custom'
value: int
EarlyTerminationPolicy objektumok
Állítsa be a policyType tulajdonságot az objektum típusának megadásához.
Bandit esetén használja a következőt:
policyType: 'Bandit'
slackAmount: int
slackFactor: int
MediánStopping esetén használja a következőt:
policyType: 'MedianStopping'
A CsonkolásSelection esetében használja a következőt:
policyType: 'TruncationSelection'
truncationPercentage: int
DistributionConfiguration-objektumok
Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.
Mpi esetén használja a következőt:
distributionType: 'Mpi'
processCountPerInstance: int
PyTorch esetén használja a következőt:
distributionType: 'PyTorch'
processCountPerInstance: int
A TensorFlow esetében használja a következőt:
distributionType: 'TensorFlow'
parameterServerCount: int
workerCount: int
JobInput-objektumok
Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.
A custom_model használja a következőt:
jobInputType: 'custom_model'
mode: 'string'
uri: 'string'
A literálhoz használja a következőt:
jobInputType: 'literal'
value: 'string'
A mlflow_model a következőt használja:
jobInputType: 'mlflow_model'
mode: 'string'
uri: 'string'
Mltable esetén használja a következőt:
jobInputType: 'mltable'
mode: 'string'
uri: 'string'
A triton_model a következőt használja:
jobInputType: 'triton_model'
mode: 'string'
uri: 'string'
A uri_file a következőt használja:
jobInputType: 'uri_file'
mode: 'string'
uri: 'string'
A uri_folder a következőt használja:
jobInputType: 'uri_folder'
mode: 'string'
uri: 'string'
SamplingAlgorithm objektumok
Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.
Bayesian esetén használja a következőt:
samplingAlgorithmType: 'Bayesian'
A Grid esetében használja a következőt:
samplingAlgorithmType: 'Grid'
Véletlenszerűen használja a következőt:
samplingAlgorithmType: 'Random'
rule: 'string'
seed: int
MonitorComputeConfigurationBase-objektumok
Állítsa be a computeType tulajdonságot az objektum típusának megadásához.
A ServerlessSpark esetében használja a következőt:
computeType: 'ServerlessSpark'
computeIdentity: {
computeIdentityType: 'string'
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType: 'string'
runtimeVersion: 'string'
MonitorComputeIdentityBase-objektumok
Állítsa be a computeIdentityType tulajdonságot az objektum típusának megadásához.
Az AmlToken esetében használja a következőt:
computeIdentityType: 'AmlToken'
A ManagedIdentity esetében használja a következőt:
computeIdentityType: 'ManagedIdentity'
identity: {
type: 'string'
userAssignedIdentities: {
{customized property}: {}
}
}
MonitoringSignalBase-objektumok
Állítsa be a signalType tulajdonságot az objektum típusának megadásához.
Egyéni esetén használja a következőt:
signalType: 'Custom'
componentId: 'string'
inputAssets: {
{customized property}: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs: {
{customized property}: {
description: 'string'
jobInputType: 'string'
// For remaining properties, see JobInput objects
}
}
metricThresholds: [
{
metric: 'string'
threshold: {
value: int
}
}
]
A DataDrift esetében használja a következőt:
signalType: 'DataDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
A DataQuality esetében használja a következőt:
signalType: 'DataQuality'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
features: {
filterType: 'string'
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
A FeatureAttributionDrift esetében használja a következőt:
signalType: 'FeatureAttributionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
featureImportanceSettings: {
mode: 'string'
targetColumn: 'string'
}
metricThreshold: {
metric: 'NormalizedDiscountedCumulativeGain'
threshold: {
value: int
}
}
productionData: [
{
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
A PredictionDrift esetében használja a következőt:
signalType: 'PredictionDrift'
featureDataTypeOverride: {
{customized property}: 'string'
}
metricThresholds: [
{
threshold: {
value: int
}
dataType: 'string'
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData: {
columns: {
{customized property}: 'string'
}
dataContext: 'string'
jobInputType: 'string'
uri: 'string'
inputDataType: 'string'
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objektumok
Állítsa be az inputDataType tulajdonságot az objektum típusának megadásához.
A Javítva esetén használja a következőt:
inputDataType: 'Fixed'
Gördülő esetén használja a következőt:
inputDataType: 'Rolling'
preprocessingComponentId: 'string'
windowOffset: 'string'
windowSize: 'string'
Statikus esetén használja a következőt:
inputDataType: 'Static'
preprocessingComponentId: 'string'
windowEnd: 'string'
windowStart: 'string'
MonitoringFeatureFilterBase-objektumok
Állítsa be a filterType tulajdonságot az objektum típusának megadásához.
Az AllFeatures esetében használja a következőt:
filterType: 'AllFeatures'
A FeatureSubset esetében használja a következőt:
filterType: 'FeatureSubset'
features: [
'string'
]
TopNByAttribution esetén használja a következőt:
filterType: 'TopNByAttribution'
top: int
DataDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
dataType: 'Categorical'
metric: 'string'
Numerikus esetén használja a következőt:
dataType: 'Numerical'
metric: 'string'
DataQualityMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
dataType: 'Categorical'
metric: 'string'
Numerikus esetén használja a következőt:
dataType: 'Numerical'
metric: 'string'
PredictionDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
dataType: 'Categorical'
metric: 'string'
Numerikus esetén használja a következőt:
dataType: 'Numerical'
metric: 'string'
TriggerBase-objektumok
Állítsa be a triggerType tulajdonságot az objektum típusának megadásához.
Cron esetén használja a következőt:
triggerType: 'Cron'
expression: 'string'
Ismétlődés esetén használja a következőt:
triggerType: 'Recurrence'
frequency: 'string'
interval: int
schedule: {
hours: [
int
]
minutes: [
int
]
monthDays: [
int
]
weekDays: [
'string'
]
}
Tulajdonságértékek
munkaterületek/ütemezések
Név | Leírás | Érték |
---|---|---|
name | Az erőforrás neve Megtudhatja, hogyan állíthatja be a gyermekerőforrások nevét és típusát a Bicepben. |
sztring (kötelező) |
Szülő | A Bicepben megadhatja egy gyermekerőforrás szülőerőforrását. Ezt a tulajdonságot csak akkor kell hozzáadnia, ha a gyermekerőforrás a szülőerőforráson kívül van deklarálva. További információ: Gyermekerőforrás a szülőerőforráson kívül. |
Szimbolikus név típusú erőforráshoz: munkaterületek |
properties | [Kötelező] Az entitás további attribútumai. | ScheduleProperties (kötelező) |
ScheduleProperties
Név | Leírás | Érték |
---|---|---|
action | [Kötelező] Az ütemezés műveletét adja meg | ScheduleActionBase (kötelező) |
leírás | Az objektum leírásának szövege. | sztring |
displayName | Az ütemezés megjelenítendő neve. | sztring |
isEnabled | Engedélyezve van az ütemezés? | logikai |
properties | Az eszköztulajdonság szótára. | ResourceBaseProperties |
tags | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | object |
Ravaszt | [Kötelező] Az eseményindító részleteinek megadása | TriggerBase (kötelező) |
ScheduleActionBase
Név | Leírás | Érték |
---|---|---|
actionType | Az objektum típusának beállítása | CreateJob CreateMonitor InvokeBatchEndpoint (kötelező) |
JobScheduleAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateJob" (kötelező) |
jobDefinition | [Kötelező] Meghatározza az Ütemezési művelet definíciójának részleteit. | JobBaseProperties (kötelező) |
JobBaseProperties
Név | Leírás | Érték |
---|---|---|
componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | sztring |
computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | sztring |
leírás | Az eszköz leírásának szövege. | sztring |
displayName | A feladat nevének megjelenítése. | sztring |
experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | sztring |
identity | Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null. |
IdentityConfiguration |
isArchived | Archiválva van az eszköz? | logikai |
properties | Az eszköztulajdonság szótára. | ResourceBaseProperties |
services | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz. |
JobBaseServices |
tags | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | object |
jobType | Az objektumtípus beállítása | AutoML Parancs Folyamat Takarítás (kötelező) |
IdentityConfiguration
Név | Leírás | Érték |
---|---|---|
identityType | Az objektumtípus beállítása | AMLToken Felügyelt UserIdentity (kötelező) |
AmlToken
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "AMLToken" (kötelező) |
Felügyelt identitás
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "Felügyelt" (kötelező) |
ügyfél-azonosító | Felhasználó által hozzárendelt identitást ad meg ügyfélazonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt. | sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Felhasználó által hozzárendelt identitást ad meg objektumazonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt. | sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt. | sztring |
Felhasználói azonosító
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "UserIdentity" (kötelező) |
ResourceBaseProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring |
JobBaseServices
Név | Leírás | Érték |
---|---|---|
{customized property} | JobService |
JobService
Név | Leírás | Érték |
---|---|---|
endpoint | Végpont URL-címe. | sztring |
jobServiceType | Végpont típusa. | sztring |
Csomópontok | Csomópontok, amelyeken a felhasználó el szeretné indítani a szolgáltatást. Ha a Csomópontok nincs beállítva vagy null értékűre van állítva, a szolgáltatás csak a vezető csomóponton indul el. |
Csomópontok |
port | Végpont portja. | int |
properties | A végponton beállítandó további tulajdonságok. | JobServiceProperties |
Csomópontok
Név | Leírás | Érték |
---|---|---|
nodesValueType | Az objektum típusának beállítása | Minden (kötelező) |
Minden csomópont
Név | Leírás | Érték |
---|---|---|
nodesValueType | [Kötelező] A Csomópontok érték típusa | "Minden" (kötelező) |
JobServiceProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
AutoMLJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "AutoML" (kötelező) |
environmentId | A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az Éles autoML válogatott környezeti verzióra adja meg a feladat futtatásakor. |
sztring |
environmentVariables | A feladatban szereplő környezeti változók. | AutoMLJobEnvironmentVariables |
Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | AutoMLJobOutputs |
queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
resources | Számítási erőforrás konfigurálása a feladathoz. | JobResourceConfiguration |
taskDetails | [Kötelező] Ez olyan forgatókönyvet jelöl, amely lehet egy tábla/NLP/Kép | AutoMLVertical (kötelező) |
AutoMLJobEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
AutoMLJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
JobOutput
Név | Leírás | Érték |
---|---|---|
leírás | A kimenet leírása. | sztring |
jobOutputType | Az objektumtípus beállítása | custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
MLFlowModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "mlflow_model" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
MLTableJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "mltable" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
TritonModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "triton_model" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
UriFileJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "uri_file" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
UriFolderJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "uri_folder" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
QueueSettings
Név | Leírás | Érték |
---|---|---|
jobTier | A számítási feladat szintjét szabályozza | "Alapszintű" "Null" "Prémium" "Kihasználatlan" "Standard" |
JobResourceConfiguration
Név | Leírás | Érték |
---|---|---|
dockerArgs | További argumentumok a Docker-futtatási parancsnak való továbbításhoz. Ez felülbírálná a rendszer által vagy ebben a szakaszban már beállított paramétereket. Ez a paraméter csak az Azure ML számítási típusok esetében támogatott. | sztring |
instanceCount | A számítási cél által használt példányok vagy csomópontok opcionális száma. | int |
instanceType | A számítási cél által támogatott virtuális gép választható típusa. | sztring |
properties | További tulajdonságok táska. | ResourceConfigurationProperties |
shmSize | A Docker-tároló megosztott memóriablokkjának mérete. Ennek (szám)(egység) formátumban kell lennie, ahol a szám 0-nál nagyobb, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt). | sztring Korlátok: Minta = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | A Bicep esetében használhatja az any() függvényt. | |
{customized property} | A Bicep esetében használhatja az any() függvényt. |
AutoMLVertical
Név | Leírás | Érték |
---|---|---|
logVerbosity | A feladat részletességének naplózása. | "Kritikus" Hibakeresés "Hiba" "Információ" "NotSet" "Figyelmeztetés" |
targetColumnName | Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában. |
sztring |
trainingData | [Kötelező] Betanítási adatbevitel. | MLTableJobInput (kötelező) |
taskType | Az objektum típusának beállítása | Besorolás Előrejelzések ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresszió TextClassification TextClassificationMultilabel TextNER (kötelező) |
MLTableJobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Besorolás
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Besorolás" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
positiveLabel | Pozitív címke a bináris metrikák számításához. | sztring |
primaryMetric | A tevékenység elsődleges metrikája. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | ClassificationTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak. | sztring |
TableVerticalFeaturizationSettings
Név | Leírás | Érték |
---|---|---|
blockedTransformers | Ezek a transzformátorok nem használhatók a featurizáláshoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: CatTargetEncoder "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
columnNameAndTypes | Az oszlop nevének és típusának szótára (int, float, string, datetime stb.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Adathalmaz nyelve, amely a szöveges adatokhoz használható. | sztring |
enableDnnFeaturization | Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához. | logikai |
mód | Featurizációs mód – A felhasználó megtarthatja az alapértelmezett "Automatikus" módot, és az AutoML gondoskodik az adatok megfelelő átalakításáról a featurizációs fázisban. Ha a "Ki" beállítás van kiválasztva, akkor nem történik featurizáció. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a rendszerezés módjának testreszabásához. |
"Automatikus" "Egyéni" "Kikapcsolva" |
transformerParams | A felhasználó megadhat további használandó transzformátorokat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint a transzformátor konstruktor paramétereit. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
TableVerticalFeaturizationSettingsTransformerParams
Név | Leírás | Érték |
---|---|---|
{customized property} | ColumnTransformer[] |
ColumnTransformer
Név | Leírás | Érték |
---|---|---|
fields | A transzformátorlogika alkalmazásához használandó mezők. | sztring[] |
parameters | A transzformátornak átadandó különböző tulajdonságok. A várt bemenet a kulcs-érték párok szótára JSON formátumban. |
A Bicep esetében használhatja az any() függvényt. |
TableVerticalLimitSettings
Név | Leírás | Érték |
---|---|---|
enableEarlyTermination | Engedélyezi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám. | logikai |
exitScore | Az AutoML-feladat kilépési pontszáma. | int |
maxConcurrentTrials | Egyidejű iterációk maximális száma. | int |
maxCoresPerTrial | Maximális magok iterációnként. | int |
maxTrials | Iterációk száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
trialTimeout | Iterációs időtúllépés. | sztring |
NCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoNCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Mód az N-Kereszt érvényesítések meghatározásához. | "Automatikus" (kötelező) |
CustomNCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Mód az N-Kereszt érvényesítések meghatározásához. | "Egyéni" (kötelező) |
érték | [Kötelező] N-Cross validations érték. | int (kötelező) |
ClassificationTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A besorolási feladathoz engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
blockedTrainingAlgorithms | Letiltott modellek besorolási feladathoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | logikai |
enableModelExplainability | Jelző a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az Onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | Stack-együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
StackEnsembleSettings
Név | Leírás | Érték |
---|---|---|
stackMetaLearnerKWargs | A metatanuló inicializálójának nem kötelező paraméterek megadása. | A Bicep esetében használhatja az any() függvényt. |
stackMetaLearnerTrainPercentage | Meghatározza a betanítási készlet 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" |
Előrejelzések
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Előrejelzés" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
forecastingSettings | Tevékenységspecifikus bemenetek előrejelzése. | Előrejelzésbeállítások |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
primaryMetric | Elsődleges metrika az előrejelzési tevékenységhez. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | ForecastingTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A minta súlyozási oszlopának neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorainak súlyozását okozza. | sztring |
Előrejelzésbeállítások
Név | Leírás | Érték |
---|---|---|
countryOrRegionForHolidays | Az ünnepnapok országa vagy régiója az előrejelzési feladatokhoz. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB". |
sztring |
cvStepSize | Az egyik CV-hajtás forrásideje és a következő hajtás közötti időszakok száma. A következőhöz:CVStepSize ha például = 3 a napi adatok esetében, az egyes hajtások forrásidejehárom nap különbséggel. |
int |
featureLags | Az "auto" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző. | "Automatikus" "Nincs" |
forecastHorizon | A kívánt maximális előrejelzési horizont idősorozat-gyakoriság egységekben. | Előrejelzéshorizon |
frequency | Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést szeretné elérni, például naponta, hetente, évente stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. | sztring |
Szezonalitás | Állítsa be az idősor szezonalitását az adatsor gyakoriságának egész szám többszöröseként. Ha a szezonalitás "auto" értékre van állítva, akkor a rendszer arra következtet. |
Szezonalitás |
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 értéke nem "Nincs", de a freq paraméter nincs beállítva, a hiba keletkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean". |
"Max" "Középérték" "Min" "Nincs" "Összeg" |
targetLags | A céloszloptól eltúlzott időszakok száma. | TargetLags |
targetRollingWindowSize | A céloszlop gördülőablak-átlagának létrehozásához használt múltbeli időszakok száma. | TargetRollingWindowSize |
timeColumnName | Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok datetime oszlopának megadásához. | sztring |
timeSeriesIdColumnNames | Az idősorok csoportosításához használt oszlopok neve. Több adatsor létrehozására is használható. Ha a gabona nincs definiálva, a rendszer azt feltételezi, hogy az adathalmaz egy idősor. Ezt a paramétert a tevékenységtípus-előrejelzéshez használjuk. |
sztring[] |
useStl | Konfigurálja az idősor céloszlopának STL-felbontását. | "Nincs" "Szezon" "SeasonTrend" |
Előrejelzéshorizon
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoForecastHorizon
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Előrejelzési horizont értékválasztási módjának beállítása. | "Automatikus" (kötelező) |
CustomForecastHorizon
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Előrejelzési horizont értékválasztási módjának beállítása. | "Egyéni" (kötelező) |
érték | [Kötelező] Előrejelzési horizont értéke. | int (kötelező) |
Szezonalitás
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoSeasonality
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Szezonalitás mód. | "Automatikus" (kötelező) |
CustomSeasonality
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Szezonalitás mód. | "Egyéni" (kötelező) |
érték | [Kötelező] Szezonalitás értéke. | int (kötelező) |
TargetLags
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoTargetLags
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Cél késési mód beállítása – Automatikus/egyéni | "Automatikus" (kötelező) |
CustomTargetLags
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Cél késési mód beállítása – Automatikus/egyéni | "Egyéni" (kötelező) |
values | [Kötelező] Állítsa be a cél késési értékeit. | int[] (kötelező) |
TargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoTargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Automatikus" (kötelező) |
CustomTargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Egyéni" (kötelező) |
érték | [Kötelező] TargetRollingWindowSize érték. | int (kötelező) |
ForecastingTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A tevékenységek előrejelzéséhez engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" 'SGD' "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedTrainingAlgorithms | Letiltott modellek az előrejelzési feladathoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" 'SGD' "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | logikai |
enableModelExplainability | Jelző a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az Onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | Stack-együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
ImageClassification
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageClassification" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsClassification |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageLimitSettings
Név | Leírás | Érték |
---|---|---|
maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | int |
maxTrials | AutoML-iterációk maximális száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
ImageModelSettingsClassification
Név | Leírás | Érték |
---|---|---|
advancedSettings | Speciális forgatókönyvek beállításai. | sztring |
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | logikai |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
checkpointFrequency | Modell ellenőrzőpontok tárolásának gyakorisága. Pozitív egész számnak kell lennie. | int |
checkpointModel | Az előre betanított ellenőrzőpont-modell növekményes betanításhoz. | MLFlowModelJobInput |
checkpointRunId | Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | sztring |
Elosztott | Elosztott betanítás használata. | logikai |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | logikai |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
int |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
int |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | logikai |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | int |
gradientAccumulationStep | A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
int |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
learningRateScheduler | A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
Modelname | A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | logikai |
numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | int |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | int |
Optimalizáló | Az optimalizáló típusa. | "Ádám" "Adamw" "Nincs" 'Sgd' |
randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű mag. | int |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | int |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | int |
trainingCropSize | A 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 | Kép körülvágási mérete, amely az érvényesítési adatkészlet neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | int |
validationResizeSize | Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | int |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
warmupCosineLRWarmupEpochs | A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | int |
weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1]. | int |
súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek a súlyozott veszteség nélküli 0 értékek. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie. |
int |
MLFlowModelJobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
Név | Leírás | Érték |
---|---|---|
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | sztring |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
Elosztott | Az elosztott betanítás használata. | sztring |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | sztring |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
sztring |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
sztring |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | sztring |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | sztring |
gradientAccumulationStep | A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
sztring |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
learningRateScheduler | A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet. | sztring |
Modelname | A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | sztring |
numberOfEpochs | A betanítási korszakok száma. Pozitív egész számnak kell lennie. | sztring |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | sztring |
Optimalizáló | Az optimalizáló típusa. Vagy "sgd", "adam", vagy "adamw" kell lennie. | sztring |
randomSeed | Determinisztikus betanítás használatakor használandó véletlenszerű mag. | sztring |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | sztring |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | sztring |
trainingCropSize | A kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | sztring |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationCropSize | Kép körülvágási mérete, amely az érvényesítési adatkészlet neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | sztring |
validationResizeSize | Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | sztring |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
warmupCosineLRWarmupEpochs | A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | sztring |
weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1]. | sztring |
súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek a súlyozott veszteség nélküli 0 értékek. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie. |
sztring |
ImageSweepSettings
Név | Leírás | Érték |
---|---|---|
earlyTermination | A korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
samplingAlgorithm | [Kötelező] A hiperparaméteres mintavételezési algoritmusok típusa. | "Bayesian" "Rács" "Véletlenszerű" (kötelező) |
EarlyTerminationPolicy
Név | Leírás | Érték |
---|---|---|
delayEvaluation | Az első kiértékelés késleltetéséhez tartozó intervallumok száma. | int |
evaluationInterval | A szabályzatértékelések közötti intervallum (futtatások száma). | int |
policyType | Az objektumtípus beállítása | Bandit MediánStopping CsonkolásSelection (kötelező) |
BanditPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "Bandit" (kötelező) |
slackAmount | A legjobban teljesítő futtatástól megengedett abszolút távolság. | int |
slackFactor | Az engedélyezett távolság aránya a legjobban teljesítő futtatástól. | int |
MediánStoppingPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "MediánStopping" (kötelező) |
CsonkolásSelectionPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "CsonkolásSelection" (kötelező) |
csonkolásPercentage | Az egyes kiértékelési időközökben megszakítandó futtatások százalékos aránya. | int |
ImageClassificationMultilabel
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageClassificationMultilabel" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsClassification |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageInstanceSegmentation
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageInstanceSegmentation" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsObjectDetection |
primaryMetric | A feladathoz optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageModelSettingsObjectDetection
Név | Leírás | Érték |
---|---|---|
advancedSettings | Speciális forgatókönyvek beállításai. | sztring |
amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | logikai |
bővítés | A bővítések használatának beállításai. | sztring |
béta1 | A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
béta2 | A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
boxDetectionsPerImage | Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. |
int |
checkpointFrequency | A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie. | int |
checkpointModel | Az előre betanított ellenőrzőpont-modell növekményes betanításhoz. | MLFlowModelJobInput |
checkpointRunId | Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | sztring |
Elosztott | Elosztott betanítás használata. | logikai |
earlyStopping | Korai leállítási logika engedélyezése a betanítás során. | logikai |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie. |
int |
earlyStoppingPatience | Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
int |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | logikai |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie. | int |
gradientAccumulationStep | A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
int |
imageSize | Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
int |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
modelSize | Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
"ExtraLarge" "Nagy" "Közepes" "Nincs" "Kicsi" |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
több skálázás | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
logikai |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | logikai |
nmsIouThreshold | Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | int |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | int |
Optimalizáló | Az optimalizáló típusa. | "Ádám" 'Adamw' "Nincs" 'Sgd' |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | int |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | int |
tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tileOverlapRatio | Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | int |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | int |
validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | int |
validationMetricType | Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. | "Coco" "CocoVoc" "Nincs" "Voc" |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | int |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
ImageModelDistributionSettingsObjectDetection
Név | Leírás | Érték |
---|---|---|
amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | sztring |
bővítés | A bővítések használatának beállításai. | sztring |
béta1 | A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
béta2 | A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
boxDetectionsPerImage | Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. |
sztring |
Elosztott | Az elosztott betanítás használata. | sztring |
earlyStopping | Korai leállítási logika engedélyezése a betanítás során. | sztring |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie. |
sztring |
earlyStoppingPatience | Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
sztring |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | sztring |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie. | sztring |
gradientAccumulationStep | A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
sztring |
imageSize | Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | sztring |
maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
modelSize | Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
több skálázás | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | sztring |
nmsIouThreshold | Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | sztring |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | sztring |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | sztring |
Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | sztring |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | sztring |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | sztring |
tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tileOverlapRatio | Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális elnyomás |
sztring |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | sztring |
validationMetricType | Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. A "none", a "coco", a "voc" vagy a "coco_voc" értéknek kell lennie. | sztring |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | sztring |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
ImageObjectDetection
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | 'ImageObjectDetection' (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsObjectDetection |
primaryMetric | A feladathoz optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
Regresszió
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Regresszió" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
primaryMetric | A regressziós feladat elsődleges metrikája. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | RegresszióTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak. | sztring |
RegresszióTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A regressziós feladat engedélyezett modelljei. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor" |
blockedTrainingAlgorithms | A regressziós feladat blokkolt modelljei. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" 'SGD' "XGBoostRegressor" |
enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | logikai |
enableModelExplainability | Jelző a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az Onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | Stack-együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
TextClassification
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassification" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | NlpVerticalLimitSettings |
primaryMetric | Elsődleges metrika Text-Classification tevékenységhez. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Név | Leírás | Érték |
---|---|---|
datasetLanguage | Adatkészlet nyelve, amely hasznos a szöveges adatokhoz. | sztring |
NlpVerticalLimitSettings
Név | Leírás | Érték |
---|---|---|
maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | int |
maxTrials | AutoML-iterációk száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
TextClassificationMultilabel
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassificationMultilabel" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | NlpVerticalLimitSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
TextNer
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextNER" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | NlpVerticalLimitSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
CommandJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Parancs" (kötelező) |
codeId | A kódeszköz ARM-erőforrás-azonosítója. | sztring |
command | [Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Eloszlás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie. | DistributionConfiguration |
environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: 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 |
resources | Számítási erőforrás konfigurálása a feladathoz. | JobResourceConfiguration |
DistributionConfiguration
Név | Leírás | Érték |
---|---|---|
distributionType | Az objektumtípus beállítása | Mpi PyTorch TensorFlow (kötelező) |
Mpi
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "Mpi" (kötelező) |
processCountPerInstance | Folyamatok száma MPI-csomópontonként. | int |
PyTorch
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "PyTorch" (kötelező) |
processCountPerInstance | Folyamatok száma csomópontonként. | int |
TensorFlow
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "TensorFlow" (kötelező) |
parameterServerCount | A paraméterkiszolgálói feladatok száma. | int |
workerCount | Feldolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz. | int |
CommandJobEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CommandJobInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
JobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | Az objektum típusának beállítása | custom_model Szó mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti adategység URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
LiteralJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "literál" (kötelező) |
érték | [Kötelező] A bemenet literálértéke. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
TritonModelJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "triton_model" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFileJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "uri_file" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFolderJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
CommandJobLimits
Név | Leírás | Érték |
---|---|---|
jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
timeout | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc. | sztring |
CommandJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
PipelineJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Folyamat" (kötelező) |
Bemenetek | A folyamatfeladat bemenetei. | PipelineJobInputs |
Munkahelyek | A feladatok létrehoznak egy folyamatfeladatot. | PipelineJobJobs |
Kimenetek | A folyamatfeladat kimenetei | PipelineJobOutputs |
beállítások | Folyamatbeállítások, például ContinueRunOnStepFailure stb. | A Bicep esetében használhatja az any() függvényt. |
sourceJobId | A forrásfeladat ARM-erőforrás-azonosítója. | sztring |
PipelineJobInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
PipelineJobJobs
Név | Leírás | Érték |
---|---|---|
{customized property} | A Bicep esetében használhatja az any() függvényt. |
PipelineJobOutputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobOutput |
Takarítási feladat
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Takarítás" (kötelező) |
earlyTermination | A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének | EarlyTerminationPolicy |
Bemenetek | A feladatban használt bemeneti adatkötések leképezése. | SweepJobInputs |
Határok | Takarítási feladatok korlátja. | SweepJobLimits |
Célkitűzés | [Kötelező] Optimalizálási célkitűzés. | Célkitűzés (kötelező) |
Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | SweepJobOutputs |
queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
samplingAlgorithm | [Kötelező] A hiperparaméter-mintavételezési algoritmus | SamplingAlgorithm (kötelező) |
searchSpace | [Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve | A Bicep esetében használhatja az any() függvényt. (kötelező) |
trial | [Kötelező] Próbaverziós összetevő definíciója. | TrialComponent (kötelező) |
SweepJobInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
SweepJobLimits
Név | Leírás | Érték |
---|---|---|
jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
maxConcurrentTrials | Takarítási feladat maximális egyidejű próbaverziói. | int |
maxTotalTrials | Takarítási feladat maximális teljes próbaverziója. | int |
timeout | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak a másodperc pontosságú időtartamot támogatja. | sztring |
trialTimeout | Takarítási feladat próbaverziója időtúllépési értéke. | sztring |
Cél
Név | Leírás | Érték |
---|---|---|
goal | [Kötelező] A hiperparaméterek finomhangolásához támogatott metrikacélok meghatározása | "Teljes méret" "Kis méret" (kötelező) |
primaryMetric | [Kötelező] Az optimalizálni kívánt metrika neve. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SweepJobOutputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobOutput |
SamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | Az objektum típusának beállítása | Bayes Rács Véletlenszerű (kötelező) |
BayesianSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Bayesian" (kötelező) |
GridSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Rács" (kötelező) |
RandomSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Véletlenszerű" (kötelező) |
Szabály | A véletlenszerű algoritmus adott típusa | "Véletlenszerű" "Sobol" |
Vetőmag | Egy nem kötelező egész szám, amelyet véletlenszerű számgeneráláshoz használnak magként | int |
TrialComponent
Név | Leírás | Érték |
---|---|---|
codeId | A kódobjektum ARM-erőforrás-azonosítója. | sztring |
command | [Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Eloszlás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értéknek kell lennie. | DistributionConfiguration |
environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
environmentVariables | A feladatban szereplő környezeti változók. | TrialComponentEnvironmentVariables |
resources | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CreateMonitorAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Meghatározza az ütemezés művelettípusát | "CreateMonitor" (kötelező) |
monitorDefinition | [Kötelező] Meghatározza a figyelőt. | MonitorDefinition (kötelező) |
MonitorDefinition
Név | Leírás | Érték |
---|---|---|
alertNotificationSettings | A figyelő értesítési beállításai. | MonitorNotificationSettings |
computeConfiguration | [Kötelező] A monitorozási feladat futtatásához a számítási erőforrás ARM-erőforrás-azonosítója. | MonitorComputeConfigurationBase (kötelező) |
monitoringTarget | A figyelő által megcélzott entitások. | MonitoringTarget |
Jelek | [Kötelező] A figyelendő jelek. | MonitorDefinitionSignals (kötelező) |
MonitorNotificationSettings
Név | Leírás | Érték |
---|---|---|
emailNotificationSettings | Az AML értesítési e-mail beállításai. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
Név | Leírás | Érték |
---|---|---|
Az e-mail címzettjeinek listája, amely összesen 499 karakteres korlátozással rendelkezik. | sztring[] |
MonitorComputeConfigurationBase
Név | Leírás | Érték |
---|---|---|
computeType | Az objektum típusának beállítása | Kiszolgáló nélküliSpark (kötelező) |
MonitorServerlessSparkCompute
Név | Leírás | Érték |
---|---|---|
computeType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "ServerlessSpark" (kötelező) |
computeIdentity | [Kötelező] A kiszolgáló nélküli Sparkon futó Spark-feladatok által kihasznált identitásséma. | MonitorComputeIdentityBase (kötelező) |
instanceType | [Kötelező] A Spark-feladatot futtató példánytípus. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
runtimeVersion | [Kötelező] A Spark-futtatókörnyezet verziója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = ^[0-9]+\.[0-9]+$ |
MonitorComputeIdentityBase
Név | Leírás | Érték |
---|---|---|
computeIdentityType | Az objektum típusának beállítása | AmlToken ManagedIdentity (kötelező) |
AmlTokenComputeIdentity
Név | Leírás | Érték |
---|---|---|
computeIdentityType | [Kötelező] Meghatározza a monitorozási feladatokban használandó identitás típusát. | "AmlToken" (kötelező) |
ManagedComputeIdentity
Név | Leírás | Érték |
---|---|---|
computeIdentityType | [Kötelező] Meghatározza a monitorozási feladatokban használandó identitás típusát. | "ManagedIdentity" (kötelező) |
identity | A monitorozási feladatok által hasznosított identitás. | ManagedServiceIdentity |
ManagedServiceIdentity
Név | Leírás | Érték |
---|---|---|
típus | A felügyeltszolgáltatás-identitás típusa (ahol a SystemAssigned és a UserAssigned típus egyaránt engedélyezett). | "Nincs" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (kötelező) |
userAssignedIdentities | Az erőforráshoz társított felhasználó által hozzárendelt identitások halmaza. A userAssignedIdentities szótárkulcsok ARM-erőforrás-azonosítók lesznek a következő formában: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótárértékek üres objektumok ({}) lehetnek a kérésekben. | UserAssignedIdentities |
UserAssignedIdentities
Név | Leírás | Érték |
---|---|---|
{customized property} | UserAssignedIdentity |
UserAssignedIdentity
Ez az objektum nem tartalmaz az üzembe helyezés során beállítandó tulajdonságokat. Minden tulajdonság readOnly.
MonitoringTarget
Név | Leírás | Érték |
---|---|---|
deploymentId | Hivatkozás a figyelő által megcélzott üzembehelyezési objektumra. | sztring |
modelId | Hivatkozás a figyelő által megcélzott modellobjektumra. | sztring |
taskType | [Kötelező] A monitorozott modell gépi tanulási feladattípusa. | "Besorolás" "Regresszió" (kötelező) |
MonitorDefinitionSignals
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | MonitoringSignalBase |
MonitoringSignalBase
Név | Leírás | Érték |
---|---|---|
notificationTypes | A jel aktuális értesítési módja. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "AmlNotification" |
properties | Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók. | MonitoringSignalBaseProperties |
signalType | Az objektumtípus beállítása | Egyéni DataDrift DataQuality FeatureAttributionDrift PredictionDrift (kötelező) |
MonitoringSignalBaseProperties
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
CustomMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "Egyéni" (kötelező) |
componentId | [Kötelező] Hivatkozás az egyéni metrikák kiszámításához használt összetevő-objektumra. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
inputAssets | Adategységek figyelése bemenetként. A kulcs az összetevő bemeneti portjának neve, az érték pedig az adategység. | CustomMonitoringSignalInputAssets |
Bemenetek | További összetevőparaméterek bemenetként. A kulcs az összetevő literál bemeneti portjának neve, az érték pedig a paraméter értéke. | CustomMonitoringSignalInputs |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | CustomMetricThreshold[] (kötelező) |
CustomMonitoringSignalInputAssets
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | MonitoringInputDataBase |
MonitoringInputDataBase
Név | Leírás | Érték |
---|---|---|
oszlopok | Az oszlopnevek speciális célú leképezése. | MonitoringInputDataBaseColumns |
dataContext | Az adatforrás környezeti metaadatai. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
inputDataType | Az objektumtípus beállítása | Rögzített Gördülő Statikus (kötelező) |
MonitoringInputDataBaseColumns
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
FixedInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a figyelendő jel típusát. | "Javítva" (kötelező) |
RollingInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a figyelendő jel típusát. | "Gördülő" (kötelező) |
preprocessingComponentId | Hivatkozás az adatok előfeldolgozásához használt összetevő-objektumra. | sztring |
windowOffset | [Kötelező] Az adatablak vége és a figyelő aktuális futási ideje közötti időeltolás. | sztring (kötelező) |
windowSize | [Kötelező] A gördülő adatok ablakának mérete. | sztring (kötelező) |
StaticInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a figyelendő jel típusát. | "Statikus" (kötelező) |
preprocessingComponentId | Hivatkozás az adatok előfeldolgozásához használt összetevő-objektumra. | sztring |
windowEnd | [Kötelező] Az adatablak záró dátuma. | sztring (kötelező) |
windowStart | [Kötelező] Az adatablak kezdő dátuma. | sztring (kötelező) |
CustomMonitoringSignalInputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobInput |
CustomMetricThreshold
Név | Leírás | Érték |
---|---|---|
Metrika | [Kötelező] A felhasználó által definiált, kiszámítandó metrika. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
MonitoringThreshold
Név | Leírás | Érték |
---|---|---|
érték | A küszöbérték. Null érték esetén a beállított alapértelmezett érték a metrika típusától függ. | int |
DataDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "DataDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | DataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | A számítástechnika funkcióinak fontossága. | FeatureImportanceSettings |
funkciók | A funkciószűrő, amely azonosítja, hogy melyik szolgáltatásra kell kiszámolni a sodródást. | MonitoringFeatureFilterBase |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataDriftMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
DataDriftMonitoringSignalFeatureDataTypeOverride
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
FeatureImportanceSettings
Név | Leírás | Érték |
---|---|---|
mód | A számítástechnika működési módja fontos. | "Letiltva" "Engedélyezve" |
targetColumn | A céloszlop neve a bemeneti adategységen belül. | sztring |
MonitoringFeatureFilterBase
Név | Leírás | Érték |
---|---|---|
filterType | Az objektum típusának beállítása | AllFeatures FeatureSubset TopNByAttribution (kötelező) |
AllFeatures
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák kiszámításához használható funkciók kiválasztásakor használható. | "AllFeatures" (kötelező) |
FeatureSubset
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák kiszámításához használható funkciók kiválasztásakor használható. | "FeatureSubset" (kötelező) |
funkciók | [Kötelező] A belefoglalandó szolgáltatások listája. | string[] (kötelező) |
TopNFeaturesByAttribution
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák kiszámításához használható funkciók kiválasztásakor használható. | "TopNByAttribution" (kötelező) |
top | A legfontosabb funkciók száma. | int |
DataDriftMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
dataType | Az objektum típusának beállítása | Kategorikus Numerikus (kötelező) |
CategoricalDataDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus adateltolódási metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalDataDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus adateltolódási metrika. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
DataQualityMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "DataQuality" (kötelező) |
featureDataTypeOverride | Egy szótár, amely a funkcióneveket a hozzájuk tartozó adattípusokra képezi le. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | A számítástechnika beállításainak fontossága. | FeatureImportanceSettings |
funkciók | A sodródás kiszámításához szükséges funkciók. | MonitoringFeatureFilterBase |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataQualityMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyekre az eltérés számítható ki. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
DataQualityMonitoringSignalFeatureDataTypeOverride
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
DataQualityMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
dataType | Az objektumtípus beállítása | Kategorikus Numerikus (kötelező) |
CategoricalDataQualityMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Meghatározza a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
NumericalDataQualityMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Meghatározza a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
FeatureAttributionDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "FeatureAttributionDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | [Kötelező] A számítástechnika funkcióinak fontossága. | FeatureImportanceSettings (kötelező) |
metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | FeatureAttributionMetricThreshold (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase[] (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
FeatureAttributionMetricThreshold
Név | Leírás | Érték |
---|---|---|
Metrika | [Kötelező] A kiszámolandó funkció-hozzárendelési metrika. | "NormalizedDiscountedCumulativeGain" (kötelező) |
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
PredictionDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "PredictionDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | PredictionDriftMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
PredictionDriftMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
dataType | Az objektumtípus beállítása | Kategorikus Numerikus (kötelező) |
CategoricalPredictionDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Meghatározza a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A számításhoz használt kategorikus előrejelzési eltérés metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalPredictionDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Meghatározza a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A numerikus előrejelzési sodródási metrika a számításhoz. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
EndpointScheduleAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Az ütemezés művelettípusát adja meg | 'InvokeBatchEndpoint' (kötelező) |
endpointInvocationDefinition | [Kötelező] Meghatározza az Ütemezési művelet definíciójának részleteit. {lásd: href="TBD" /} |
A Bicep esetében használhatja az any() függvényt. (kötelező) |
TriggerBase
Név | Leírás | Érték |
---|---|---|
endTime | Meghatározza az ütemezés befejezési időpontját az ISO 8601-ben, de utc eltolás nélkül. Lásd: https://en.wikipedia.org/wiki/ISO_8601. Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nincs jelen, az ütemezés határozatlan ideig fog futni |
sztring |
startTime | Iso 8601 formátumban, utc eltolás nélkül adja meg az ütemezés kezdési időpontját. | sztring |
timeZone | Meghatározza, hogy az ütemezés mely időzónában fut. A TimeZone-nak a Windows időzóna-formátumát kell követnie. Lásd: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
sztring |
triggerType | Az objektumtípus beállítása | Cron Ismétlődés (kötelező) |
CronTrigger
Név | Leírás | Érték |
---|---|---|
triggerType | [Kötelező] | "Cron" (kötelező) |
kifejezés | [Kötelező] Az ütemezés cron-kifejezését adja meg. A kifejezésnek az NCronTab formátumot kell követnie. |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
RecurrenceTrigger
Név | Leírás | Érték |
---|---|---|
endTime | Az ISO 8601-ben megadja az ütemezés befejezési időpontját, de UTC-eltolás nélkül. Lásd: https://en.wikipedia.org/wiki/ISO_8601. Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nincs jelen, az ütemezés határozatlan ideig fog futni |
sztring |
frequency | [Kötelező] Az ütemezés aktiválásának gyakorisága. | "Nap" "Óra" "Perc" "Hónap" "Hét" (kötelező) |
interval | [Kötelező] A gyakorisággal együtt adja meg az ütemezési időközt | int (kötelező) |
schedule | Az ismétlődés ütemezése. | RecurrenceSchedule |
startTime | A kezdési időpontot ISO 8601 formátumban adja meg, de UTC-eltolás nélkül. | sztring |
timeZone | Meghatározza az időzónát, amelyben az ütemezés fut. Az időzónának a Windows időzóna-formátumát kell követnie. Lásd: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
sztring |
triggerType | [Kötelező] | "Cron" "Ismétlődés" (kötelező) |
RecurrenceSchedule
Név | Leírás | Érték |
---|---|---|
óra | [Kötelező] Az ütemezéshez tartozó órák listája. | int[] (kötelező) |
perc során. | [Kötelező] Az ütemezés perceinek listája. | int[] (kötelező) |
monthDays | Az ütemezés hónap napjainak listája | int[] |
weekDays | Az ütemezés napjainak listája. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Péntek" "Hétfő" "Szombat" "Vasárnap" "Csütörtök" "Kedd" "Szerda" |
ARM-sablon erőforrás-definíciója
A munkaterületek/ütemezések erőforrástípusa olyan műveletekkel helyezhető üzembe, amelyek a következőket célják:
- Erőforráscsoportok – Lásd : Erőforráscsoport üzembehelyezési parancsai
Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplóban találja.
Erőforrás formátuma
Microsoft.MachineLearningServices/workspaces/schedules erőforrás létrehozásához adja hozzá a következő JSON-t a sablonhoz.
{
"type": "Microsoft.MachineLearningServices/workspaces/schedules",
"apiVersion": "2023-10-01",
"name": "string",
"properties": {
"action": {
"actionType": "string"
// For remaining properties, see ScheduleActionBase objects
},
"description": "string",
"displayName": "string",
"isEnabled": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"trigger": {
"endTime": "string",
"startTime": "string",
"timeZone": "string",
"triggerType": "string"
// For remaining properties, see TriggerBase objects
}
}
}
ScheduleActionBase-objektumok
Állítsa be az actionType tulajdonságot az objektum típusának megadásához.
CreateJob esetén használja a következőt:
"actionType": "CreateJob",
"jobDefinition": {
"componentId": "string",
"computeId": "string",
"description": "string",
"displayName": "string",
"experimentName": "string",
"identity": {
"identityType": "string"
// For remaining properties, see IdentityConfiguration objects
},
"isArchived": "bool",
"properties": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"services": {
"{customized property}": {
"endpoint": "string",
"jobServiceType": "string",
"nodes": {
"nodesValueType": "string"
// For remaining properties, see Nodes objects
},
"port": "int",
"properties": {
"{customized property}": "string"
}
}
},
"tags": {
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string",
"{customized property}": "string"
},
"jobType": "string"
// For remaining properties, see JobBaseProperties objects
}
A CreateMonitor esetében használja a következőt:
"actionType": "CreateMonitor",
"monitorDefinition": {
"alertNotificationSettings": {
"emailNotificationSettings": {
"emails": [ "string" ]
}
},
"computeConfiguration": {
"computeType": "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
},
"monitoringTarget": {
"deploymentId": "string",
"modelId": "string",
"taskType": "string"
},
"signals": {
"{customized property}": {
"notificationTypes": "AmlNotification",
"properties": {
"{customized property}": "string"
},
"signalType": "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Az InvokeBatchEndpoint esetében használja a következőt:
"actionType": "InvokeBatchEndpoint",
"endpointInvocationDefinition": {}
JobBaseProperties objektumok
Állítsa be a jobType tulajdonságot az objektum típusának megadásához.
AutoML esetén használja a következőt:
"jobType": "AutoML",
"environmentId": "string",
"environmentVariables": {
"{customized property}": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "string"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
},
"taskDetails": {
"logVerbosity": "string",
"targetColumnName": "string",
"trainingData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"taskType": "string"
// For remaining properties, see AutoMLVertical objects
}
A Parancshoz használja a következőt:
"jobType": "Command",
"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"
},
"resources": {
"dockerArgs": "string",
"instanceCount": "int",
"instanceType": "string",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
Folyamat esetén 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"
Takarításhoz használja a következőt:
"jobType": "Sweep",
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"limits": {
"jobLimitsType": "string",
"maxConcurrentTrials": "int",
"maxTotalTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"objective": {
"goal": "string",
"primaryMetric": "string"
},
"outputs": {
"{customized property}": {
"description": "string",
"jobOutputType": "string"
// For remaining properties, see JobOutput objects
}
},
"queueSettings": {
"jobTier": "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",
"properties": {
"{customized property}": {},
"{customized property}": {}
},
"shmSize": "string"
}
}
IdentityConfiguration-objektumok
Állítsa be az identityType tulajdonságot az objektum típusának megadásához.
AMLToken esetén használja a következőt:
"identityType": "AMLToken"
Felügyelt esetén használja a következőt:
"identityType": "Managed",
"clientId": "string",
"objectId": "string",
"resourceId": "string"
A UserIdentity esetében használja a következőt:
"identityType": "UserIdentity"
Csomópontok objektumai
Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.
Az Összes esetében használja a következőt:
"nodesValueType": "All"
JobOutput-objektumok
Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.
A custom_model a következőt használja:
"jobOutputType": "custom_model",
"mode": "string",
"uri": "string"
A mlflow_model a következőt használja:
"jobOutputType": "mlflow_model",
"mode": "string",
"uri": "string"
Mltable esetén használja a következőt:
"jobOutputType": "mltable",
"mode": "string",
"uri": "string"
A triton_model a következőt használja:
"jobOutputType": "triton_model",
"mode": "string",
"uri": "string"
A uri_file a következőt használja:
"jobOutputType": "uri_file",
"mode": "string",
"uri": "string"
A uri_folder a következőt használja:
"jobOutputType": "uri_folder",
"mode": "string",
"uri": "string"
AutoMLVertical objektumok
Állítsa be a taskType tulajdonságot az objektum típusának megadásához.
Besoroláshoz használja a következőt:
"taskType": "Classification",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"positiveLabel": "string",
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Előrejelzéshez használja a következőt:
"taskType": "Forecasting",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"forecastingSettings": {
"countryOrRegionForHolidays": "string",
"cvStepSize": "int",
"featureLags": "string",
"forecastHorizon": {
"mode": "string"
// For remaining properties, see ForecastHorizon objects
},
"frequency": "string",
"seasonality": {
"mode": "string"
// For remaining properties, see Seasonality objects
},
"shortSeriesHandlingConfig": "string",
"targetAggregateFunction": "string",
"targetLags": {
"mode": "string"
// For remaining properties, see TargetLags objects
},
"targetRollingWindowSize": {
"mode": "string"
// For remaining properties, see TargetRollingWindowSize objects
},
"timeColumnName": "string",
"timeSeriesIdColumnNames": [ "string" ],
"useStl": "string"
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
Az ImageClassification esetében használja a következőt:
"taskType": "ImageClassification",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Az ImageClassificationMultilabel elemhez használja a következőt:
"taskType": "ImageClassificationMultilabel",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "int",
"nesterov": "bool",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"trainingBatchSize": "int",
"trainingCropSize": "int",
"validationBatchSize": "int",
"validationCropSize": "int",
"validationResizeSize": "int",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int",
"weightedLoss": "int"
},
"primaryMetric": "string",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"modelName": "string",
"momentum": "string",
"nesterov": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"trainingBatchSize": "string",
"trainingCropSize": "string",
"validationBatchSize": "string",
"validationCropSize": "string",
"validationResizeSize": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string",
"weightedLoss": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Az ImageInstanceSegmentation esetében használja a következőt:
"taskType": "ImageInstanceSegmentation",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Az ImageObjectDetection esetében használja a következőt:
"taskType": "ImageObjectDetection",
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"modelSettings": {
"advancedSettings": "string",
"amsGradient": "bool",
"augmentations": "string",
"beta1": "int",
"beta2": "int",
"boxDetectionsPerImage": "int",
"boxScoreThreshold": "int",
"checkpointFrequency": "int",
"checkpointModel": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"checkpointRunId": "string",
"distributed": "bool",
"earlyStopping": "bool",
"earlyStoppingDelay": "int",
"earlyStoppingPatience": "int",
"enableOnnxNormalization": "bool",
"evaluationFrequency": "int",
"gradientAccumulationStep": "int",
"imageSize": "int",
"layersToFreeze": "int",
"learningRate": "int",
"learningRateScheduler": "string",
"maxSize": "int",
"minSize": "int",
"modelName": "string",
"modelSize": "string",
"momentum": "int",
"multiScale": "bool",
"nesterov": "bool",
"nmsIouThreshold": "int",
"numberOfEpochs": "int",
"numberOfWorkers": "int",
"optimizer": "string",
"randomSeed": "int",
"stepLRGamma": "int",
"stepLRStepSize": "int",
"tileGridSize": "string",
"tileOverlapRatio": "int",
"tilePredictionsNmsThreshold": "int",
"trainingBatchSize": "int",
"validationBatchSize": "int",
"validationIouThreshold": "int",
"validationMetricType": "string",
"warmupCosineLRCycles": "int",
"warmupCosineLRWarmupEpochs": "int",
"weightDecay": "int"
},
"primaryMetric": "MeanAveragePrecision",
"searchSpace": [
{
"amsGradient": "string",
"augmentations": "string",
"beta1": "string",
"beta2": "string",
"boxDetectionsPerImage": "string",
"boxScoreThreshold": "string",
"distributed": "string",
"earlyStopping": "string",
"earlyStoppingDelay": "string",
"earlyStoppingPatience": "string",
"enableOnnxNormalization": "string",
"evaluationFrequency": "string",
"gradientAccumulationStep": "string",
"imageSize": "string",
"layersToFreeze": "string",
"learningRate": "string",
"learningRateScheduler": "string",
"maxSize": "string",
"minSize": "string",
"modelName": "string",
"modelSize": "string",
"momentum": "string",
"multiScale": "string",
"nesterov": "string",
"nmsIouThreshold": "string",
"numberOfEpochs": "string",
"numberOfWorkers": "string",
"optimizer": "string",
"randomSeed": "string",
"stepLRGamma": "string",
"stepLRStepSize": "string",
"tileGridSize": "string",
"tileOverlapRatio": "string",
"tilePredictionsNmsThreshold": "string",
"trainingBatchSize": "string",
"validationBatchSize": "string",
"validationIouThreshold": "string",
"validationMetricType": "string",
"warmupCosineLRCycles": "string",
"warmupCosineLRWarmupEpochs": "string",
"weightDecay": "string"
}
],
"sweepSettings": {
"earlyTermination": {
"delayEvaluation": "int",
"evaluationInterval": "int",
"policyType": "string"
// For remaining properties, see EarlyTerminationPolicy objects
},
"samplingAlgorithm": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int"
Regresszió esetén használja a következőt:
"taskType": "Regression",
"cvSplitColumnNames": [ "string" ],
"featurizationSettings": {
"blockedTransformers": [ "string" ],
"columnNameAndTypes": {
"{customized property}": "string"
},
"datasetLanguage": "string",
"enableDnnFeaturization": "bool",
"mode": "string",
"transformerParams": {
"{customized property}": [
{
"fields": [ "string" ],
"parameters": {}
}
]
}
},
"limitSettings": {
"enableEarlyTermination": "bool",
"exitScore": "int",
"maxConcurrentTrials": "int",
"maxCoresPerTrial": "int",
"maxTrials": "int",
"timeout": "string",
"trialTimeout": "string"
},
"nCrossValidations": {
"mode": "string"
// For remaining properties, see NCrossValidations objects
},
"primaryMetric": "string",
"testData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"testDataSize": "int",
"trainingSettings": {
"allowedTrainingAlgorithms": [ "string" ],
"blockedTrainingAlgorithms": [ "string" ],
"enableDnnTraining": "bool",
"enableModelExplainability": "bool",
"enableOnnxCompatibleModels": "bool",
"enableStackEnsemble": "bool",
"enableVoteEnsemble": "bool",
"ensembleModelDownloadTimeout": "string",
"stackEnsembleSettings": {
"stackMetaLearnerKWargs": {},
"stackMetaLearnerTrainPercentage": "int",
"stackMetaLearnerType": "string"
}
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
},
"validationDataSize": "int",
"weightColumnName": "string"
TextClassification esetén használja a következőt:
"taskType": "TextClassification",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"primaryMetric": "string",
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
A TextClassificationMultilabel elemhez használja a következőt:
"taskType": "TextClassificationMultilabel",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
A TextNER esetében használja a következőt:
"taskType": "TextNER",
"featurizationSettings": {
"datasetLanguage": "string"
},
"limitSettings": {
"maxConcurrentTrials": "int",
"maxTrials": "int",
"timeout": "string"
},
"validationData": {
"description": "string",
"jobInputType": "string",
"mode": "string",
"uri": "string"
}
NCrossValidations objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
"mode": "Auto"
Egyéni esetén használja a következőt:
"mode": "Custom",
"value": "int"
ForecastHorizon objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
"mode": "Auto"
Egyéni esetén használja a következőt:
"mode": "Custom",
"value": "int"
Szezonalitási objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
"mode": "Auto"
Egyéni esetén használja a következőt:
"mode": "Custom",
"value": "int"
TargetLags-objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
"mode": "Auto"
Egyéni esetén használja a következőt:
"mode": "Custom",
"values": [ "int" ]
TargetRollingWindowSize objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
"mode": "Auto"
Egyéni esetén használja a következőt:
"mode": "Custom",
"value": "int"
EarlyTerminationPolicy objektumok
Állítsa be a policyType tulajdonságot az objektum típusának megadásához.
A Bandit esetében használja a következőt:
"policyType": "Bandit",
"slackAmount": "int",
"slackFactor": "int"
A MedianStopping esetében használja a következőt:
"policyType": "MedianStopping"
A TruncationSelection esetében használja a következőt:
"policyType": "TruncationSelection",
"truncationPercentage": "int"
DistributionConfiguration objektumok
Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.
Mpi esetén használja a következőt:
"distributionType": "Mpi",
"processCountPerInstance": "int"
PyTorch esetén használja a következőt:
"distributionType": "PyTorch",
"processCountPerInstance": "int"
A TensorFlow esetében használja a következőt:
"distributionType": "TensorFlow",
"parameterServerCount": "int",
"workerCount": "int"
JobInput objektumok
Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.
A custom_model a következőt használja:
"jobInputType": "custom_model",
"mode": "string",
"uri": "string"
A literálhoz használja a következőt:
"jobInputType": "literal",
"value": "string"
A mlflow_model a következőt használja:
"jobInputType": "mlflow_model",
"mode": "string",
"uri": "string"
Mltable esetén használja a következőt:
"jobInputType": "mltable",
"mode": "string",
"uri": "string"
A triton_model a következőt használja:
"jobInputType": "triton_model",
"mode": "string",
"uri": "string"
A uri_file a következőt használja:
"jobInputType": "uri_file",
"mode": "string",
"uri": "string"
A uri_folder a következőt használja:
"jobInputType": "uri_folder",
"mode": "string",
"uri": "string"
SamplingAlgorithm objektumok
Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.
Bayesian esetén használja a következőt:
"samplingAlgorithmType": "Bayesian"
A Grid esetében használja a következőt:
"samplingAlgorithmType": "Grid"
Véletlenszerűen használja a következőt:
"samplingAlgorithmType": "Random",
"rule": "string",
"seed": "int"
MonitorComputeConfigurationBase-objektumok
Állítsa be a computeType tulajdonságot az objektum típusának megadásához.
A ServerlessSpark esetében használja a következőt:
"computeType": "ServerlessSpark",
"computeIdentity": {
"computeIdentityType": "string"
// For remaining properties, see MonitorComputeIdentityBase objects
},
"instanceType": "string",
"runtimeVersion": "string"
MonitorComputeIdentityBase-objektumok
Állítsa be a computeIdentityType tulajdonságot az objektum típusának megadásához.
Az AmlToken esetében használja a következőt:
"computeIdentityType": "AmlToken"
A ManagedIdentity esetében használja a következőt:
"computeIdentityType": "ManagedIdentity",
"identity": {
"type": "string",
"userAssignedIdentities": {
"{customized property}": {}
}
}
MonitoringSignalBase-objektumok
Állítsa be a signalType tulajdonságot az objektum típusának megadásához.
Egyéni esetén használja a következőt:
"signalType": "Custom",
"componentId": "string",
"inputAssets": {
"{customized property}": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
},
"inputs": {
"{customized property}": {
"description": "string",
"jobInputType": "string"
// For remaining properties, see JobInput objects
}
},
"metricThresholds": [
{
"metric": "string",
"threshold": {
"value": "int"
}
}
]
A DataDrift esetében használja a következőt:
"signalType": "DataDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A DataQuality esetében használja a következőt:
"signalType": "DataQuality",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"features": {
"filterType": "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A FeatureAttributionDrift esetében használja a következőt:
"signalType": "FeatureAttributionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"featureImportanceSettings": {
"mode": "string",
"targetColumn": "string"
},
"metricThreshold": {
"metric": "NormalizedDiscountedCumulativeGain",
"threshold": {
"value": "int"
}
},
"productionData": [
{
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
],
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A PredictionDrift esetében használja a következőt:
"signalType": "PredictionDrift",
"featureDataTypeOverride": {
"{customized property}": "string"
},
"metricThresholds": [
{
"threshold": {
"value": "int"
},
"dataType": "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
],
"productionData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
},
"referenceData": {
"columns": {
"{customized property}": "string"
},
"dataContext": "string",
"jobInputType": "string",
"uri": "string",
"inputDataType": "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objektumok
Állítsa be az inputDataType tulajdonságot az objektum típusának megadásához.
A Javítva esetén használja a következőt:
"inputDataType": "Fixed"
Gördülő esetén használja a következőt:
"inputDataType": "Rolling",
"preprocessingComponentId": "string",
"windowOffset": "string",
"windowSize": "string"
Statikus esetén használja a következőt:
"inputDataType": "Static",
"preprocessingComponentId": "string",
"windowEnd": "string",
"windowStart": "string"
MonitoringFeatureFilterBase-objektumok
Állítsa be a filterType tulajdonságot az objektum típusának megadásához.
Az AllFeatures esetében használja a következőt:
"filterType": "AllFeatures"
A FeatureSubset esetében használja a következőt:
"filterType": "FeatureSubset",
"features": [ "string" ]
TopNByAttribution esetén használja a következőt:
"filterType": "TopNByAttribution",
"top": "int"
DataDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
"dataType": "Categorical",
"metric": "string"
Numerikus esetén használja a következőt:
"dataType": "Numerical",
"metric": "string"
DataQualityMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
"dataType": "Categorical",
"metric": "string"
Numerikus esetén használja a következőt:
"dataType": "Numerical",
"metric": "string"
PredictionDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
"dataType": "Categorical",
"metric": "string"
Numerikus esetén használja a következőt:
"dataType": "Numerical",
"metric": "string"
TriggerBase-objektumok
Állítsa be a triggerType tulajdonságot az objektum típusának megadásához.
Cron esetén használja a következőt:
"triggerType": "Cron",
"expression": "string"
Ismétlődés esetén használja a következőt:
"triggerType": "Recurrence",
"frequency": "string",
"interval": "int",
"schedule": {
"hours": [ "int" ],
"minutes": [ "int" ],
"monthDays": [ "int" ],
"weekDays": [ "string" ]
}
Tulajdonságértékek
munkaterületek/ütemezések
Név | Leírás | Érték |
---|---|---|
típus | Az erőforrás típusa | "Microsoft.MachineLearningServices/workspaces/schedules" |
apiVersion | Az erőforrás API-verziója | '2023-10-01' |
name | Az erőforrás neve Megtudhatja, hogyan állíthatja be a gyermekerőforrások nevét és típusát A JSON ARM-sablonokban. |
sztring (kötelező) |
properties | [Kötelező] Az entitás további attribútumai. | ScheduleProperties (kötelező) |
ScheduleProperties
Név | Leírás | Érték |
---|---|---|
action | [Kötelező] Az ütemezés műveletét határozza meg | ScheduleActionBase (kötelező) |
leírás | Az eszköz leírásának szövege. | sztring |
displayName | Az ütemezés megjelenítendő neve. | sztring |
isEnabled | Engedélyezve van az ütemezés? | logikai |
properties | Az eszköztulajdonság szótára. | ResourceBaseProperties |
tags | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | object |
Ravaszt | [Kötelező] Az eseményindító részleteinek megadása | TriggerBase (kötelező) |
ScheduleActionBase
Név | Leírás | Érték |
---|---|---|
actionType | Az objektumtípus beállítása | CreateJob CreateMonitor InvokeBatchEndpoint (kötelező) |
JobScheduleAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Az ütemezés művelettípusát adja meg | "CreateJob" (kötelező) |
jobDefinition | [Kötelező] Meghatározza az Ütemezési művelet definíciójának részleteit. | JobBaseProperties (kötelező) |
JobBaseProperties
Név | Leírás | Érték |
---|---|---|
componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | sztring |
computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | sztring |
leírás | Az eszköz leírásának szövege. | sztring |
displayName | A feladat nevének megjelenítése. | sztring |
experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | sztring |
identity | Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null. |
IdentityConfiguration |
isArchived | Archiválva van az eszköz? | logikai |
properties | Az eszköztulajdonság szótára. | ResourceBaseProperties |
services | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz. |
JobBaseServices |
tags | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | object |
jobType | Az objektumtípus beállítása | AutoML Parancs Folyamat Takarítás (kötelező) |
IdentityConfiguration
Név | Leírás | Érték |
---|---|---|
identityType | Az objektum típusának beállítása | AMLToken Felügyelt UserIdentity (kötelező) |
AmlToken
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "AMLToken" (kötelező) |
Felügyelt identitás
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "Felügyelt" (kötelező) |
ügyfél-azonosító | Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt. | sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Felhasználó által hozzárendelt identitást határoz meg objektumazonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt. | sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt. | sztring |
Felhasználói azonosító
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "UserIdentity" (kötelező) |
ResourceBaseProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring | |
{customized property} | sztring |
JobBaseServices
Név | Leírás | Érték |
---|---|---|
{customized property} | JobService |
JobService
Név | Leírás | Érték |
---|---|---|
endpoint | Végpont URL-címe. | sztring |
jobServiceType | Végpont típusa. | sztring |
Csomópontok | Csomópontok, amelyeken a felhasználó el szeretné indítani a szolgáltatást. Ha a Csomópontok nincs beállítva vagy null értékűre van állítva, a szolgáltatás csak a vezető csomóponton indul el. |
Csomópontok |
port | Végpont portja. | int |
properties | A végponton beállítandó további tulajdonságok. | JobServiceProperties |
Csomópontok
Név | Leírás | Érték |
---|---|---|
nodesValueType | Az objektum típusának beállítása | Minden (kötelező) |
Minden csomópont
Név | Leírás | Érték |
---|---|---|
nodesValueType | [Kötelező] A Csomópontok érték típusa | "Minden" (kötelező) |
JobServiceProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
AutoMLJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "AutoML" (kötelező) |
environmentId | A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az Éles autoML válogatott környezeti verzióra adja meg a feladat futtatásakor. |
sztring |
environmentVariables | A feladatban szereplő környezeti változók. | AutoMLJobEnvironmentVariables |
Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | AutoMLJobOutputs |
queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
resources | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
taskDetails | [Kötelező] Ez olyan forgatókönyvet jelöl, amely lehet a Tables/NLP/Image egyik része. | AutoMLVertical (kötelező) |
AutoMLJobEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
AutoMLJobOutputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobOutput |
JobOutput
Név | Leírás | Érték |
---|---|---|
leírás | A kimenet leírása. | sztring |
jobOutputType | Az objektum típusának beállítása | custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
MLFlowModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "mlflow_model" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
MLTableJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "mltable" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
TritonModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "triton_model" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
UriFileJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "uri_file" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
UriFolderJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "uri_folder" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
QueueSettings
Név | Leírás | Érték |
---|---|---|
jobTier | A számítási feladat szintjét szabályozza | "Alapszintű" "Null" "Prémium" "Kihasználatlan" "Standard" |
JobResourceConfiguration
Név | Leírás | Érték |
---|---|---|
dockerArgs | További argumentumok a Docker-futtatási parancsnak való továbbításhoz. Ez felülbírálná a rendszer által vagy ebben a szakaszban már beállított paramétereket. Ez a paraméter csak az Azure ML számítási típusok esetében támogatott. | sztring |
instanceCount | A számítási cél által használt példányok vagy csomópontok opcionális száma. | int |
instanceType | A számítási cél által támogatott virtuális gép választható típusa. | sztring |
properties | További tulajdonságok táska. | ResourceConfigurationProperties |
shmSize | A Docker-tároló megosztott memóriablokkjának mérete. Ennek (szám)(egység) formátumban kell lennie, ahol a szám 0-nál nagyobb, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt). | sztring Korlátok: Minta = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | ||
{testreszabott tulajdonság} |
AutoMLVertical
Név | Leírás | Érték |
---|---|---|
logVerbosity | Napló részletessége a feladathoz. | "Kritikus" Hibakeresés "Hiba" "Információ" 'NotSet' "Figyelmeztetés" |
targetColumnName | Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában. |
sztring |
trainingData | [Kötelező] Betanítási adatbevitel. | MLTableJobInput (kötelező) |
taskType | Az objektumtípus beállítása | Besorolás Előrejelzések ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresszió TextClassification TextClassificationMultilabel TextNER (kötelező) |
MLTableJobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Besorolás
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Besorolás" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
positiveLabel | Pozitív címke a bináris metrikák számításához. | sztring |
primaryMetric | A tevékenység elsődleges metrikája. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | ClassificationTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak. | sztring |
TableVerticalFeaturizationSettings
Név | Leírás | Érték |
---|---|---|
blockedTransformers | Ezek a transzformátorok nem használhatók a featurizáláshoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: CatTargetEncoder "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
columnNameAndTypes | Az oszlop nevének és típusának szótára (int, float, string, datetime stb.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Adatkészlet nyelve, amely hasznos a szöveges adatokhoz. | sztring |
enableDnnFeaturization | Meghatározza, hogy dnn-alapú featurizálókat használjon-e az adatok featurizálásához. | logikai |
mód | Featurization mód – A felhasználó megtarthatja az alapértelmezett "Automatikus" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizálási fázisban. Ha a "Ki" beállítás van kiválasztva, akkor a művelet nem végez el featurizációt. Ha az "Egyéni" beállítás van kiválasztva, a felhasználó további bemeneteket adhat meg a featurizálási folyamat testreszabásához. |
"Automatikus" "Egyéni" "Ki" |
transformerParams | A felhasználó megadhat további használandó transzformátorokat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint a transzformátor-konstruktor paramétereit. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
TableVerticalFeaturizationSettingsTransformerParams
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | ColumnTransformer[] |
ColumnTransformer
Név | Leírás | Érték |
---|---|---|
fields | A transzformátorlogika alkalmazásához használandó mezők. | sztring[] |
parameters | A transzformátornak átadandó különböző tulajdonságok. A bemenet a kulcs-érték párok JSON formátumú szótára. |
TableVerticalLimitSettings
Név | Leírás | Érték |
---|---|---|
enableEarlyTermination | A korai leállítás engedélyezése azt határozza meg, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nincs pontszám-javulás. | logikai |
exitScore | Az AutoML-feladat kilépési pontszáma. | int |
maxConcurrentTrials | Egyidejű iterációk maximális száma. | int |
maxCoresPerTrial | Maximális magok iterációnként. | int |
maxTrials | Iterációk száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
trialTimeout | Iterációs időtúllépés. | sztring |
NCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | Az objektumtípus beállítása | Automatikus Egyéni (kötelező) |
AutoNCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Az N-Cross-ellenőrzések meghatározásának módja. | "Automatikus" (kötelező) |
CustomNCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Az N-Cross-ellenőrzések meghatározásának módja. | "Egyéni" (kötelező) |
érték | [Kötelező] N-Cross validations érték. | int (kötelező) |
ClassificationTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A besorolási feladat engedélyezett modelljei. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
blockedTrainingAlgorithms | Letiltott modellek besorolási feladathoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" 'SGD' "SVM" "XGBoostClassifier" |
enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | logikai |
enableModelExplainability | Jelző a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az Onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | Stack-együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
StackEnsembleSettings
Név | Leírás | Érték |
---|---|---|
stackMetaLearnerKWargs | A metatanuló inicializálójának nem kötelező paraméterek megadása. | |
stackMetaLearnerTrainPercentage | Meghatározza a betanítási készlet 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" |
Előrejelzések
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Előrejelzés" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
forecastingSettings | Tevékenységspecifikus bemenetek előrejelzése. | Előrejelzésbeállítások |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
primaryMetric | Elsődleges metrika az előrejelzési tevékenységhez. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | ElőrejelzésTanúsítási beállítások |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak. | sztring |
Előrejelzésbeállítások
Név | Leírás | Érték |
---|---|---|
countryOrRegionForHolidays | Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB". |
sztring |
cvStepSize | Az egyik CV-hajtás forrásideje és a következő hajtás közötti időszakok száma. A következőhöz: például, ha CVStepSize a napi adatok = 3, akkor az egyes hajtások forrásidejehárom nap választja el egymástól. |
int |
featureLags | Az "automatikus" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző. | "Automatikus" "Nincs" |
forecastHorizon | A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben. | Előrejelzéshorizon |
frequency | Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánja, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. | sztring |
Szezonalitás | Állítsa be az idősor szezonalitását a sorozat gyakoriságának egész számának többszöröseként. Ha a szezonalitás "automatikus" értékre van állítva, a rendszer levonja a következtetést. |
Szezonalitás |
shortSeriesHandlingConfig | A paraméter határozza meg, hogy az AutoML hogyan kezelje a rövid idősorokat. | "Automatikus" "Elvetés" "Nincs" "Pad" |
targetAggregateFunction | Az idősor céloszlopának összesítéséhez használandó függvény, hogy megfeleljen a felhasználó által megadott gyakoriságnak. Ha a TargetAggregateFunction értéke nem "Nincs", de a freq paraméter nincs beállítva, a hiba keletkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean". |
"Max" "Középérték" "Min" "Nincs" "Összeg" |
targetLags | A céloszloptól eltúlzott időszakok száma. | TargetLags |
targetRollingWindowSize | A céloszlop gördülőablak-átlagának létrehozásához használt múltbeli időszakok száma. | TargetRollingWindowSize |
timeColumnName | Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok datetime oszlopának megadásához. | sztring |
timeSeriesIdColumnNames | Az idősorok csoportosításához használt oszlopok neve. Több adatsor létrehozására is használható. Ha a gabona nincs definiálva, a rendszer azt feltételezi, hogy az adathalmaz egy idősor. Ezt a paramétert a tevékenységtípus-előrejelzéshez használjuk. |
sztring[] |
useStl | Konfigurálja az idősor céloszlopának STL-felbontását. | "Nincs" "Szezon" "SeasonTrend" |
Előrejelzéshorizon
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoForecastHorizon
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Előrejelzési horizont értékválasztási módjának beállítása. | "Automatikus" (kötelező) |
CustomForecastHorizon
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Előrejelzési horizont értékválasztási módjának beállítása. | "Egyéni" (kötelező) |
érték | [Kötelező] Előrejelzési horizont értéke. | int (kötelező) |
Szezonalitás
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoSeasonality
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Szezonalitás mód. | "Automatikus" (kötelező) |
CustomSeasonality
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Szezonalitás mód. | "Egyéni" (kötelező) |
érték | [Kötelező] Szezonalitás értéke. | int (kötelező) |
TargetLags
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoTargetLags
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Cél késési mód beállítása – Automatikus/egyéni | "Automatikus" (kötelező) |
CustomTargetLags
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Cél késési mód beállítása – Automatikus/egyéni | "Egyéni" (kötelező) |
values | [Kötelező] Állítsa be a cél késési értékeit. | int[] (kötelező) |
TargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoTargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Automatikus" (kötelező) |
CustomTargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Egyéni" (kötelező) |
érték | [Kötelező] TargetRollingWindowSize érték. | int (kötelező) |
ForecastingTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A tevékenységek előrejelzéséhez engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedTrainingAlgorithms | Letiltott modellek az előrejelzési feladathoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
enableDnnTraining | Engedélyezze a DNN-modellek javaslatát. | logikai |
enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | A stack együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack együttes futtatásához. | StackEnsembleSettings |
ImageClassification
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageClassification" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsClassification |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageLimitSettings
Név | Leírás | Érték |
---|---|---|
maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | int |
maxTrials | AutoML-iterációk maximális száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
ImageModelSettingsClassification
Név | Leírás | Érték |
---|---|---|
advancedSettings | Speciális forgatókönyvek beállításai. | sztring |
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | logikai |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
checkpointFrequency | Modell ellenőrzőpontok tárolásának gyakorisága. Pozitív egész számnak kell lennie. | int |
checkpointModel | Az előre betanított ellenőrzőpont-modell növekményes betanításhoz. | MLFlowModelJobInput |
checkpointRunId | Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | sztring |
Elosztott | Elosztott betanítás használata. | logikai |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | logikai |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
int |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
int |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | logikai |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | int |
gradientAccumulationStep | A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
int |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | logikai |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | int |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | int |
Optimalizáló | Az optimalizáló típusa. | "Ádám" 'Adamw' "Nincs" 'Sgd' |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | int |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | int |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | int |
trainingCropSize | Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie. | int |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | int |
validationCropSize | Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | int |
validationResizeSize | Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | int |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | int |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
weightedLoss | Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
int |
MLFlowModelJobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
Név | Leírás | Érték |
---|---|---|
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | sztring |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
Elosztott | Az elosztott betanítás használata. | sztring |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | sztring |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
sztring |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
sztring |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | sztring |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | sztring |
gradientAccumulationStep | A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
sztring |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
learningRateScheduler | A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet. | sztring |
Modelname | A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | sztring |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | sztring |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | sztring |
Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | sztring |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | sztring |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | sztring |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | sztring |
trainingCropSize | Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie. | sztring |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationCropSize | Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | sztring |
validationResizeSize | Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | sztring |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | sztring |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
weightedLoss | Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
sztring |
ImageSweepSettings
Név | Leírás | Érték |
---|---|---|
earlyTermination | A korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
samplingAlgorithm | [Kötelező] A hiperparaméter-mintavételezési algoritmusok típusa. | "Bayesian" "Rács" "Véletlenszerű" (kötelező) |
EarlyTerminationPolicy
Név | Leírás | Érték |
---|---|---|
delayEvaluation | Azoknak az intervallumoknak a száma, amelyekkel késleltetni szeretné az első értékelést. | int |
evaluationInterval | A szabályzatértékelések közötti időköz (futtatások száma). | int |
policyType | Az objektum típusának beállítása | Bandit MedianStopping CsonkításSelection (kötelező) |
BanditPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "Bandit" (kötelező) |
slackAmount | A legjobban teljesítő futtatástól megengedett abszolút távolság. | int |
slackFactor | Az engedélyezett távolság aránya a legjobban teljesítő futtatástól. | int |
MedianStoppingPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "MedianStopping" (kötelező) |
CsonkításSelectionPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "CsonkításSelection" (kötelező) |
truncationPercentage | Az egyes kiértékelési időközökben megszakítandó futtatások százalékos aránya. | int |
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 feladathoz optimalizálandó elsődleges metrika. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageInstanceSegmentation
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageInstanceSegmentation" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsObjectDetection |
primaryMetric | A feladathoz optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageModelSettingsObjectDetection
Név | Leírás | Érték |
---|---|---|
advancedSettings | Speciális forgatókönyvek beállításai. | sztring |
amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | logikai |
bővítés | A bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
boxDetectionsPerImage | Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegőpontosnak kell lennie a tartományban[0, 1]. |
int |
checkpointFrequency | Modell ellenőrzőpontok tárolásának gyakorisága. Pozitív egész számnak kell lennie. | int |
checkpointModel | Az előre betanított ellenőrzőpont-modell növekményes betanításhoz. | MLFlowModelJobInput |
checkpointRunId | Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | sztring |
Elosztott | Elosztott betanítás használata. | logikai |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | logikai |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
int |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
int |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | logikai |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | int |
gradientAccumulationStep | A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
int |
imageSize | Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
int |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
learningRateScheduler | A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
maxSize | Az újraskálázandó kép maximális mérete, mielőtt betáplálta volna a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
minSize | Az újraskálázandó kép minimális mérete, mielőtt betáplálnák a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
Modelname | A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
modelSize | Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy", vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
"ExtraLarge" "Nagy" "Közepes" "Nincs" "Kicsi" |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
több skálázás | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
logikai |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | logikai |
nmsIouThreshold | Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | int |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | int |
Optimalizáló | Az optimalizáló típusa. | "Ádám" 'Adamw' "Nincs" 'Sgd' |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | int |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | int |
tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tileOverlapRatio | Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | int |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | int |
validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | int |
validationMetricType | Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. | "Coco" "CocoVoc" "Nincs" "Voc" |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | int |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
ImageModelDistributionSettingsObjectDetection
Név | Leírás | Érték |
---|---|---|
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | sztring |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
boxDetectionsPerImage | Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegőpontosnak kell lennie a tartományban[0, 1]. |
sztring |
Elosztott | Az elosztott betanítás használata. | sztring |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | sztring |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
sztring |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
sztring |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | sztring |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | sztring |
gradientAccumulationStep | A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
sztring |
imageSize | Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztás réteg0 és layer1. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
learningRateScheduler | A tanulási sebességütemező típusa. Csak "warmup_cosine" vagy "lépés" lehet. | sztring |
maxSize | Az újraskálázandó kép maximális mérete, mielőtt betáplálta volna a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
minSize | Az újraskálázandó kép minimális mérete, mielőtt betáplálnák a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
Modelname | A betanításhoz használni kívánt modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
modelSize | Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy", vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
több skálázás | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | sztring |
nmsIouThreshold | Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | sztring |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | sztring |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | sztring |
Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | sztring |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | sztring |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | sztring |
tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tileOverlapRatio | Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális elnyomás |
sztring |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | sztring |
validationMetricType | Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. A "none", a "coco", a "voc" vagy a "coco_voc" értéknek kell lennie. | sztring |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | sztring |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
ImageObjectDetection
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | 'ImageObjectDetection' (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsObjectDetection |
primaryMetric | A feladathoz optimalizálandó elsődleges metrika. | "MeanAveragePrecision" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezésére. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
Regresszió
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Regresszió" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
primaryMetric | A regressziós feladat elsődleges metrikája. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | RegressionTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A minta súlyozási oszlopának neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorainak súlyozását okozza. | sztring |
RegressionTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A regressziós feladathoz engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedTrainingAlgorithms | A regressziós feladat blokkolt modelljei. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
enableDnnTraining | Engedélyezze a DNN-modellek javaslatát. | logikai |
enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | A stack együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack együttes futtatásához. | StackEnsembleSettings |
TextClassification
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassification" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
primaryMetric | Elsődleges metrika Text-Classification tevékenységhez. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Név | Leírás | Érték |
---|---|---|
datasetLanguage | Adathalmaz nyelve, amely a szöveges adatokhoz használható. | sztring |
NlpVerticalLimitSettings
Név | Leírás | Érték |
---|---|---|
maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | int |
maxTrials | AutoML-iterációk száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
TextClassificationMultilabel
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassificationMultilabel" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
TextNer
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextNER" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
CommandJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Parancs" (kötelező) |
codeId | A kódobjektum ARM-erőforrás-azonosítója. | sztring |
command | [Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Eloszlás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értéknek kell lennie. | DistributionConfiguration |
environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: 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 |
resources | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
DistributionConfiguration
Név | Leírás | Érték |
---|---|---|
distributionType | Az objektum típusának beállítása | Mpi PyTorch TensorFlow (kötelező) |
Mpi
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "Mpi" (kötelező) |
processCountPerInstance | Folyamatok száma MPI-csomópontonként. | int |
PyTorch
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "PyTorch" (kötelező) |
processCountPerInstance | Folyamatok száma csomópontonként. | int |
TensorFlow
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "TensorFlow" (kötelező) |
parameterServerCount | A paraméterkiszolgálói feladatok száma. | int |
workerCount | Feldolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz. | int |
CommandJobEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CommandJobInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
JobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | Az objektum típusának beállítása | custom_model Szó mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
LiteralJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "literál" (kötelező) |
érték | [Kötelező] A bemenet literális értéke. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
TritonModelJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "triton_model" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFileJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "uri_file" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFolderJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
CommandJobLimits
Név | Leírás | Érték |
---|---|---|
jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
timeout | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc. | sztring |
CommandJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
PipelineJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Folyamat" (kötelező) |
Bemenetek | A folyamatfeladat bemenetei. | PipelineJobInputs |
Munkahelyek | A feladatok létrehoznak egy folyamatfeladatot. | PipelineJobJobs |
Kimenetek | A folyamatfeladat kimenetei | PipelineJobOutputs |
beállítások | Folyamatbeállítások, például ContinueRunOnStepFailure stb. | |
sourceJobId | A forrásfeladat ARM-erőforrás-azonosítója. | sztring |
PipelineJobInputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobInput |
PipelineJobJobs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} |
PipelineJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
Takarítási feladat
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Takarítás" (kötelező) |
earlyTermination | A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének | EarlyTerminationPolicy |
Bemenetek | A feladatban használt bemeneti adatkötések leképezése. | SweepJobInputs |
Határok | Takarítási feladat korlátja. | SweepJobLimits |
Célkitűzés | [Kötelező] Optimalizálási cél. | Célkitűzés (kötelező) |
Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | SweepJobOutputs |
queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
samplingAlgorithm | [Kötelező] A hiperparaméter-mintavételezési algoritmus | SamplingAlgorithm (kötelező) |
searchSpace | [Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve | |
trial | [Kötelező] Próbaverziós összetevő definíciója. | TrialComponent (kötelező) |
SweepJobInputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobInput |
SweepJobLimits
Név | Leírás | Érték |
---|---|---|
jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
maxConcurrentTrials | Takarítási feladat – egyidejű próbaverziók maximális kihasználása. | int |
maxTotalTrials | Takarítási feladat maximális teljes próbaidőszaka. | int |
timeout | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc. | sztring |
trialTimeout | Takarítási feladat próbaverziója időtúllépési értéke. | sztring |
Cél
Név | Leírás | Érték |
---|---|---|
goal | [Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg | "Teljes méret" "Kis méret" (kötelező) |
primaryMetric | [Kötelező] Az optimalizálni kívánt metrika neve. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SweepJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
SamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | Az objektumtípus beállítása | Bayes Rács Véletlenszerű (kötelező) |
BayesianSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Bayesian" (kötelező) |
GridSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Rács" (kötelező) |
RandomSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Véletlenszerű" (kötelező) |
Szabály | A véletlenszerű algoritmus adott típusa | "Véletlenszerű" "Sobol" |
Vetőmag | Nem kötelező egész szám, amelyet a véletlenszerű számlétrehozás magjaként használhat | int |
TrialComponent
Név | Leírás | Érték |
---|---|---|
codeId | A kódeszköz ARM-erőforrás-azonosítója. | sztring |
command | [Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Eloszlás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie. | DistributionConfiguration |
environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
environmentVariables | A feladatban szereplő környezeti változók. | TrialComponentEnvironmentVariables |
resources | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CreateMonitorAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Meghatározza az ütemezés művelettípusát | "CreateMonitor" (kötelező) |
monitorDefinition | [Kötelező] Meghatározza a figyelőt. | MonitorDefinition (kötelező) |
MonitorDefinition
Név | Leírás | Érték |
---|---|---|
alertNotificationSettings | A figyelő értesítési beállításai. | MonitorNotificationSettings |
computeConfiguration | [Kötelező] A monitorozási feladat futtatásához a számítási erőforrás ARM-erőforrás-azonosítója. | MonitorComputeConfigurationBase (kötelező) |
monitoringTarget | A figyelő által megcélzott entitások. | MonitoringTarget |
Jelek | [Kötelező] A figyelendő jelek. | MonitorDefinitionSignals (kötelező) |
MonitorNotificationSettings
Név | Leírás | Érték |
---|---|---|
emailNotificationSettings | Az AML értesítési e-mail beállításai. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
Név | Leírás | Érték |
---|---|---|
Az e-mail címzettjeinek listája, amely összesen 499 karakteres korlátozással rendelkezik. | sztring[] |
MonitorComputeConfigurationBase
Név | Leírás | Érték |
---|---|---|
computeType | Az objektum típusának beállítása | Kiszolgáló nélküliSpark (kötelező) |
MonitorServerlessSparkCompute
Név | Leírás | Érték |
---|---|---|
computeType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "ServerlessSpark" (kötelező) |
computeIdentity | [Kötelező] A kiszolgáló nélküli Sparkon futó Spark-feladatok által kihasznált identitásséma. | MonitorComputeIdentityBase (kötelező) |
instanceType | [Kötelező] A Spark-feladatot futtató példánytípus. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
runtimeVersion | [Kötelező] A Spark-futtatókörnyezet verziója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = ^[0-9]+\.[0-9]+$ |
MonitorComputeIdentityBase
Név | Leírás | Érték |
---|---|---|
computeIdentityType | Az objektum típusának beállítása | AmlToken ManagedIdentity (kötelező) |
AmlTokenComputeIdentity
Név | Leírás | Érték |
---|---|---|
computeIdentityType | [Kötelező] Meghatározza a monitorozási feladatokban használandó identitás típusát. | "AmlToken" (kötelező) |
ManagedComputeIdentity
Név | Leírás | Érték |
---|---|---|
computeIdentityType | [Kötelező] Meghatározza a monitorozási feladatokban használni kívánt identitás típusát. | "ManagedIdentity" (kötelező) |
identity | A monitorozási feladatok által kihasznált identitás. | ManagedServiceIdentity |
ManagedServiceIdentity
Név | Leírás | Érték |
---|---|---|
típus | A felügyeltszolgáltatás-identitás típusa (ahol a SystemAssigned és a UserAssigned típus egyaránt engedélyezett). | "Nincs" "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (kötelező) |
userAssignedIdentities | Az erőforráshoz társított felhasználó által hozzárendelt identitások halmaza. A userAssignedIdentities szótárkulcsok arm-erőforrás-azonosítók lesznek a következő űrlapon: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótár értékei üres objektumok ({}) lehetnek a kérésekben. | UserAssignedIdentities |
UserAssignedIdentities
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | UserAssignedIdentity |
UserAssignedIdentity
Ez az objektum nem tartalmaz az üzembe helyezés során beállítandó tulajdonságokat. Minden tulajdonság a ReadOnly.
MonitoringTarget
Név | Leírás | Érték |
---|---|---|
deploymentId | Hivatkozás a figyelő által megcélzott üzembehelyezési eszközre. | sztring |
modelId | Hivatkozás a figyelő által megcélzott modelleszközre. | sztring |
taskType | [Kötelező] A monitorozott modell gépi tanulási feladattípusa. | "Besorolás" "Regresszió" (kötelező) |
MonitorDefinitionSignals
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | MonitoringSignalBase |
MonitoringSignalBase
Név | Leírás | Érték |
---|---|---|
notificationTypes | A jel aktuális értesítési módja. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "AmlNotification" |
properties | Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók. | MonitoringSignalBaseProperties |
signalType | Az objektumtípus beállítása | Egyéni DataDrift DataQuality FeatureAttributionDrift PredictionDrift (kötelező) |
MonitoringSignalBaseProperties
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
CustomMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "Egyéni" (kötelező) |
componentId | [Kötelező] Hivatkozás az egyéni metrikák kiszámításához használt összetevő-objektumra. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
inputAssets | Adategységek figyelése bemenetként. A kulcs az összetevő bemeneti portjának neve, az érték pedig az adategység. | CustomMonitoringSignalInputAssets |
Bemenetek | További összetevőparaméterek bemenetként. A kulcs az összetevő literál bemeneti portjának neve, az érték pedig a paraméter értéke. | CustomMonitoringSignalInputs |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | CustomMetricThreshold[] (kötelező) |
CustomMonitoringSignalInputAssets
Név | Leírás | Érték |
---|---|---|
{customized property} | MonitoringInputDataBase |
MonitoringInputDataBase
Név | Leírás | Érték |
---|---|---|
oszlopok | Oszlopnevek leképezése speciális használati módokra. | MonitoringInputDataBaseColumns |
dataContext | Az adatforrás környezeti metaadatai. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" 'literál' "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
Uri | [Kötelező] Bemeneti adategység URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
inputDataType | Az objektum típusának beállítása | Rögzített Gördülő Statikus (kötelező) |
MonitoringInputDataBaseColumns
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
FixedInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "Javítva" (kötelező) |
RollingInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "Működés közben" (kötelező) |
preprocessingComponentId | Hivatkozás az adatok előfeldolgozásához használt összetevő-objektumra. | sztring |
windowOffset | [Kötelező] Az adatablak vége és a figyelő aktuális futási ideje közötti időeltolódás. | sztring (kötelező) |
windowSize | [Kötelező] A gördülő adatok ablakának mérete. | sztring (kötelező) |
StaticInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "Statikus" (kötelező) |
preprocessingComponentId | Hivatkozás az adatok előfeldolgozásához használt összetevő-objektumra. | sztring |
windowEnd | [Kötelező] Az adatablak záró dátuma. | sztring (kötelező) |
windowStart | [Kötelező] Az adatablak kezdő dátuma. | sztring (kötelező) |
CustomMonitoringSignalInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
CustomMetricThreshold
Név | Leírás | Érték |
---|---|---|
Metrika | [Kötelező] A felhasználó által megadott, kiszámítandó metrika. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
MonitoringThreshold
Név | Leírás | Érték |
---|---|---|
érték | A küszöbérték. Null érték esetén a beállított alapértelmezett érték a metrika típusától függ. | int |
DataDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "DataDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | DataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | A számítástechnika funkcióinak fontossága. | FeatureImportanceSettings |
funkciók | A funkciószűrő, amely azonosítja, hogy melyik szolgáltatásra kell kiszámolni a sodródást. | MonitoringFeatureFilterBase |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataDriftMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
DataDriftMonitoringSignalFeatureDataTypeOverride
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
FeatureImportanceSettings
Név | Leírás | Érték |
---|---|---|
mód | A számítástechnika működési módja fontos. | "Letiltva" "Engedélyezve" |
targetColumn | A céloszlop neve a bemeneti adategységen belül. | sztring |
MonitoringFeatureFilterBase
Név | Leírás | Érték |
---|---|---|
filterType | Az objektumtípus beállítása | AllFeatures FeatureSubset TopNByAttribution (kötelező) |
AllFeatures
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák átszámításához használható funkciók kiválasztásakor használható. | "AllFeatures" (kötelező) |
FeatureSubset
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák átszámításához használható funkciók kiválasztásakor használható. | "FeatureSubset" (kötelező) |
funkciók | [Kötelező] A belefoglalandó funkciók listája. | sztring[] (kötelező) |
TopNFeaturesByAttribution
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák átszámításához használható funkciók kiválasztásakor használható. | "TopNByAttribution" (kötelező) |
top | A legfontosabb funkciók száma. | int |
DataDriftMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
dataType | Az objektumtípus beállítása | Kategorikus Numerikus (kötelező) |
CategoricalDataDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus adateltolódási metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalDataDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus adateltolódási metrika. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
DataQualityMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "DataQuality" (kötelező) |
featureDataTypeOverride | Egy szótár, amely a funkcióneveket a hozzájuk tartozó adattípusokra képezi le. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | A számítástechnika beállításainak fontossága. | FeatureImportanceSettings |
funkciók | A sodródás kiszámításához szükséges funkciók. | MonitoringFeatureFilterBase |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataQualityMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyek eltérésének kiszámítása történik. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
DataQualityMonitoringSignalFeatureDataTypeOverride
Név | Leírás | Érték |
---|---|---|
{customized property} | "Kategorikus" "Numerikus" |
DataQualityMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
dataType | Az objektum típusának beállítása | Kategorikus Numerikus (kötelező) |
CategoricalDataQualityMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
NumericalDataQualityMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
FeatureAttributionDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "FeatureAttributionDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | [Kötelező] A számítástechnika funkcióinak fontossága. | FeatureImportanceSettings (kötelező) |
metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | FeatureAttributionMetricThreshold (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase[] (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
FeatureAttributionMetricThreshold
Név | Leírás | Érték |
---|---|---|
Metrika | [Kötelező] A kiszámolandó funkció-hozzárendelési metrika. | "NormalizedDiscountedCumulativeGain" (kötelező) |
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
PredictionDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "PredictionDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | PredictionDriftMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
PredictionDriftMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
dataType | Az objektumtípus beállítása | Kategorikus Numerikus (kötelező) |
CategoricalPredictionDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Meghatározza a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A számításhoz használt kategorikus előrejelzési eltérés metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalPredictionDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Meghatározza a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A numerikus előrejelzési sodródási metrika a számításhoz. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
EndpointScheduleAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Az ütemezés művelettípusát adja meg | 'InvokeBatchEndpoint' (kötelező) |
endpointInvocationDefinition | [Kötelező] Meghatározza az Ütemezési művelet definíciójának részleteit. {lásd: href="TBD" /} |
TriggerBase
Név | Leírás | Érték |
---|---|---|
endTime | Meghatározza az ütemezés befejezési időpontját az ISO 8601-ben, de utc eltolás nélkül. Lásd: https://en.wikipedia.org/wiki/ISO_8601. Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nincs jelen, az ütemezés határozatlan ideig fog futni |
sztring |
startTime | Iso 8601 formátumban, utc eltolás nélkül adja meg az ütemezés kezdési időpontját. | sztring |
timeZone | Meghatározza, hogy az ütemezés mely időzónában fut. A TimeZone-nak a Windows időzóna-formátumát kell követnie. Lásd: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
sztring |
triggerType | Az objektumtípus beállítása | Cron Ismétlődés (kötelező) |
CronTrigger
Név | Leírás | Érték |
---|---|---|
triggerType | [Kötelező] | "Cron" (kötelező) |
kifejezés | [Kötelező] Az ütemezés cron-kifejezését adja meg. A kifejezésnek az NCronTab formátumot kell követnie. |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
RecurrenceTrigger
Név | Leírás | Érték |
---|---|---|
endTime | Meghatározza az ütemezés befejezési időpontját az ISO 8601-ben, de utc eltolás nélkül. Lásd: https://en.wikipedia.org/wiki/ISO_8601. Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nincs jelen, az ütemezés határozatlan ideig fog futni |
sztring |
frequency | [Kötelező] Az ütemezés aktiválásának gyakorisága. | "Nap" "Óra" "Perc" "Hónap" "Hét" (kötelező) |
interval | [Kötelező] A gyakorisággal együtt adja meg az ütemezési időközt | int (kötelező) |
schedule | Az ismétlődés ütemezése. | RecurrenceSchedule |
startTime | Iso 8601 formátumban, utc eltolás nélkül adja meg az ütemezés kezdési időpontját. | sztring |
timeZone | Meghatározza, hogy az ütemezés mely időzónában fut. A TimeZone-nak a Windows időzóna-formátumát kell követnie. Lásd: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
sztring |
triggerType | [Kötelező] | 'Cron' Ismétlődés (kötelező) |
RecurrenceSchedule
Név | Leírás | Érték |
---|---|---|
óra | [Kötelező] Az ütemezés óráinak listája. | int[] (kötelező) |
perc során. | [Kötelező] Az ütemezés perceinek listája. | int[] (kötelező) |
monthDays | Az ütemezés hónap napjainak listája | int[] |
weekDays | Az ütemezés napjainak listája. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Péntek" "Hétfő" "Szombat" "Vasárnap" "Csütörtök" "Kedd" "Szerda" |
Terraform -erőforrásdefiníció (AzAPI-szolgáltató)
A munkaterületek/ütemezések erőforrástípusa olyan műveletekkel helyezhető üzembe, amelyek a következőket célják:
- Erőforráscsoportok
Az egyes API-verziók módosított tulajdonságainak listáját a változásnaplóban találja.
Erőforrás formátuma
Microsoft.MachineLearningServices/workspaces/schedules erőforrás létrehozásához adja hozzá a következő Terraformot a sablonhoz.
resource "azapi_resource" "symbolicname" {
type = "Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01"
name = "string"
parent_id = "string"
body = jsonencode({
properties = {
action = {
actionType = "string"
// For remaining properties, see ScheduleActionBase objects
}
description = "string"
displayName = "string"
isEnabled = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
trigger = {
endTime = "string"
startTime = "string"
timeZone = "string"
triggerType = "string"
// For remaining properties, see TriggerBase objects
}
}
})
}
ScheduleActionBase-objektumok
Állítsa be az actionType tulajdonságot az objektum típusának megadásához.
CreateJob esetén használja a következőt:
actionType = "CreateJob"
jobDefinition = {
componentId = "string"
computeId = "string"
description = "string"
displayName = "string"
experimentName = "string"
identity {
identityType = "string"
// For remaining properties, see IdentityConfiguration objects
}
isArchived = bool
properties = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
services = {
{customized property} = {
endpoint = "string"
jobServiceType = "string"
nodes = {
nodesValueType = "string"
// For remaining properties, see Nodes objects
}
port = int
properties = {
{customized property} = "string"
}
}
}
tags = {
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
{customized property} = "string"
}
jobType = "string"
// For remaining properties, see JobBaseProperties objects
}
A CreateMonitor esetében használja a következőt:
actionType = "CreateMonitor"
monitorDefinition = {
alertNotificationSettings = {
emailNotificationSettings = {
emails = [
"string"
]
}
}
computeConfiguration = {
computeType = "string"
// For remaining properties, see MonitorComputeConfigurationBase objects
}
monitoringTarget = {
deploymentId = "string"
modelId = "string"
taskType = "string"
}
signals = {
{customized property} = {
notificationTypes = "AmlNotification"
properties = {
{customized property} = "string"
}
signalType = "string"
// For remaining properties, see MonitoringSignalBase objects
}
}
}
Az InvokeBatchEndpoint esetében használja a következőt:
actionType = "InvokeBatchEndpoint"
JobBaseProperties objektumok
Állítsa be a jobType tulajdonságot az objektum típusának megadásához.
AutoML esetén használja a következőt:
jobType = "AutoML"
environmentId = "string"
environmentVariables = {
{customized property} = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "string"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
taskDetails = {
logVerbosity = "string"
targetColumnName = "string"
trainingData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
taskType = "string"
// For remaining properties, see AutoMLVertical objects
}
A Parancshoz használja a következőt:
jobType = "Command"
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"
}
resources = {
dockerArgs = "string"
instanceCount = int
instanceType = "string"
properties = {}
shmSize = "string"
}
Folyamat esetén használja a következőt:
jobType = "Pipeline"
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
jobs = {}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
sourceJobId = "string"
Takarításhoz használja a következőt:
jobType = "Sweep"
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
limits = {
jobLimitsType = "string"
maxConcurrentTrials = int
maxTotalTrials = int
timeout = "string"
trialTimeout = "string"
}
objective = {
goal = "string"
primaryMetric = "string"
}
outputs = {
{customized property} = {
description = "string"
jobOutputType = "string"
// For remaining properties, see JobOutput objects
}
}
queueSettings = {
jobTier = "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"
properties = {}
shmSize = "string"
}
}
IdentityConfiguration-objektumok
Állítsa be az identityType tulajdonságot az objektum típusának megadásához.
AMLToken esetén használja a következőt:
identityType = "AMLToken"
Felügyelt esetén használja a következőt:
identityType = "Managed"
clientId = "string"
objectId = "string"
resourceId = "string"
A UserIdentity esetében használja a következőt:
identityType = "UserIdentity"
Csomópontok objektumai
Állítsa be a nodesValueType tulajdonságot az objektum típusának megadásához.
Az Összes esetében használja a következőt:
nodesValueType = "All"
JobOutput-objektumok
Állítsa be a jobOutputType tulajdonságot az objektum típusának megadásához.
A custom_model a következőt használja:
jobOutputType = "custom_model"
mode = "string"
uri = "string"
A mlflow_model a következőt használja:
jobOutputType = "mlflow_model"
mode = "string"
uri = "string"
Mltable esetén használja a következőt:
jobOutputType = "mltable"
mode = "string"
uri = "string"
A triton_model a következőt használja:
jobOutputType = "triton_model"
mode = "string"
uri = "string"
A uri_file a következőt használja:
jobOutputType = "uri_file"
mode = "string"
uri = "string"
A uri_folder a következőt használja:
jobOutputType = "uri_folder"
mode = "string"
uri = "string"
AutoMLVertical objektumok
Állítsa be a taskType tulajdonságot az objektum típusának megadásához.
Besoroláshoz használja a következőt:
taskType = "Classification"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
positiveLabel = "string"
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Előrejelzéshez használja a következőt:
taskType = "Forecasting"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
forecastingSettings = {
countryOrRegionForHolidays = "string"
cvStepSize = int
featureLags = "string"
forecastHorizon = {
mode = "string"
// For remaining properties, see ForecastHorizon objects
}
frequency = "string"
seasonality = {
mode = "string"
// For remaining properties, see Seasonality objects
}
shortSeriesHandlingConfig = "string"
targetAggregateFunction = "string"
targetLags = {
mode = "string"
// For remaining properties, see TargetLags objects
}
targetRollingWindowSize = {
mode = "string"
// For remaining properties, see TargetRollingWindowSize objects
}
timeColumnName = "string"
timeSeriesIdColumnNames = [
"string"
]
useStl = "string"
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
Az ImageClassification esetében használja a következőt:
taskType = "ImageClassification"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Az ImageClassificationMultilabel elemhez használja a következőt:
taskType = "ImageClassificationMultilabel"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
modelName = "string"
momentum = int
nesterov = bool
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
trainingBatchSize = int
trainingCropSize = int
validationBatchSize = int
validationCropSize = int
validationResizeSize = int
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
weightedLoss = int
}
primaryMetric = "string"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
modelName = "string"
momentum = "string"
nesterov = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
trainingBatchSize = "string"
trainingCropSize = "string"
validationBatchSize = "string"
validationCropSize = "string"
validationResizeSize = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
weightedLoss = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Az ImageInstanceSegmentation esetében használja a következőt:
taskType = "ImageInstanceSegmentation"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Az ImageObjectDetection esetében használja a következőt:
taskType = "ImageObjectDetection"
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
modelSettings = {
advancedSettings = "string"
amsGradient = bool
augmentations = "string"
beta1 = int
beta2 = int
boxDetectionsPerImage = int
boxScoreThreshold = int
checkpointFrequency = int
checkpointModel = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
checkpointRunId = "string"
distributed = bool
earlyStopping = bool
earlyStoppingDelay = int
earlyStoppingPatience = int
enableOnnxNormalization = bool
evaluationFrequency = int
gradientAccumulationStep = int
imageSize = int
layersToFreeze = int
learningRate = int
learningRateScheduler = "string"
maxSize = int
minSize = int
modelName = "string"
modelSize = "string"
momentum = int
multiScale = bool
nesterov = bool
nmsIouThreshold = int
numberOfEpochs = int
numberOfWorkers = int
optimizer = "string"
randomSeed = int
stepLRGamma = int
stepLRStepSize = int
tileGridSize = "string"
tileOverlapRatio = int
tilePredictionsNmsThreshold = int
trainingBatchSize = int
validationBatchSize = int
validationIouThreshold = int
validationMetricType = "string"
warmupCosineLRCycles = int
warmupCosineLRWarmupEpochs = int
weightDecay = int
}
primaryMetric = "MeanAveragePrecision"
searchSpace = [
{
amsGradient = "string"
augmentations = "string"
beta1 = "string"
beta2 = "string"
boxDetectionsPerImage = "string"
boxScoreThreshold = "string"
distributed = "string"
earlyStopping = "string"
earlyStoppingDelay = "string"
earlyStoppingPatience = "string"
enableOnnxNormalization = "string"
evaluationFrequency = "string"
gradientAccumulationStep = "string"
imageSize = "string"
layersToFreeze = "string"
learningRate = "string"
learningRateScheduler = "string"
maxSize = "string"
minSize = "string"
modelName = "string"
modelSize = "string"
momentum = "string"
multiScale = "string"
nesterov = "string"
nmsIouThreshold = "string"
numberOfEpochs = "string"
numberOfWorkers = "string"
optimizer = "string"
randomSeed = "string"
stepLRGamma = "string"
stepLRStepSize = "string"
tileGridSize = "string"
tileOverlapRatio = "string"
tilePredictionsNmsThreshold = "string"
trainingBatchSize = "string"
validationBatchSize = "string"
validationIouThreshold = "string"
validationMetricType = "string"
warmupCosineLRCycles = "string"
warmupCosineLRWarmupEpochs = "string"
weightDecay = "string"
}
]
sweepSettings = {
earlyTermination = {
delayEvaluation = int
evaluationInterval = int
policyType = "string"
// For remaining properties, see EarlyTerminationPolicy objects
}
samplingAlgorithm = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
Regresszió esetén használja a következőt:
taskType = "Regression"
cvSplitColumnNames = [
"string"
]
featurizationSettings = {
blockedTransformers = [
"string"
]
columnNameAndTypes = {
{customized property} = "string"
}
datasetLanguage = "string"
enableDnnFeaturization = bool
mode = "string"
transformerParams = {
{customized property} = [
{
fields = [
"string"
]
}
]
}
}
limitSettings = {
enableEarlyTermination = bool
exitScore = int
maxConcurrentTrials = int
maxCoresPerTrial = int
maxTrials = int
timeout = "string"
trialTimeout = "string"
}
nCrossValidations = {
mode = "string"
// For remaining properties, see NCrossValidations objects
}
primaryMetric = "string"
testData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
testDataSize = int
trainingSettings = {
allowedTrainingAlgorithms = [
"string"
]
blockedTrainingAlgorithms = [
"string"
]
enableDnnTraining = bool
enableModelExplainability = bool
enableOnnxCompatibleModels = bool
enableStackEnsemble = bool
enableVoteEnsemble = bool
ensembleModelDownloadTimeout = "string"
stackEnsembleSettings = {
stackMetaLearnerTrainPercentage = int
stackMetaLearnerType = "string"
}
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
validationDataSize = int
weightColumnName = "string"
TextClassification esetén használja a következőt:
taskType = "TextClassification"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
primaryMetric = "string"
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
A TextClassificationMultilabel elemhez használja a következőt:
taskType = "TextClassificationMultilabel"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
A TextNER esetében használja a következőt:
taskType = "TextNER"
featurizationSettings = {
datasetLanguage = "string"
}
limitSettings = {
maxConcurrentTrials = int
maxTrials = int
timeout = "string"
}
validationData = {
description = "string"
jobInputType = "string"
mode = "string"
uri = "string"
}
NCrossValidations objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode = "Auto"
Egyéni esetén használja a következőt:
mode = "Custom"
value = int
ForecastHorizon objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode = "Auto"
Egyéni esetén használja a következőt:
mode = "Custom"
value = int
Szezonalitási objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode = "Auto"
Egyéni esetén használja a következőt:
mode = "Custom"
value = int
TargetLags-objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode = "Auto"
Egyéni esetén használja a következőt:
mode = "Custom"
values = [
int
]
TargetRollingWindowSize objektumok
Állítsa be a mode tulajdonságot az objektum típusának megadásához.
Az Automatikus verzióhoz használja a következőt:
mode = "Auto"
Egyéni esetén használja a következőt:
mode = "Custom"
value = int
EarlyTerminationPolicy objektumok
Állítsa be a policyType tulajdonságot az objektum típusának megadásához.
A Bandit esetében használja a következőt:
policyType = "Bandit"
slackAmount = int
slackFactor = int
A MedianStopping esetében használja a következőt:
policyType = "MedianStopping"
A TruncationSelection esetében használja a következőt:
policyType = "TruncationSelection"
truncationPercentage = int
DistributionConfiguration objektumok
Állítsa be a distributionType tulajdonságot az objektum típusának megadásához.
Mpi esetén használja a következőt:
distributionType = "Mpi"
processCountPerInstance = int
PyTorch esetén használja a következőt:
distributionType = "PyTorch"
processCountPerInstance = int
A TensorFlow esetében használja a következőt:
distributionType = "TensorFlow"
parameterServerCount = int
workerCount = int
JobInput objektumok
Állítsa be a jobInputType tulajdonságot az objektum típusának megadásához.
A custom_model a következőt használja:
jobInputType = "custom_model"
mode = "string"
uri = "string"
A literálhoz használja a következőt:
jobInputType = "literal"
value = "string"
A mlflow_model a következőt használja:
jobInputType = "mlflow_model"
mode = "string"
uri = "string"
Mltable esetén használja a következőt:
jobInputType = "mltable"
mode = "string"
uri = "string"
A triton_model a következőt használja:
jobInputType = "triton_model"
mode = "string"
uri = "string"
A uri_file a következőt használja:
jobInputType = "uri_file"
mode = "string"
uri = "string"
A uri_folder a következőt használja:
jobInputType = "uri_folder"
mode = "string"
uri = "string"
SamplingAlgorithm objektumok
Állítsa be a samplingAlgorithmType tulajdonságot az objektum típusának megadásához.
Bayesian esetén használja a következőt:
samplingAlgorithmType = "Bayesian"
A Grid esetében használja a következőt:
samplingAlgorithmType = "Grid"
Véletlenszerűen használja a következőt:
samplingAlgorithmType = "Random"
rule = "string"
seed = int
MonitorComputeConfigurationBase-objektumok
Állítsa be a computeType tulajdonságot az objektum típusának megadásához.
A ServerlessSpark esetében használja a következőt:
computeType = "ServerlessSpark"
computeIdentity = {
computeIdentityType = "string"
// For remaining properties, see MonitorComputeIdentityBase objects
}
instanceType = "string"
runtimeVersion = "string"
MonitorComputeIdentityBase-objektumok
Állítsa be a computeIdentityType tulajdonságot az objektum típusának megadásához.
Az AmlToken esetében használja a következőt:
computeIdentityType = "AmlToken"
A ManagedIdentity esetében használja a következőt:
computeIdentityType = "ManagedIdentity"
identity {
type = "string"
identity_ids = []
}
MonitoringSignalBase-objektumok
Állítsa be a signalType tulajdonságot az objektum típusának megadásához.
Egyéni esetén használja a következőt:
signalType = "Custom"
componentId = "string"
inputAssets = {
{customized property} = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
}
inputs = {
{customized property} = {
description = "string"
jobInputType = "string"
// For remaining properties, see JobInput objects
}
}
metricThresholds = [
{
metric = "string"
threshold = {
value = int
}
}
]
A DataDrift esetében használja a következőt:
signalType = "DataDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A DataQuality esetében használja a következőt:
signalType = "DataQuality"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
features = {
filterType = "string"
// For remaining properties, see MonitoringFeatureFilterBase objects
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see DataQualityMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A FeatureAttributionDrift esetében használja a következőt:
signalType = "FeatureAttributionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
featureImportanceSettings = {
mode = "string"
targetColumn = "string"
}
metricThreshold = {
metric = "NormalizedDiscountedCumulativeGain"
threshold = {
value = int
}
}
productionData = [
{
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
]
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
A PredictionDrift esetében használja a következőt:
signalType = "PredictionDrift"
featureDataTypeOverride = {
{customized property} = "string"
}
metricThresholds = [
{
threshold = {
value = int
}
dataType = "string"
// For remaining properties, see PredictionDriftMetricThresholdBase objects
}
]
productionData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
referenceData = {
columns = {
{customized property} = "string"
}
dataContext = "string"
jobInputType = "string"
uri = "string"
inputDataType = "string"
// For remaining properties, see MonitoringInputDataBase objects
}
MonitoringInputDataBase-objektumok
Állítsa be az inputDataType tulajdonságot az objektum típusának megadásához.
A Javítva esetén használja a következőt:
inputDataType = "Fixed"
Gördülő esetén használja a következőt:
inputDataType = "Rolling"
preprocessingComponentId = "string"
windowOffset = "string"
windowSize = "string"
Statikus esetén használja a következőt:
inputDataType = "Static"
preprocessingComponentId = "string"
windowEnd = "string"
windowStart = "string"
MonitoringFeatureFilterBase-objektumok
Állítsa be a filterType tulajdonságot az objektum típusának megadásához.
Az AllFeatures esetében használja a következőt:
filterType = "AllFeatures"
A FeatureSubset esetében használja a következőt:
filterType = "FeatureSubset"
features = [
"string"
]
TopNByAttribution esetén használja a következőt:
filterType = "TopNByAttribution"
top = int
DataDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
dataType = "Categorical"
metric = "string"
Numerikus esetén használja a következőt:
dataType = "Numerical"
metric = "string"
DataQualityMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
dataType = "Categorical"
metric = "string"
Numerikus esetén használja a következőt:
dataType = "Numerical"
metric = "string"
PredictionDriftMetricThresholdBase-objektumok
Állítsa be a dataType tulajdonságot az objektum típusának megadásához.
Kategorikus esetén használja a következőt:
dataType = "Categorical"
metric = "string"
Numerikus esetén használja a következőt:
dataType = "Numerical"
metric = "string"
TriggerBase-objektumok
Állítsa be a triggerType tulajdonságot az objektum típusának megadásához.
Cron esetén használja a következőt:
triggerType = "Cron"
expression = "string"
Ismétlődés esetén használja a következőt:
triggerType = "Recurrence"
frequency = "string"
interval = int
schedule = {
hours = [
int
]
minutes = [
int
]
monthDays = [
int
]
weekDays = [
"string"
]
}
Tulajdonságértékek
munkaterületek/ütemezések
Név | Leírás | Érték |
---|---|---|
típus | Az erőforrás típusa | "Microsoft.MachineLearningServices/workspaces/schedules@2023-10-01" |
name | Az erőforrás neve | sztring (kötelező) |
parent_id | Annak az erőforrásnak az azonosítója, amely ennek az erőforrásnak a szülője. | Típusú erőforrás azonosítója: munkaterületek |
properties | [Kötelező] Az entitás további attribútumai. | ScheduleProperties (kötelező) |
ScheduleProperties
Név | Leírás | Érték |
---|---|---|
action | [Kötelező] Az ütemezés műveletét adja meg | ScheduleActionBase (kötelező) |
leírás | Az objektum leírásának szövege. | sztring |
displayName | Az ütemezés megjelenítendő neve. | sztring |
isEnabled | Engedélyezve van az ütemezés? | logikai |
properties | Az eszköztulajdonság szótára. | ResourceBaseProperties |
tags | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | object |
Ravaszt | [Kötelező] Az eseményindító részleteinek megadása | TriggerBase (kötelező) |
ScheduleActionBase
Név | Leírás | Érték |
---|---|---|
actionType | Az objektum típusának beállítása | CreateJob CreateMonitor InvokeBatchEndpoint (kötelező) |
JobScheduleAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Meghatározza az ütemezés művelettípusát | "CreateJob" (kötelező) |
jobDefinition | [Kötelező] Meghatározza az Ütemezési művelet definíciójának részleteit. | JobBaseProperties (kötelező) |
JobBaseProperties
Név | Leírás | Érték |
---|---|---|
componentId | Az összetevő-erőforrás ARM-erőforrás-azonosítója. | sztring |
computeId | A számítási erőforrás ARM-erőforrás-azonosítója. | sztring |
leírás | Az eszköz leírásának szövege. | sztring |
displayName | A feladat nevének megjelenítése. | sztring |
experimentName | Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül. | sztring |
identity | Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null. |
IdentityConfiguration |
isArchived | Archiválva van az eszköz? | logikai |
properties | Az eszköztulajdonság szótára. | ResourceBaseProperties |
services | A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont végpontértéke FileStreamObject lesz. |
JobBaseServices |
tags | Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők. | object |
jobType | Az objektumtípus beállítása | AutoML Parancs Folyamat Takarítás (kötelező) |
IdentityConfiguration
Név | Leírás | Érték |
---|---|---|
identityType | Az objektumtípus beállítása | AMLToken Felügyelt UserIdentity (kötelező) |
AmlToken
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "AMLToken" (kötelező) |
Felügyelt identitás
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "Felügyelt" (kötelező) |
ügyfél-azonosító | Felhasználó által hozzárendelt identitást ad meg ügyfélazonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt. | sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
objectId | Felhasználó által hozzárendelt identitást ad meg objektumazonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt. | sztring Korlátok: Minimális hossz = 36 Maximális hossz = 36 Minta = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$ |
resourceId | Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezőben ne állítsa be ezt a mezőt. | sztring |
Felhasználói azonosító
Név | Leírás | Érték |
---|---|---|
identityType | [Kötelező] Meghatározza az identitás-keretrendszer típusát. | "UserIdentity" (kötelező) |
ResourceBaseProperties
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring | |
{testreszabott tulajdonság} | sztring |
JobBaseServices
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobService |
JobService
Név | Leírás | Érték |
---|---|---|
endpoint | Végpont URL-címe. | sztring |
jobServiceType | Végpont típusa. | sztring |
Csomópontok | Csomópontok, amelyeken a felhasználó elindítja a szolgáltatást. Ha a Csomópontok nincs beállítva vagy null értékűre van állítva, a szolgáltatás csak a vezető csomóponton lesz elindítva. |
Csomópontok |
port | Végpont portja. | int |
properties | 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 | "Mind" (kötelező) |
JobServiceProperties
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
AutoMLJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "AutoML" (kötelező) |
environmentId | A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az Éles autoML válogatott környezeti verzióra adja meg a feladat futtatásakor. |
sztring |
environmentVariables | A feladatban szereplő környezeti változók. | AutoMLJobEnvironmentVariables |
Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | AutoMLJobOutputs |
queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
resources | Számítási erőforrás konfigurálása a feladathoz. | JobResourceConfiguration |
taskDetails | [Kötelező] Ez olyan forgatókönyvet jelöl, amely lehet egy tábla/NLP/Kép | AutoMLVertical (kötelező) |
AutoMLJobEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | sztring |
AutoMLJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
JobOutput
Név | Leírás | Érték |
---|---|---|
leírás | A kimenet leírása. | sztring |
jobOutputType | Az objektumtípus beállítása | custom_model mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
MLFlowModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "mlflow_model" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
MLTableJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "mltable" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
TritonModelJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "triton_model" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
UriFileJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "uri_file" (kötelező) |
mód | Kimeneti eszközkézbesítési mód. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
UriFolderJobOutput
Név | Leírás | Érték |
---|---|---|
jobOutputType | [Kötelező] Meghatározza a feladat típusát. | "uri_folder" (kötelező) |
mód | Kimeneti eszköz kézbesítési módja. | "ReadWriteMount" "Feltöltés" |
Uri | Kimeneti eszköz URI-ja. | sztring |
QueueSettings
Név | Leírás | Érték |
---|---|---|
jobTier | A számítási feladat szintjét szabályozza | "Alapszintű" "Null" "Prémium" "Spot" "Standard" |
JobResourceConfiguration
Név | Leírás | Érték |
---|---|---|
dockerArgs | További argumentumok a Docker-futtatási parancsnak való továbbításhoz. Ez felülbírálná a rendszer által vagy ebben a szakaszban már beállított paramétereket. Ez a paraméter csak az Azure ML számítási típusok esetében támogatott. | sztring |
instanceCount | A számítási cél által használt példányok vagy csomópontok opcionális száma. | int |
instanceType | A számítási cél által támogatott virtuális gép választható típusa. | sztring |
properties | További tulajdonságok táska. | ResourceConfigurationProperties |
shmSize | A Docker-tároló megosztott memóriablokkjának mérete. Ennek (szám)(egység) formátumban kell lennie, ahol a szám 0-nál nagyobb, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt). | sztring Korlátok: Minta = \d+[bBkKmMgG] |
ResourceConfigurationProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | ||
{customized property} |
AutoMLVertical
Név | Leírás | Érték |
---|---|---|
logVerbosity | A feladat részletességének naplózása. | "Kritikus" "Hibakeresés" "Hiba" "Információ" "NotSet" "Figyelmeztetés" |
targetColumnName | Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában. |
sztring |
trainingData | [Kötelező] Betanítási adatbevitel. | MLTableJobInput (kötelező) |
taskType | Az objektum típusának beállítása | Besorolás Előrejelzések ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresszió TextClassification TextClassificationMultilabel TextNER (kötelező) |
MLTableJobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Besorolás
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Besorolás" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
positiveLabel | Pozitív címke a bináris metrikák számításához. | sztring |
primaryMetric | A tevékenység elsődleges metrikája. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | ClassificationTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak. | sztring |
TableVerticalFeaturizationSettings
Név | Leírás | Érték |
---|---|---|
blockedTransformers | Ezek a transzformátorok nem használhatók a featurizáláshoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding" |
columnNameAndTypes | Az oszlop nevének és típusának szótára (int, float, string, datetime stb.). | TableVerticalFeaturizationSettingsColumnNameAndTypes |
datasetLanguage | Adatkészlet nyelve, amely hasznos a szöveges adatokhoz. | sztring |
enableDnnFeaturization | Meghatározza, hogy dnn-alapú featurizálókat használjon-e az adatok featurizálásához. | logikai |
mód | Featurization mód – A felhasználó megtarthatja az alapértelmezett "Automatikus" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizálási fázisban. Ha a "Ki" beállítás van kiválasztva, akkor a művelet nem végez el featurizációt. Ha az "Egyéni" beállítás van kiválasztva, a felhasználó további bemeneteket adhat meg a featurizálási folyamat testreszabásához. |
"Automatikus" "Egyéni" "Ki" |
transformerParams | A felhasználó megadhat további használandó transzformátorokat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint a transzformátor-konstruktor paramétereit. | TableVerticalFeaturizationSettingsTransformerParams |
TableVerticalFeaturizationSettingsColumnNameAndTypes
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
TableVerticalFeaturizationSettingsTransformerParams
Név | Leírás | Érték |
---|---|---|
{customized property} | ColumnTransformer[] |
ColumnTransformer
Név | Leírás | Érték |
---|---|---|
fields | A transzformátorlogika alkalmazásához használandó mezők. | sztring[] |
parameters | A transzformátornak átadandó különböző tulajdonságok. A várt bemenet a kulcs-érték párok szótára JSON formátumban. |
TableVerticalLimitSettings
Név | Leírás | Érték |
---|---|---|
enableEarlyTermination | Engedélyezi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám. | logikai |
exitScore | Az AutoML-feladat kilépési pontszáma. | int |
maxConcurrentTrials | Egyidejű iterációk maximális száma. | int |
maxCoresPerTrial | Maximális magok iterációnként. | int |
maxTrials | Iterációk száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
trialTimeout | Iterációs időtúllépés. | sztring |
NCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoNCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Mód az N-Kereszt érvényesítések meghatározásához. | "Automatikus" (kötelező) |
CustomNCrossValidations
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Mód az N-Kereszt érvényesítések meghatározásához. | "Egyéni" (kötelező) |
érték | [Kötelező] N-Cross validations érték. | int (kötelező) |
ClassificationTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A besorolási feladathoz engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
blockedTrainingAlgorithms | A besorolási feladat blokkolt modelljei. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier" |
enableDnnTraining | Engedélyezze a DNN-modellek javaslatát. | logikai |
enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | A stack együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack együttes futtatásához. | StackEnsembleSettings |
StackEnsembleSettings
Név | Leírás | Érték |
---|---|---|
stackMetaLearnerKWargs | Nem kötelező paraméterek a metatanuló inicializálójának való átadáshoz. | |
stackMetaLearnerTrainPercentage | Megadja a betanítási készlet (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához lefoglalandó arányát. Az alapértelmezett érték 0,2. | int |
stackMetaLearnerType | A metatanuló az egyes heterogén modellek kimenetére betanított modell. | "ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Nincs" |
Előrejelzések
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Előrejelzés" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
előrejelzésBeállítások | Tevékenységspecifikus bemenetek előrejelzése. | Előrejelzésbeállítások |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adatkészleten alkalmazni kívánt keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
primaryMetric | Elsődleges metrika a tevékenység előrejelzéséhez. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészletnek az érvényesítési célra félreteendő része. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | ForecastingTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adatkészlet azon része, amelyet érvényesítési célra félre kell tenni. Értékek (0,0 , 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A minta súlyozási oszlopának neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorainak súlyozását okozza. | sztring |
Előrejelzésbeállítások
Név | Leírás | Érték |
---|---|---|
countryOrRegionForHolidays | Az ünnepnapok országa vagy régiója az előrejelzési feladatokhoz. Ezeknek iso 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB". |
sztring |
cvStepSize | Az egyik CV-hajtás forrásideje és a következő hajtás közötti időszakok száma. A következőhöz:CVStepSize ha például = 3 a napi adatok esetében, az egyes hajtások forrásidejehárom nap különbséggel. |
int |
featureLags | Az "auto" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző. | "Automatikus" "Nincs" |
forecastHorizon | A kívánt maximális előrejelzési horizont idősorozat-gyakoriság egységekben. | Előrejelzéshorizon |
frequency | Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést szeretné elérni, például naponta, hetente, évente stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága. | sztring |
Szezonalitás | Állítsa be az idősor szezonalitását az adatsor gyakoriságának egész szám többszöröseként. Ha a szezonalitás "auto" értékre van állítva, akkor a rendszer arra következtet. |
Szezonalitás |
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 értéke nem "Nincs", de a freq paraméter nincs beállítva, a hiba keletkezik. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean". |
"Max" "Középérték" "Min" "Nincs" "Összeg" |
targetLags | A céloszloptól eltúlzott időszakok száma. | TargetLags |
targetRollingWindowSize | A céloszlop gördülőablak-átlagának létrehozásához használt múltbeli időszakok száma. | TargetRollingWindowSize |
timeColumnName | Az időoszlop neve. Ez a paraméter szükséges az előrejelzéshez az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok datetime oszlopának megadásához. | sztring |
timeSeriesIdColumnNames | Az idősorok csoportosításához használt oszlopok neve. Több adatsor létrehozására is használható. Ha a gabona nincs definiálva, a rendszer azt feltételezi, hogy az adathalmaz egy idősor. Ezt a paramétert a tevékenységtípus-előrejelzéshez használjuk. |
sztring[] |
useStl | Konfigurálja az idősor céloszlopának STL-felbontását. | "Nincs" "Szezon" "SeasonTrend" |
Előrejelzéshorizon
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoForecastHorizon
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Előrejelzési horizont értékválasztási módjának beállítása. | "Automatikus" (kötelező) |
CustomForecastHorizon
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Előrejelzési horizont értékválasztási módjának beállítása. | "Egyéni" (kötelező) |
érték | [Kötelező] Előrejelzési horizont értéke. | int (kötelező) |
Szezonalitás
Név | Leírás | Érték |
---|---|---|
mód | Az objektum típusának beállítása | Automatikus Egyéni (kötelező) |
AutoSeasonality
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Szezonalitás mód. | "Automatikus" (kötelező) |
CustomSeasonality
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Szezonalitás mód. | "Egyéni" (kötelező) |
érték | [Kötelező] Szezonalitás értéke. | int (kötelező) |
TargetLags
Név | Leírás | Érték |
---|---|---|
mód | Az objektumtípus beállítása | Automatikus Egyéni (kötelező) |
AutoTargetLags
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Automatikus" (kötelező) |
CustomTargetLags
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni | "Egyéni" (kötelező) |
values | [Kötelező] Állítsa be a cél késési értékeit. | int[] (kötelező) |
TargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | Az objektumtípus beállítása | Automatikus Egyéni (kötelező) |
AutoTargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Automatikus" (kötelező) |
CustomTargetRollingWindowSize
Név | Leírás | Érték |
---|---|---|
mód | [Kötelező] TargetRollingWindowSiz észlelési mód. | "Egyéni" (kötelező) |
érték | [Kötelező] TargetRollingWindowSize érték. | int (kötelező) |
ElőrejelzésTanúsítási beállítások
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | Az előrejelzési tevékenységhez engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
blockedTrainingAlgorithms | Letiltott modellek az előrejelzési feladathoz. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Arimax" "AutoArima" "Átlag" "DecisionTree" "ElasticNet" "ExponenciálisSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naiv" "Próféta" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor" |
enableDnnTraining | DNN-modellek ajánlásának engedélyezése. | logikai |
enableModelExplainability | Jelző a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az Onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | Stack-együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több beépített modelljét tölti le. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél magasabb értékkel. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack-együttes futtatásához. | StackEnsembleSettings |
ImageClassification
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageClassification" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsClassification |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageLimitSettings
Név | Leírás | Érték |
---|---|---|
maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | int |
maxTrials | AutoML-iterációk maximális száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
ImageModelSettingsClassification
Név | Leírás | Érték |
---|---|---|
advancedSettings | Speciális forgatókönyvek beállításai. | sztring |
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | logikai |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
béta2 | A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
checkpointFrequency | A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie. | int |
checkpointModel | Az előre betanított ellenőrzőpont-modell növekményes betanításhoz. | MLFlowModelJobInput |
checkpointRunId | Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | sztring |
Elosztott | Elosztott betanítás használata. | logikai |
earlyStopping | Korai leállítási logika engedélyezése a betanítás során. | logikai |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie. |
int |
earlyStoppingPatience | Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
int |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | logikai |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie. | int |
gradientAccumulationStep | A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
int |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | logikai |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | int |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | int |
Optimalizáló | Az optimalizáló típusa. | "Ádám" "Adamw" "Nincs" "Sgd" |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | int |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | int |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | int |
trainingCropSize | A 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 | Kép körülvágási mérete, amely az érvényesítési adatkészlet neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | int |
validationResizeSize | Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | int |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
warmupCosineLRWarmupEpochs | A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | int |
weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1]. | int |
súlyozottlosok | Súlyozott veszteség. Az elfogadott értékek a súlyozott veszteség nélküli 0 értékek. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie. |
int |
MLFlowModelJobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
ImageModelDistributionSettingsClassification
Név | Leírás | Érték |
---|---|---|
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | sztring |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
Elosztott | Az elosztott betanítás használata. | sztring |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | sztring |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
sztring |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
sztring |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | sztring |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie. | sztring |
gradientAccumulationStep | A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
sztring |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | sztring |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | sztring |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | sztring |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | sztring |
Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | sztring |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | sztring |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | sztring |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | sztring |
trainingCropSize | Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beállítva. Pozitív egész számnak kell lennie. | sztring |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationCropSize | Képvágás mérete, amely az érvényesítési adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie. | sztring |
validationResizeSize | Az érvényesítési adathalmaz körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. | sztring |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | sztring |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
weightedLoss | Súlyozott veszteség. Az elfogadott értékek súlyozás nélkül 0-ra vannak adva. 1 az sqrt-et tartalmazó súlyozott veszteségre. (class_weights). 2 a súlyozott veszteség class_weights. 0-nak vagy 1-nek vagy 2-nek kell lennie. |
sztring |
ImageSweepSettings
Név | Leírás | Érték |
---|---|---|
earlyTermination | A korai felmondási szabályzat típusa. | EarlyTerminationPolicy |
samplingAlgorithm | [Kötelező] A hiperparaméteres mintavételezési algoritmusok típusa. | "Bayesian" "Rács" "Véletlenszerű" (kötelező) |
EarlyTerminationPolicy
Név | Leírás | Érték |
---|---|---|
delayEvaluation | Az első kiértékelés késleltetéséhez tartozó intervallumok száma. | int |
evaluationInterval | A szabályzatértékelések közötti intervallum (futtatások száma). | int |
policyType | Az objektumtípus beállítása | Bandit MediánStopping CsonkolásSelection (kötelező) |
BanditPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "Bandit" (kötelező) |
slackAmount | A legjobban teljesítő futtatástól megengedett abszolút távolság. | int |
slackFactor | Az engedélyezett távolság aránya a legjobban teljesítő futtatástól. | int |
MediánStoppingPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "MediánStopping" (kötelező) |
CsonkolásSelectionPolicy
Név | Leírás | Érték |
---|---|---|
policyType | [Kötelező] Szabályzatkonfiguráció neve | "CsonkolásSelection" (kötelező) |
csonkolásPercentage | Az egyes kiértékelési időközökben megszakítandó futtatások százalékos aránya. | int |
ImageClassificationMultilabel
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageClassificationMultilabel" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsClassification |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez. | ImageModelDistributionSettingsClassification[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageInstanceSegmentation
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageInstanceSegmentation" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsObjectDetection |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "MeanAveragePrecision" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
ImageModelSettingsObjectDetection
Név | Leírás | Érték |
---|---|---|
advancedSettings | Speciális forgatókönyvek beállításai. | sztring |
amsGradient | Engedélyezze az AMSGradet, ha az optimalizáló "adam" vagy "adamw". | logikai |
augmentations | A Bővítések használatának beállításai. | sztring |
béta1 | A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
béta2 | A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | int |
boxDetectionsPerImage | Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. Lebegőpontosnak kell lennie a tartományban[0, 1]. |
int |
checkpointFrequency | Modell ellenőrzőpontok tárolásának gyakorisága. Pozitív egész számnak kell lennie. | int |
checkpointModel | Az előre betanított ellenőrzőpont-modell növekményes betanításhoz. | MLFlowModelJobInput |
checkpointRunId | Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | sztring |
Elosztott | Elosztott betanítás használata. | logikai |
earlyStopping | A korai leállítási logika engedélyezése a betanítás során. | logikai |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt várakozó minimális idő vagy érvényesítési kiértékelések minimális száma nyomon követi a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
int |
earlyStoppingPatience | Az elődök vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
int |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | logikai |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikariaták lekéréséhez. Pozitív egész számnak kell lennie. | int |
gradientAccumulationStep | A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek összeadása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
int |
imageSize | Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
int |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
int |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | "Nincs" "Lépés" "WarmupCosine" |
maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
modelSize | Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
"ExtraLarge" "Nagy" "Közepes" "Nincs" "Kicsi" |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
több skálázás | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
logikai |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | logikai |
nmsIouThreshold | Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | int |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | int |
Optimalizáló | Az optimalizáló típusa. | "Ádám" "Adamw" "Nincs" "Sgd" |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | int |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | int |
tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tileOverlapRatio | Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
int |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | int |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | int |
validationIouThreshold | Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | int |
validationMetricType | Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. | "Coco" "CocoVoc" "Nincs" "Voc" |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
warmupCosineLRWarmupEpochs | A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | int |
weightDecay | A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | int |
ImageModelDistributionSettingsObjectDetection
Név | Leírás | Érték |
---|---|---|
amsGradient | Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw". | sztring |
bővítés | A bővítések használatának beállításai. | sztring |
béta1 | A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
béta2 | A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
boxDetectionsPerImage | Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
boxScoreThreshold | A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. |
sztring |
Elosztott | Az elosztott betanítás használata. | sztring |
earlyStopping | Korai leállítási logika engedélyezése a betanítás során. | sztring |
earlyStoppingDelay | Az elsődleges metrikák fejlesztése előtt megvárandó alapidőszakok vagy érvényesítési értékelések minimális száma nyomon követi a korai leállításhoz. Pozitív egész számnak kell lennie. |
sztring |
earlyStoppingPatience | Az alapidőszakok vagy érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállt. Pozitív egész számnak kell lennie. |
sztring |
enableOnnxNormalization | Engedélyezze a normalizálást az ONNX-modell exportálásakor. | sztring |
evaluationFrequency | Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie. | sztring |
gradientAccumulationStep | A gradiens felhalmozódás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat anélkül, hogy a modell súlyainak frissítése a lépések színátmeneteinek halmozása közben, majd a a halmozott színátmenetek a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie. |
sztring |
imageSize | Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
layersToFreeze | A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. Például a 2 értéknek a "seresnext" értékként való átadása azt jelenti, hogy fagyasztási réteg0 és 1. réteg. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért kérjük, lásd: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
learningRate | Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
learningRateScheduler | A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. | sztring |
maxSize | Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
minSize | Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
Modelname | A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models. |
sztring |
modelSize | Modell mérete. A következőnek kell lennie: "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
Lendület | A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
több skálázás | Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. |
sztring |
nesterov | Engedélyezze a nesterovot, ha az optimalizáló "sgd". | sztring |
nmsIouThreshold | Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | sztring |
numberOfEpochs | A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie. | sztring |
numberOfWorkers | Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie. | sztring |
Optimalizáló | Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet. | sztring |
randomSeed | Determinisztikus betanításhoz használandó véletlenszerű mag. | sztring |
stepLRGamma | A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. | sztring |
stepLRStepSize | A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie. | sztring |
tileGridSize | Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tileOverlapRatio | Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. |
sztring |
tilePredictionsNmsThreshold | Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális elnyomás |
sztring |
trainingBatchSize | Betanítási köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationBatchSize | Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. | sztring |
validationIouThreshold | Az ellenőrzési metrikák számításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie. | sztring |
validationMetricType | Az érvényesítési metrikákhoz használható metrikaszámítási módszer. A "nincs", a "coco", a "voc" vagy a "coco_voc" kell lennie. | sztring |
warmupCosineLRCycles | A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegőpontosnak kell lennie. | sztring |
warmupCosineLRWarmupEpochs | A bemelegítési korszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie. | sztring |
weightDecay | A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegőpontosnak kell lennie a tartományban[0, 1]. | sztring |
ImageObjectDetection
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "ImageObjectDetection" (kötelező) |
limitSettings | [Kötelező] Az AutoML-feladat beállításainak korlátozása. | ImageLimitSettings (kötelező) |
modelSettings | A modell betanításához használt beállítások. | ImageModelSettingsObjectDetection |
primaryMetric | Elsődleges metrika a feladathoz való optimalizáláshoz. | "MeanAveragePrecision" |
searchSpace | Keressen helyet a modellek és hiperparamétereik különböző kombinációinak mintavételezéséhez. | ImageModelDistributionSettingsObjectDetection[] |
sweepSettings | Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások. | ImageSweepSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
Regresszió
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "Regresszió" (kötelező) |
cvSplitColumnNames | A CVSplit-adatokhoz használandó oszlopok. | sztring[] |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | TableVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | TableVerticalLimitSettings |
nCrossValidations | A betanítási adathalmazon alkalmazandó keresztérvényesítési hajtások száma ha az érvényesítési adatkészlet nincs megadva. |
NCrossValidations |
primaryMetric | A regressziós feladat elsődleges metrikája. | "NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation" |
testData | Adatbevitel tesztelése. | MLTableJobInput |
testDataSize | A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
trainingSettings | Bemenetek egy AutoML-feladat betanítási fázisához. | RegresszióTrainingSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
validationDataSize | A betanítási adathalmaz azon része, amelyet az ellenőrzés céljára félre kell tenni. Értékek (0,0 és 1,0) között Akkor alkalmazható, ha az érvényesítési adatkészlet nincs megadva. |
int |
weightColumnName | A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, így az adatok sorai felfelé vagy lefelé lesznek súlyozottak. | sztring |
RegresszióTrainingSettings
Név | Leírás | Érték |
---|---|---|
allowedTrainingAlgorithms | A regressziós feladathoz engedélyezett modellek. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "Szabadkézik" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
blockedTrainingAlgorithms | A regressziós feladat blokkolt modelljei. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "Szabadkézik" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor" |
enableDnnTraining | Engedélyezze a DNN-modellek javaslatát. | logikai |
enableModelExplainability | Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen. | logikai |
enableOnnxCompatibleModels | Az onnx-kompatibilis modellek engedélyezésének jelzője. | logikai |
enableStackEnsemble | A stack együttes futtatásának engedélyezése. | logikai |
enableVoteEnsemble | A szavazási együttes futtatásának engedélyezése. | logikai |
ensembleModelDownloadTimeout | A VotingEnsemble és a StackEnsemble modell létrehozása során a rendszer az előző gyermekfuttatások több illesztett modelljét tölti le. Konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel, ha több időre van szükség. |
sztring |
stackEnsembleSettings | Stack-együttes beállításai a stack együttes futtatásához. | StackEnsembleSettings |
TextClassification
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassification" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási korlátozásai. | NlpVerticalLimitSettings |
primaryMetric | Elsődleges metrika Text-Classification tevékenységhez. | "AUCWeighted" "Pontosság" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted" |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
NlpVerticalFeaturizationSettings
Név | Leírás | Érték |
---|---|---|
datasetLanguage | Adathalmaz nyelve, amely a szöveges adatokhoz használható. | sztring |
NlpVerticalLimitSettings
Név | Leírás | Érték |
---|---|---|
maxConcurrentTrials | Egyidejű AutoML-iterációk maximális száma. | int |
maxTrials | AutoML-iterációk száma. | int |
timeout | AutoML-feladat időtúllépése. | sztring |
TextClassificationMultilabel
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextClassificationMultilabel" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | NlpVerticalLimitSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
TextNer
Név | Leírás | Érték |
---|---|---|
taskType | [Kötelező] Az AutoMLJob feladattípusa. | "TextNER" (kötelező) |
featurizationSettings | Az AutoML-feladathoz szükséges featurizációs bemenetek. | NlpVerticalFeaturizationSettings |
limitSettings | Az AutoMLJob végrehajtási kényszerei. | NlpVerticalLimitSettings |
validationData | Adatbemenetek érvényesítése. | MLTableJobInput |
CommandJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Parancs" (kötelező) |
codeId | A kódeszköz ARM-erőforrás-azonosítója. | sztring |
command | [Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Eloszlás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek az Mpi, Tensorflow, PyTorch vagy null értéknek kell lennie. | DistributionConfiguration |
environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: 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 |
resources | Számítási erőforrás konfigurálása a feladathoz. | JobResourceConfiguration |
DistributionConfiguration
Név | Leírás | Érték |
---|---|---|
distributionType | Az objektumtípus beállítása | Mpi PyTorch TensorFlow (kötelező) |
Mpi
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "Mpi" (kötelező) |
processCountPerInstance | Folyamatok száma MPI-csomópontonként. | int |
PyTorch
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "PyTorch" (kötelező) |
processCountPerInstance | Folyamatok száma csomópontonként. | int |
TensorFlow
Név | Leírás | Érték |
---|---|---|
distributionType | [Kötelező] A terjesztési keretrendszer típusát határozza meg. | "TensorFlow" (kötelező) |
parameterServerCount | A paraméterkiszolgálói feladatok száma. | int |
workerCount | Feldolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz. | int |
CommandJobEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CommandJobInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
JobInput
Név | Leírás | Érték |
---|---|---|
leírás | A bemenet leírása. | sztring |
jobInputType | Az objektum típusának beállítása | custom_model Szó mlflow_model mltable triton_model uri_file uri_folder (kötelező) |
CustomModelJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti adategység URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
LiteralJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "literál" (kötelező) |
érték | [Kötelező] A bemenet literálértéke. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
TritonModelJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "triton_model" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti adategység URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFileJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "uri_file" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
UriFolderJobInput
Név | Leírás | Érték |
---|---|---|
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "uri_folder" (kötelező) |
mód | Bemeneti eszköz kézbesítési módja. | "Közvetlen" "Letöltés" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount" |
Uri | [Kötelező] Bemeneti eszköz URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
CommandJobLimits
Név | Leírás | Érték |
---|---|---|
jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
timeout | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak az időtartamot támogatja olyan pontossággal, mint a Másodperc. | sztring |
CommandJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
PipelineJob
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Folyamat" (kötelező) |
Bemenetek | A folyamatfeladat bemenetei. | PipelineJobInputs |
Munkahelyek | A feladatok létrehoznak egy folyamatfeladatot. | PipelineJobJobs |
Kimenetek | A folyamatfeladat kimenetei | PipelineJobOutputs |
beállítások | Folyamatbeállítások, például ContinueRunOnStepFailure stb. | |
sourceJobId | A forrásfeladat ARM-erőforrás-azonosítója. | sztring |
PipelineJobInputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobInput |
PipelineJobJobs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} |
PipelineJobOutputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobOutput |
Takarítási feladat
Név | Leírás | Érték |
---|---|---|
jobType | [Kötelező] Meghatározza a feladat típusát. | "Takarítás" (kötelező) |
earlyTermination | A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének | EarlyTerminationPolicy |
Bemenetek | A feladatban használt bemeneti adatkötések leképezése. | SweepJobInputs |
Határok | Takarítási feladatok korlátja. | SweepJobLimits |
Célkitűzés | [Kötelező] Optimalizálási célkitűzés. | Célkitűzés (kötelező) |
Kimenetek | A feladatban használt kimeneti adatkötések leképezése. | SweepJobOutputs |
queueSettings | A feladat üzenetsor-beállításai | QueueSettings |
samplingAlgorithm | [Kötelező] A hiperparaméter-mintavételezési algoritmus | SamplingAlgorithm (kötelező) |
searchSpace | [Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve | |
trial | [Kötelező] Próbaverziós összetevő definíciója. | TrialComponent (kötelező) |
SweepJobInputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobInput |
SweepJobLimits
Név | Leírás | Érték |
---|---|---|
jobLimitsType | [Kötelező] JobLimit típus. | "Parancs" "Takarítás" (kötelező) |
maxConcurrentTrials | Takarítási feladat maximális egyidejű próbaverziói. | int |
maxTotalTrials | Takarítási feladat maximális teljes próbaverziója. | int |
timeout | A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak a másodperc pontosságú időtartamot támogatja. | sztring |
trialTimeout | Takarítási feladat próbaverziója időtúllépési értéke. | sztring |
Cél
Név | Leírás | Érték |
---|---|---|
goal | [Kötelező] A hiperparaméterek finomhangolásához támogatott metrikacélok meghatározása | "Teljes méret" "Kis méret" (kötelező) |
primaryMetric | [Kötelező] Az optimalizálni kívánt metrika neve. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
SweepJobOutputs
Név | Leírás | Érték |
---|---|---|
{customized property} | JobOutput |
SamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | Az objektum típusának beállítása | Bayes Rács Véletlenszerű (kötelező) |
BayesianSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Bayesian" (kötelező) |
GridSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Rács" (kötelező) |
RandomSamplingAlgorithm
Név | Leírás | Érték |
---|---|---|
samplingAlgorithmType | [Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok | "Véletlenszerű" (kötelező) |
Szabály | A véletlenszerű algoritmus adott típusa | "Véletlenszerű" "Sobol" |
Vetőmag | Egy nem kötelező egész szám, amelyet véletlenszerű számgeneráláshoz használnak magként | int |
TrialComponent
Név | Leírás | Érték |
---|---|---|
codeId | A kódobjektum ARM-erőforrás-azonosítója. | sztring |
command | [Kötelező] A feladat indításakor végrehajtandó parancs. például: "python train.py" | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Eloszlás | A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értéknek kell lennie. | DistributionConfiguration |
environmentId | [Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
environmentVariables | A feladatban szereplő környezeti változók. | TrialComponentEnvironmentVariables |
resources | Számítási erőforrás konfigurációja a feladathoz. | JobResourceConfiguration |
TrialComponentEnvironmentVariables
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CreateMonitorAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Meghatározza az ütemezés művelettípusát | "CreateMonitor" (kötelező) |
monitorDefinition | [Kötelező] Meghatározza a figyelőt. | MonitorDefinition (kötelező) |
MonitorDefinition
Név | Leírás | Érték |
---|---|---|
alertNotificationSettings | A figyelő értesítési beállításai. | MonitorNotificationSettings |
computeConfiguration | [Kötelező] A monitorozási feladat futtatásához a számítási erőforrás ARM-erőforrás-azonosítója. | MonitorComputeConfigurationBase (kötelező) |
monitoringTarget | A figyelő által megcélzott entitások. | MonitoringTarget |
Jelek | [Kötelező] A figyelendő jelek. | MonitorDefinitionSignals (kötelező) |
MonitorNotificationSettings
Név | Leírás | Érték |
---|---|---|
emailNotificationSettings | Az AML értesítési e-mail beállításai. | MonitorEmailNotificationSettings |
MonitorEmailNotificationSettings
Név | Leírás | Érték |
---|---|---|
Az e-mail címzettjeinek listája, amely összesen 499 karakteres korlátozással rendelkezik. | sztring[] |
MonitorComputeConfigurationBase
Név | Leírás | Érték |
---|---|---|
computeType | Az objektum típusának beállítása | Kiszolgáló nélküliSpark (kötelező) |
MonitorServerlessSparkCompute
Név | Leírás | Érték |
---|---|---|
computeType | [Kötelező] Meghatározza a figyelendő jel típusát. | "ServerlessSpark" (kötelező) |
computeIdentity | [Kötelező] A kiszolgáló nélküli Sparkon futó Spark-feladatok által kihasznált identitásséma. | MonitorComputeIdentityBase (kötelező) |
instanceType | [Kötelező] A Spark-feladatot futtató példánytípus. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
runtimeVersion | [Kötelező] A Spark-futtatókörnyezet verziója. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = ^[0-9]+\.[0-9]+$ |
MonitorComputeIdentityBase
Név | Leírás | Érték |
---|---|---|
computeIdentityType | Az objektumtípus beállítása | AmlToken ManagedIdentity (kötelező) |
AmlTokenComputeIdentity
Név | Leírás | Érték |
---|---|---|
computeIdentityType | [Kötelező] Meghatározza a monitorozási feladatokban használni kívánt identitás típusát. | "AmlToken" (kötelező) |
ManagedComputeIdentity
Név | Leírás | Érték |
---|---|---|
computeIdentityType | [Kötelező] Meghatározza a monitorozási feladatokban használni kívánt identitás típusát. | "ManagedIdentity" (kötelező) |
identity | A monitorozási feladatok által kihasznált identitás. | ManagedServiceIdentity |
ManagedServiceIdentity
Név | Leírás | Érték |
---|---|---|
típus | A felügyeltszolgáltatás-identitás típusa (ahol a SystemAssigned és a UserAssigned típus egyaránt engedélyezett). | "SystemAssigned" "SystemAssigned,UserAssigned" "UserAssigned" (kötelező) |
identity_ids | Az erőforráshoz társított felhasználó által hozzárendelt identitások halmaza. A userAssignedIdentities szótárkulcsok arm-erőforrás-azonosítók lesznek a következő űrlapon: "/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{identityName}. A szótár értékei üres objektumok ({}) lehetnek a kérésekben. | Felhasználói identitásazonosítók tömbje. |
UserAssignedIdentities
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | UserAssignedIdentity |
UserAssignedIdentity
Ez az objektum nem tartalmaz az üzembe helyezés során beállítandó tulajdonságokat. Minden tulajdonság a ReadOnly.
MonitoringTarget
Név | Leírás | Érték |
---|---|---|
deploymentId | Hivatkozás a figyelő által megcélzott üzembehelyezési eszközre. | sztring |
modelId | Hivatkozás a figyelő által megcélzott modelleszközre. | sztring |
taskType | [Kötelező] A monitorozott modell gépi tanulási feladattípusa. | "Besorolás" "Regresszió" (kötelező) |
MonitorDefinitionSignals
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | MonitoringSignalBase |
MonitoringSignalBase
Név | Leírás | Érték |
---|---|---|
notificationTypes | A jel aktuális értesítési módja. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "AmlNotification" |
properties | Tulajdonságszótár. A tulajdonságok hozzáadhatók, de nem távolíthatók el és nem módosíthatók. | MonitoringSignalBaseProperties |
signalType | Az objektum típusának beállítása | Egyéni DataDrift DataQuality FeatureAttributionDrift PredictionDrift (kötelező) |
MonitoringSignalBaseProperties
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
CustomMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "Egyéni" (kötelező) |
componentId | [Kötelező] Hivatkozás az egyéni metrikák kiszámításához használt összetevő-objektumra. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
inputAssets | Adategységek figyelése bemenetként. A kulcs az összetevő bemeneti portjának neve, az érték pedig az adategység. | CustomMonitoringSignalInputAssets |
Bemenetek | További összetevőparaméterek bemenetként. A kulcs az összetevő literál bemeneti portjának neve, az érték pedig a paraméter értéke. | CustomMonitoringSignalInputs |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | CustomMetricThreshold[] (kötelező) |
CustomMonitoringSignalInputAssets
Név | Leírás | Érték |
---|---|---|
{customized property} | MonitoringInputDataBase |
MonitoringInputDataBase
Név | Leírás | Érték |
---|---|---|
oszlopok | Oszlopnevek leképezése speciális használati módokra. | MonitoringInputDataBaseColumns |
dataContext | Az adatforrás környezeti metaadatai. | sztring |
jobInputType | [Kötelező] Meghatározza a feladat típusát. | "custom_model" "literál" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (kötelező) |
Uri | [Kötelező] Bemeneti adategység URI-ja. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
inputDataType | Az objektum típusának beállítása | Rögzített Gördülő Statikus (kötelező) |
MonitoringInputDataBaseColumns
Név | Leírás | Érték |
---|---|---|
{customized property} | sztring |
FixedInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "Javítva" (kötelező) |
RollingInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "Működés közben" (kötelező) |
preprocessingComponentId | Hivatkozás az adatok előfeldolgozásához használt összetevő-objektumra. | sztring |
windowOffset | [Kötelező] Az adatablak vége és a figyelő aktuális futási ideje közötti időeltolódás. | sztring (kötelező) |
windowSize | [Kötelező] A gördülő adatok ablakának mérete. | sztring (kötelező) |
StaticInputData
Név | Leírás | Érték |
---|---|---|
inputDataType | [Kötelező] Meghatározza a figyelendő jel típusát. | "Statikus" (kötelező) |
preprocessingComponentId | Hivatkozás az adatok előfeldolgozásához használt összetevő-objektumra. | sztring |
windowEnd | [Kötelező] Az adatablak záró dátuma. | sztring (kötelező) |
windowStart | [Kötelező] Az adatablak kezdő dátuma. | sztring (kötelező) |
CustomMonitoringSignalInputs
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | JobInput |
CustomMetricThreshold
Név | Leírás | Érték |
---|---|---|
Metrika | [Kötelező] A felhasználó által definiált, kiszámítandó metrika. | sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
Küszöb | A küszöbérték. Null érték esetén a rendszer a kiválasztott metrikától függően beállít egy alapértelmezett értéket. | MonitoringThreshold |
MonitoringThreshold
Név | Leírás | Érték |
---|---|---|
érték | A küszöbérték. Null érték esetén a beállított alapértelmezett érték a metrika típusától függ. | int |
DataDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a figyelendő jel típusát. | "DataDrift" (kötelező) |
featureDataTypeOverride | Olyan szótár, amely a funkcióneveket a saját adattípusaikhoz rendeli. | DataDriftMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | A számítástechnika funkcióinak fontossága. | FeatureImportanceSettings |
funkciók | A funkciószűrő, amely azonosítja, hogy melyik szolgáltatásra kell kiszámolni a sodródást. | MonitoringFeatureFilterBase |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataDriftMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás számítható ki. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
DataDriftMonitoringSignalFeatureDataTypeOverride
Név | Leírás | Érték |
---|---|---|
{testreszabott tulajdonság} | "Kategorikus" "Numerikus" |
FeatureImportanceSettings
Név | Leírás | Érték |
---|---|---|
mód | A számítástechnika működési módja fontos. | "Letiltva" "Engedélyezve" |
targetColumn | A céloszlop neve a bemeneti adategységen belül. | sztring |
MonitoringFeatureFilterBase
Név | Leírás | Érték |
---|---|---|
filterType | Az objektumtípus beállítása | AllFeatures FeatureSubset TopNByAttribution (kötelező) |
AllFeatures
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák kiszámításához használható funkciók kiválasztásakor használható. | "AllFeatures" (kötelező) |
FeatureSubset
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák kiszámításához használható funkciók kiválasztásakor használható. | "FeatureSubset" (kötelező) |
funkciók | [Kötelező] A belefoglalandó szolgáltatások listája. | string[] (kötelező) |
TopNFeaturesByAttribution
Név | Leírás | Érték |
---|---|---|
filterType | [Kötelező] Meghatározza azt a funkciószűrőt, amely a metrikák kiszámításához használható funkciók kiválasztásakor használható. | "TopNByAttribution" (kötelező) |
top | A legfontosabb funkciók száma. | int |
DataDriftMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
dataType | Az objektum típusának beállítása | Kategorikus Numerikus (kötelező) |
CategoricalDataDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus adateltolódási metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalDataDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus adateltolódási metrika. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
DataQualityMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "DataQuality" (kötelező) |
featureDataTypeOverride | Egy szótár, amely a funkcióneveket a hozzájuk tartozó adattípusokra képezi le. | DataQualityMonitoringSignalFeatureDataTypeOverride |
featureImportanceSettings | A számítástechnika beállításainak fontossága. | FeatureImportanceSettings |
funkciók | A sodródás kiszámításához szükséges funkciók. | MonitoringFeatureFilterBase |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | DataQualityMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Az éles szolgáltatás által előállított adatok, amelyek eltérésének kiszámítása történik. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
DataQualityMonitoringSignalFeatureDataTypeOverride
Név | Leírás | Érték |
---|---|---|
{customized property} | "Kategorikus" "Numerikus" |
DataQualityMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
dataType | Az objektum típusának beállítása | Kategorikus Numerikus (kötelező) |
CategoricalDataQualityMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
NumericalDataQualityMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus adatminőségi metrika. | "DataTypeErrorRate" "NullValueRate" "OutOfBoundsRate" (kötelező) |
FeatureAttributionDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "FeatureAttributionDrift" (kötelező) |
featureDataTypeOverride | Egy szótár, amely a funkcióneveket a hozzájuk tartozó adattípusokra képezi le. | FeatureAttributionDriftMonitoringSignalFeatureDataTy... |
featureImportanceSettings | [Kötelező] A számítástechnika beállításainak fontossága. | FeatureImportanceSettings (kötelező) |
metricThreshold | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | FeatureAttributionMetricThreshold (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase[] (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
FeatureAttributionDriftMonitoringSignalFeatureDataTy...
Név | Leírás | Érték |
---|---|---|
{customized property} | "Kategorikus" "Numerikus" |
FeatureAttributionMetricThreshold
Név | Leírás | Érték |
---|---|---|
Metrika | [Kötelező] A kiszámolandó funkció-hozzárendelési metrika. | "NormalizedDiscountedCumulativeGain" (kötelező) |
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
PredictionDriftMonitoringSignal
Név | Leírás | Érték |
---|---|---|
signalType | [Kötelező] Meghatározza a monitorozni kívánt jel típusát. | "PredictionDrift" (kötelező) |
featureDataTypeOverride | Egy szótár, amely a funkcióneveket a hozzájuk tartozó adattípusokra képezi le. | PredictionDriftMonitoringSignalFeatureDataTypeOverri... |
metricThresholds | [Kötelező] A kiszámítandó metrikák és a hozzájuk tartozó küszöbértékek listája. | PredictionDriftMetricThresholdBase[] (kötelező) |
productionData | [Kötelező] Azok az adatok, amelyekre a sodródás ki lesz számítva. | MonitoringInputDataBase (kötelező) |
referenceData | [Kötelező] Az eltérés kiszámításához szükséges adatok. | MonitoringInputDataBase (kötelező) |
PredictionDriftMonitoringSignalFeatureDataTypeOverri...
Név | Leírás | Érték |
---|---|---|
{customized property} | "Kategorikus" "Numerikus" |
PredictionDriftMetricThresholdBase
Név | Leírás | Érték |
---|---|---|
Küszöb | A küszöbérték. Ha null, a kiválasztott metrikától függően egy alapértelmezett érték lesz beállítva. | MonitoringThreshold |
dataType | Az objektum típusának beállítása | Kategorikus Numerikus (kötelező) |
CategoricalPredictionDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Kategorikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó kategorikus előrejelzési eltérés metrika. | "JensenShannonDistance" "PearsonsChiSquaredTest" "PopulationStabilityIndex" (kötelező) |
NumericalPredictionDriftMetricThreshold
Név | Leírás | Érték |
---|---|---|
dataType | [Kötelező] Megadja a metrika küszöbértékének adattípusát. | "Numerikus" (kötelező) |
Metrika | [Kötelező] A kiszámítandó numerikus előrejelzés sodródási metrikája. | "JensenShannonDistance" "NormalizedWassersteinDistance" "PopulationStabilityIndex" "TwoSampleKolmogorovSmirnovTest" (kötelező) |
EndpointScheduleAction
Név | Leírás | Érték |
---|---|---|
actionType | [Kötelező] Meghatározza az ütemezés művelettípusát | "InvokeBatchEndpoint" (kötelező) |
endpointInvocationDefinition | [Kötelező] Meghatározza az Ütemezési művelet definíciójának részleteit. {see href="TBD" /} |
TriggerBase
Név | Leírás | Érték |
---|---|---|
endTime | Az ISO 8601-ben megadja az ütemezés befejezési időpontját, de UTC-eltolás nélkül. Lásd: https://en.wikipedia.org/wiki/ISO_8601. Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nincs jelen, az ütemezés határozatlan ideig fog futni |
sztring |
startTime | A kezdési időpontot ISO 8601 formátumban adja meg, de UTC-eltolás nélkül. | sztring |
timeZone | Meghatározza az időzónát, amelyben az ütemezés fut. Az időzónának a Windows időzóna-formátumát kell követnie. Lásd: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones /> |
sztring |
triggerType | Az objektum típusának beállítása | Cron Ismétlődés (kötelező) |
CronTrigger
Név | Leírás | Érték |
---|---|---|
triggerType | [Kötelező] | "Cron" (kötelező) |
kifejezés | [Kötelező] Az ütemezés cron-kifejezését adja meg. A kifejezésnek az NCronTab formátumot kell követnie. |
sztring (kötelező) Korlátok: Minimális hossz = 1 Minta = [a-zA-Z0-9_] |
RecurrenceTrigger
Név | Leírás | Érték |
---|---|---|
endTime | Az ISO 8601-ben megadja az ütemezés befejezési időpontját, de UTC-eltolás nélkül. Lásd: https://en.wikipedia.org/wiki/ISO_8601. Az újrakommentált formátum a következő lenne: "2022-06-01T00:00:01" Ha nincs jelen, az ütemezés határozatlan ideig fog futni |
sztring |
frequency | [Kötelező] Az ütemezés aktiválásának gyakorisága. | "Nap" "Óra" "Perc" "Hónap" "Hét" (kötelező) |
interval | [Kötelező] A gyakorisággal együtt adja meg az ütemezési időközt | int (kötelező) |
schedule | Az ismétlődés ütemezése. | RecurrenceSchedule |
startTime | Iso 8601 formátumban, utc eltolás nélkül adja meg az ütemezés kezdési időpontját. | sztring |
timeZone | Meghatározza, hogy az ütemezés mely időzónában fut. A TimeZone-nak a Windows időzóna-formátumát kell követnie. Lásd: https://docs.microsoft.com/windows-hardware/manufacture/desktop/default-time-zones |
sztring |
triggerType | [Kötelező] | "Cron" "Ismétlődés" (kötelező) |
RecurrenceSchedule
Név | Leírás | Érték |
---|---|---|
óra | [Kötelező] Az ütemezés óráinak listája. | int[] (kötelező) |
perc során. | [Kötelező] Az ütemezés perceinek listája. | int[] (kötelező) |
monthDays | Az ütemezés hónap napjainak listája | int[] |
weekDays | Az ütemezés napjainak listája. | Sztringtömb, amely az alábbiak bármelyikét tartalmazza: "Péntek" "Hétfő" "Szombat" "Vasárnap" "Csütörtök" "Kedd" "Szerda" |
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: