Jobs - Create Or Update

Szolgáltatás:

Machine Learning

API-verzió:

2024-10-01

Létrehoz és végrehajt egy feladatot. Frissítési eset esetén a megadott definíció címkéi lecserélik a meglévő feladatban lévő címkéket.

PUT https://management.azure.com/subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/Microsoft.MachineLearningServices/workspaces/{workspaceName}/jobs/{id}?api-version=2024-10-01

URI-paraméterek

Name	In	Kötelező	Típus	Description
id	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9\-_]{0,254}$	A feladat neve és azonosítója. Ez a kis- és nagybetűk megkülönböztetése.
resourceGroupName	path	True	string minLength: 1 maxLength: 90	Az erőforráscsoport neve. A név nem megkülönbözteti a kis- és nagybetűket.
subscriptionId	path	True	string minLength: 1	A cél-előfizetés azonosítója.
workspaceName	path	True	string pattern: ^[a-zA-Z0-9][a-zA-Z0-9_-]{2,32}$	Az Azure Machine Learning-munkaterület neve.
api-version	query	True	string minLength: 1	A művelethez használni kívánt API-verzió.

Kérelem törzse

Name	Kötelező	Típus	Description
properties	True	JobBase: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Kötelező] Az entitás további attribútumai.

Válaszok

Name	Típus	Description
200 OK	JobBaseResource	A létrehozási vagy frissítési kérés sikeres.
201 Created	JobBaseResource	Létrehozott
Other Status Codes	ErrorResponse	Hiba

Példák

CreateOrUpdate AutoML Job.

CreateOrUpdate Command Job.

CreateOrUpdate Pipeline Job.

CreateOrUpdate Sweep Job.

CreateOrUpdate AutoML Job.

Mintakérelem

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-10-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "isArchived": false,
    "identity": {
      "identityType": "AMLToken"
    },
    "jobType": "AutoML",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "taskDetails": {
      "taskType": "ImageClassification",
      "limitSettings": {
        "maxTrials": 2
      },
      "targetColumnName": "string",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ]
    },
    "outputs": {
      "string": {
        "description": "string",
        "uri": "string",
        "mode": "ReadWriteMount",
        "jobOutputType": "uri_file"
      }
    }
  }
}

Mintaválasz

Állapotkód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "Scheduled",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "isArchived": false,
    "identity": {
      "identityType": "AMLToken"
    },
    "jobType": "AutoML",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "taskDetails": {
      "taskType": "ImageClassification",
      "limitSettings": {
        "maxTrials": 2
      },
      "targetColumnName": "string",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ]
    },
    "outputs": {
      "string": {
        "description": "string",
        "uri": "string",
        "mode": "ReadWriteMount",
        "jobOutputType": "uri_file"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

Állapotkód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "Scheduled",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "isArchived": false,
    "identity": {
      "identityType": "AMLToken"
    },
    "jobType": "AutoML",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "9bec0ab0-c62f-4fa9-a97c-7b24bbcc90ad": null
        }
      }
    },
    "environmentId": "string",
    "environmentVariables": {
      "string": "string"
    },
    "taskDetails": {
      "taskType": "ImageClassification",
      "limitSettings": {
        "maxTrials": 2
      },
      "targetColumnName": "string",
      "trainingData": {
        "jobInputType": "mltable",
        "uri": "string"
      },
      "modelSettings": {
        "validationCropSize": 2
      },
      "searchSpace": [
        {
          "validationCropSize": "choice(2, 360)"
        }
      ]
    },
    "outputs": {
      "string": {
        "description": "string",
        "uri": "string",
        "mode": "ReadWriteMount",
        "jobOutputType": "uri_file"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "ManagedIdentity"
  }
}

CreateOrUpdate Command Job.

Mintakérelem

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-10-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    }
  }
}

Mintaválasz

Állapotkód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "a0847709-f5aa-4561-8ba5-d915d403fdcf": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    },
    "parameters": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Állapotkód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Command",
    "resources": {
      "instanceCount": 1,
      "instanceType": "string",
      "properties": {
        "string": {
          "b8163d40-c351-43d6-8a34-d0cd895b8a5a": null
        }
      }
    },
    "codeId": "string",
    "command": "string",
    "environmentId": "string",
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "ReadWriteMount",
        "uri": "string"
      }
    },
    "distribution": {
      "distributionType": "TensorFlow",
      "workerCount": 1,
      "parameterServerCount": 1
    },
    "limits": {
      "timeout": "PT5M",
      "jobLimitsType": "Command"
    },
    "environmentVariables": {
      "string": "string"
    },
    "identity": {
      "identityType": "AMLToken"
    },
    "parameters": {
      "string": "string"
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Pipeline Job.

Mintakérelem

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-10-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Pipeline",
    "settings": {},
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    }
  }
}

Mintaválasz

Állapotkód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Pipeline",
    "settings": {},
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Állapotkód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Pipeline",
    "settings": {},
    "inputs": {
      "string": {
        "description": "string",
        "jobInputType": "literal",
        "value": "string"
      }
    },
    "outputs": {
      "string": {
        "description": "string",
        "jobOutputType": "uri_file",
        "mode": "Upload",
        "uri": "string"
      }
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

CreateOrUpdate Sweep Job.

Mintakérelem

HTTP

PUT https://management.azure.com/subscriptions/00000000-1111-2222-3333-444444444444/resourceGroups/test-rg/providers/Microsoft.MachineLearningServices/workspaces/my-aml-workspace/jobs/string?api-version=2024-10-01

{
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Sweep",
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "limits": {
      "jobLimitsType": "Sweep",
      "maxTotalTrials": 1,
      "maxConcurrentTrials": 1,
      "trialTimeout": "PT1S"
    },
    "earlyTermination": {
      "evaluationInterval": 1,
      "delayEvaluation": 1,
      "policyType": "MedianStopping"
    },
    "objective": {
      "primaryMetric": "string",
      "goal": "Minimize"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    },
    "searchSpace": {
      "string": {}
    }
  }
}

Mintaválasz

Állapotkód:

200

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Sweep",
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "limits": {
      "jobLimitsType": "Sweep",
      "maxTotalTrials": 1,
      "maxConcurrentTrials": 1,
      "trialTimeout": "PT1S"
    },
    "earlyTermination": {
      "evaluationInterval": 1,
      "delayEvaluation": 1,
      "policyType": "MedianStopping"
    },
    "objective": {
      "primaryMetric": "string",
      "goal": "Minimize"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    },
    "searchSpace": {
      "string": {}
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Állapotkód:

201

{
  "id": "string",
  "name": "string",
  "type": "string",
  "properties": {
    "description": "string",
    "tags": {
      "string": "string"
    },
    "properties": {
      "string": "string"
    },
    "displayName": "string",
    "status": "NotStarted",
    "experimentName": "string",
    "services": {
      "string": {
        "jobServiceType": "string",
        "port": 1,
        "endpoint": "string",
        "status": "string",
        "errorMessage": "string",
        "properties": {
          "string": "string"
        }
      }
    },
    "computeId": "string",
    "jobType": "Sweep",
    "samplingAlgorithm": {
      "samplingAlgorithmType": "Grid"
    },
    "limits": {
      "jobLimitsType": "Sweep",
      "maxTotalTrials": 1,
      "maxConcurrentTrials": 1,
      "trialTimeout": "PT1S"
    },
    "earlyTermination": {
      "evaluationInterval": 1,
      "delayEvaluation": 1,
      "policyType": "MedianStopping"
    },
    "objective": {
      "primaryMetric": "string",
      "goal": "Minimize"
    },
    "trial": {
      "codeId": "string",
      "command": "string",
      "environmentId": "string",
      "environmentVariables": {
        "string": "string"
      },
      "distribution": {
        "distributionType": "Mpi",
        "processCountPerInstance": 1
      },
      "resources": {
        "instanceCount": 1,
        "instanceType": "string",
        "properties": {
          "string": {
            "e6b6493e-7d5e-4db3-be1e-306ec641327e": null
          }
        }
      }
    },
    "searchSpace": {
      "string": {}
    }
  },
  "systemData": {
    "createdAt": "2020-01-01T12:34:56.999Z",
    "createdBy": "string",
    "createdByType": "User",
    "lastModifiedAt": "2020-01-01T12:34:56.999Z",
    "lastModifiedBy": "string",
    "lastModifiedByType": "User"
  }
}

Definíciók

Name	Description
AllNodes	Minden csomópont azt jelenti, hogy a szolgáltatás a feladat összes csomópontján fut
AmlToken	AML-token identitáskonfigurációja.
AutoForecastHorizon	A rendszer által automatikusan meghatározott előrejelzési horizont.
AutoMLJob	AutoMLJob osztály. Ez az osztály olyan AutoML-feladatok végrehajtására használható, mint a besorolás/regresszió stb. Az összes támogatott tevékenységhez tekintse meg a TaskType enumerálását.
AutoNCrossValidations	Az N-Cross érvényesítések automatikusan meg lesznek határozva.
AutoSeasonality
AutoTargetLags
AutoTargetRollingWindowSize	A célelmaradások automatikusan meghatározott gördülő időszaka.
AzureDevOpsWebhook	Az Azure DevOpsra vonatkozó webhook-részletek
BanditPolicy	A tartalékidő-feltételeken alapuló korai felmondási szabályzatot, valamint az értékelés gyakoriságát és késleltetési időközét határozza meg
BayesianSamplingAlgorithm	Olyan mintavételezési algoritmust definiál, amely a korábbi értékek alapján hoz létre értékeket
BlockedTransformers	Az AutoML által támogatott összes besorolási modell enumerálása.
Classification	Besorolási feladat az AutoML-tábla függőlegesen.
ClassificationModels	Az AutoML által támogatott összes besorolási modell enumerálása.
ClassificationMultilabelPrimaryMetrics	A többcímkés tevékenységek besorolásának elsődleges metrikái.
ClassificationPrimaryMetrics	A besorolási feladatok elsődleges metrikái.
ClassificationTrainingSettings	Besorolási betanítással kapcsolatos konfiguráció.
CommandJob	Parancsfeladat definíciója.
CommandJobLimits	Command Job limit class.
createdByType	Az erőforrást létrehozó identitás típusa.
CustomForecastHorizon	A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben.
CustomModelJobInput
CustomModelJobOutput
CustomNCrossValidations	Az N-Cross érvényesítéseket a felhasználó adja meg.
CustomSeasonality
CustomTargetLags
CustomTargetRollingWindowSize
DistributionType	Enum a feladatterjesztés típusának meghatározásához.
EarlyTerminationPolicyType
EmailNotificationEnableType	Enum az e-mail-értesítés típusának meghatározásához.
ErrorAdditionalInfo	Az erőforrás-kezelési hiba további információi.
ErrorDetail	A hiba részletei.
ErrorResponse	Hibaválasz
FeatureLags	A numerikus funkciók késéseinek generálására szolgáló jelző.
FeaturizationMode	Featurizációs mód – meghatározza az adatok featurálási módját.
ForecastHorizonMode	Enum az előrejelzési horizont kijelölési módjának meghatározásához.
Forecasting	Az AutoML-tábla függőleges előrejelzési feladata.
ForecastingModels	Az AutoML által támogatott összes előrejelzési modell enumerálása.
ForecastingPrimaryMetrics	Az előrejelzési tevékenység elsődleges metrikái.
ForecastingSettings	Adott paraméterek előrejelzése.
ForecastingTrainingSettings	Előrejelzési betanítással kapcsolatos konfiguráció.
Goal	A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg
GridSamplingAlgorithm	Olyan mintavételezési algoritmust definiál, amely teljes mértékben létrehozza a tér minden értékkombinációját
IdentityConfigurationType	Enum az identitás-keretrendszer meghatározásához.
ImageClassification	Képbesorolás. Többosztályos képbesorolás akkor használatos, ha egy kép osztálycsoportból csak egyetlen címkével van besorolva – például minden kép "macska" vagy "kutya" vagy "kacsa" képeként van besorolva.
ImageClassificationMultilabel	Képbesorolás többcímkés. A többcímkés képbesorolás akkor használatos, ha egy kép egy vagy több címkével rendelkezhet egy címkekészletből – például egy kép "macska" és "kutya" címkével is ellátható.
ImageInstanceSegmentation	Képpéldány szegmentálása. A példányszegmentálás a kép objektumainak képpontszintű azonosítására szolgál, és a kép minden objektuma körül sokszöget rajzol.
ImageLimitSettings	Az AutoML-feladat beállításainak korlátozása.
ImageModelDistributionSettingsClassification	Terjesztési kifejezések a modellbeállítások értékeinek átsöpréséhez. Néhány példa: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelDistributionSettingsObjectDetection	Terjesztési kifejezések a modellbeállítások értékeinek átsöpréséhez. Néhány példa: ModelName = "choice('seresnext', 'resnest50')"; LearningRate = "uniform(0.001, 0.01)"; LayersToFreeze = "choice(0, 2)"; ```</example> For more details on how to compose distribution expressions please check the documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters For more information on the available settings please visit the official documentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsClassification	A modell betanításához használt beállítások. Az elérhető beállításokkal kapcsolatos további információkért látogasson el a hivatalos dokumentációba: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageModelSettingsObjectDetection	A modell betanításához használt beállítások. Az elérhető beállításokkal kapcsolatos további információkért látogasson el a hivatalos dokumentációba: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
ImageObjectDetection	Képobjektum-észlelés. Az objektumészlelés a képeken lévő objektumok azonosítására és az egyes objektumok határolókerettel való megkeresésére szolgál, például a képeken található összes kutya és macska megkeresésére, és egy határolókeret rajzolására.
ImageSweepSettings	Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.
InputDeliveryMode	Szám a bemeneti adatkézbesítési mód meghatározásához.
InstanceSegmentationPrimaryMetrics	Az InstanceSegmentation-feladatok elsődleges metrikái.
JobBaseResource	Azure Resource Manager-erőforrásboríték.
JobInputType	Szám a feladat bemeneti típusának meghatározásához.
JobLimitsType
JobOutputType	Szám a feladat kimeneti típusának meghatározásához.
JobResourceConfiguration
JobService	Feladatvégpont definíciója
JobStatus	Egy feladat állapota.
JobTier	Enum a feladatszint meghatározásához.
JobType	Enum a feladat típusának meghatározásához.
LearningRateScheduler	Tanulási sebességütemező enumerálása.
LiteralJobInput	Literális beviteli típus.
LogVerbosity	Enum a napló részletességének beállításához.
ManagedIdentity	Felügyelt identitáskonfiguráció.
MedianStoppingPolicy	Az összes futtatás elsődleges metrikájának futási átlaga alapján definiál egy korai megszüntetési szabályzatot
MLFlowModelJobInput
MLFlowModelJobOutput
MLTableJobInput
MLTableJobOutput
ModelSize	Képmodell mérete.
Mpi	MPI-disztribúció konfigurálása.
NCrossValidationsMode	Meghatározza az N-Kereszt érvényesítési értékének meghatározását.
NlpVerticalFeaturizationSettings
NlpVerticalLimitSettings	Feladatvégrehajtási korlátozások.
NodesValueType	A csomópontok értékének enumerált típusai
NotificationSetting	Az értesítés konfigurálása.
ObjectDetectionPrimaryMetrics	Az Image ObjectDetection tevékenység elsődleges metrikái.
Objective	Optimalizálási cél.
OutputDeliveryMode	A kimeneti adatkézbesítési mód számbavétele.
PipelineJob	Folyamatfeladat definíciója: általános MFE-attribútumokat határoz meg.
PyTorch	PyTorch-disztribúció konfigurálása.
QueueSettings
RandomSamplingAlgorithm	Olyan mintavételezési algoritmust definiál, amely véletlenszerűen hoz létre értékeket
RandomSamplingAlgorithmRule	A véletlenszerű algoritmus adott típusa
Regression	Regressziós tevékenység az AutoML-tábla függőlegesen.
RegressionModels	Az AutoML által támogatott összes regressziós modell enumerációja.
RegressionPrimaryMetrics	A regressziós tevékenység elsődleges metrikái.
RegressionTrainingSettings	Regressziós betanítással kapcsolatos konfiguráció.
SamplingAlgorithmType
SeasonalityMode	Szezonalitás előrejelzése.
ShortSeriesHandlingConfiguration	Az a paraméter, amely meghatározza, hogy az AutoML hogyan kezelje a rövid idősorokat.
SparkJob	Spark-feladat definíciója.
SparkJobEntryType
SparkJobPythonEntry
SparkJobScalaEntry
SparkResourceConfiguration
StackEnsembleSettings	A StackEnsemble-futtatás testreszabásának továbblépési beállítása.
StackMetaLearnerType	A metatanuló az egyes heterogén modellek kimenetére betanított modell. Az alapértelmezett metatanulók a LogisticRegression a besorolási feladatokhoz (vagy a LogisticRegressionCV, ha engedélyezve van a keresztérvényesítés) és az ElasticNet a regressziós/előrejelzési feladatokhoz (vagy ElasticNetCV, ha engedélyezve van a keresztérvényesítés). Ez a paraméter a következő sztringek egyike lehet: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor vagy LinearRegression
StochasticOptimizer	Sztochasztikus optimalizáló képmodellekhez.
SweepJob	Takarítási feladat definíciója.
SweepJobLimits	Takarítási feladat korlátosztálya.
systemData	Az erőforrás létrehozásával és utolsó módosításával kapcsolatos metaadatok.
TableVerticalFeaturizationSettings	Featurization Configuration.
TableVerticalLimitSettings	Feladatvégrehajtási korlátozások.
TargetAggregationFunction	Cél aggregátumfüggvény.
TargetLagsMode	A célelmaradások kijelölési módjai.
TargetRollingWindowSizeMode	Célgördülő ablakméret mód.
TaskType	AutoMLJob-feladat típusa.
TensorFlow	TensorFlow-disztribúció konfigurálása.
TextClassification	Szövegbesorolási feladat az AutoML NLP függőlegesen. NLP – Természetes nyelvi feldolgozás.
TextClassificationMultilabel	Szövegbesorolási többcímkés feladat az AutoML NLP függőlegesen. NLP – Természetes nyelvi feldolgozás.
TextNer	Text-NER feladatot az AutoML NLP függőlegesen. NER – Elnevezett entitásfelismerés. NLP – Természetes nyelvi feldolgozás.
TrialComponent	Próbaverziós összetevő definíciója.
TritonModelJobInput
TritonModelJobOutput
TruncationSelectionPolicy	Meghatároz egy korai megszüntetési szabályzatot, amely az egyes kiértékelési időközökben megszakítja a futtatások adott százalékát.
UriFileJobInput
UriFileJobOutput
UriFolderJobInput
UriFolderJobOutput
UserIdentity	Felhasználói identitás konfigurálása.
UseStl	Konfigurálja az idősor céloszlopának STL-felbontását.
ValidationMetricType	Metrikaszámítási módszer a képfeladatok ellenőrzési metrikáihoz.
WebhookType	Enum a webhook visszahívási szolgáltatás típusának meghatározásához.

AllNodes

Objektum

Minden csomópont azt jelenti, hogy a szolgáltatás a feladat összes csomópontján fut

Name	Típus	Description
nodesValueType	string: All	[Kötelező] A Csomópontok érték típusa

AmlToken

Objektum

AML-token identitáskonfigurációja.

Name	Típus	Description
identityType	string: AMLToken	[Kötelező] Megadja az identitás-keretrendszer típusát.

AutoForecastHorizon

Objektum

A rendszer által automatikusan meghatározott előrejelzési horizont.

Name	Típus	Description
mode	string: Auto	[Kötelező] Előrejelzési horizont értékválasztási mód beállítása.

AutoMLJob

Objektum

AutoMLJob osztály. Ez az osztály olyan AutoML-feladatok végrehajtására használható, mint a besorolás/regresszió stb. Az összes támogatott tevékenységhez tekintse meg a TaskType enumerálását.

Name	Típus	Alapértelmezett érték	Description
componentId	string		Az összetevő-erőforrás ARM-erőforrás-azonosítója.
computeId	string		A számítási erőforrás ARM-erőforrás-azonosítója.
description	string		Az eszköz leírásának szövege.
displayName	string		A feladat megjelenítendő neve.
environmentId	string		A feladat környezeti specifikációjának ARM-erőforrás-azonosítója. Ez nem kötelező érték, ha nincs megadva, az AutoML ezt alapértelmezés szerint az éles autoML által válogatott környezeti verzióra adja meg a feladat futtatásakor.
environmentVariables	object		A feladatban szereplő környezeti változók.
experimentName	string	Default	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a Null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.
isArchived	boolean	False	Archiválva van az objektum?
jobType	string: AutoML		[Kötelező] A feladat típusát adja meg.
notificationSetting	NotificationSetting		A feladat értesítési beállítása
outputs	object		A feladatban használt kimeneti adatkötések leképezése.
properties	object		Az eszköztulajdonság szótára.
queueSettings	QueueSettings		A feladat üzenetsor-beállításai
resources	JobResourceConfiguration	{}	Számítási erőforrás konfigurációja a feladathoz.
services	<string,  JobService>		A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik.
status	JobStatus		A feladat állapota.
tags	object		Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.
taskDetails	AutoMLVertical: Classification Forecasting ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regression TextClassification TextClassificationMultilabel TextNer		[Kötelező] Ez olyan forgatókönyvet jelöl, amely a Táblák/NLP/Kép egyik lehet

AutoNCrossValidations

Objektum

Az N-Cross érvényesítések automatikusan meg lesznek határozva.

Name	Típus	Description
mode	string: Auto	[Kötelező] Az N-Cross érvényesítés meghatározásának módja.

AutoSeasonality

Objektum

Name	Típus	Description
mode	string: Auto	[Kötelező] Szezonalitás mód.

AutoTargetLags

Objektum

Name	Típus	Description
mode	string: Auto	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni

AutoTargetRollingWindowSize

Objektum

A célelmaradások automatikusan meghatározott gördülő időszaka.

Name	Típus	Description
mode	string: Auto	[Kötelező] TargetRollingWindowSiz észlelési mód.

AzureDevOpsWebhook

Objektum

Az Azure DevOpsra vonatkozó webhook-részletek

Name	Típus	Description
eventType	string	Visszahívás küldése adott értesítési eseményen
webhookType	string: AzureDevOps	[Kötelező] Megadja a visszahívás küldéséhez tartozó szolgáltatás típusát

BanditPolicy

Objektum

A tartalékidő-feltételeken alapuló korai felmondási szabályzatot, valamint az értékelés gyakoriságát és késleltetési időközét határozza meg

Name	Típus	Alapértelmezett érték	Description
delayEvaluation	integer (int32)	0	Azon intervallumok száma, amelyekkel késleltethető az első értékelés.
evaluationInterval	integer (int32)	0	Intervallum (futtatások száma) a szabályzatok kiértékelése között.
policyType	string: Bandit		[Kötelező] Szabályzatkonfiguráció neve
slackAmount	number (float)	0	A legjobban teljesítő futtatástól megengedett abszolút távolság.
slackFactor	number (float)	0	Az engedélyezett távolság aránya a legjobban teljesítő futástól.

BayesianSamplingAlgorithm

Objektum

Olyan mintavételezési algoritmust definiál, amely a korábbi értékek alapján hoz létre értékeket

Name	Típus	Description
samplingAlgorithmType	string: Bayesian	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok

BlockedTransformers

Enumerálás

Az AutoML által támogatott összes besorolási modell enumerálása.

Érték	Description
CatTargetEncoder	Célkódolás kategorikus adatokhoz.
CountVectorizer	A Count Vectorizer a szöveges dokumentumok gyűjteményét jogkivonatok számának mátrixává alakítja.
HashOneHotEncoder	A One Hot Encoder kivonatolása a kategorikus változókat korlátozott számú új funkcióvá alakíthatja. Ezt gyakran használják a nagy számosságú kategorikus funkciókhoz.
LabelEncoder	A címkekódoló numerikus formában konvertálja a címkéket/kategorikus változókat.
NaiveBayes	A Naive Bayes olyan besorolás, amely kategorikusan elosztott különálló funkciók besorolására szolgál.
OneHotEncoder	Az Ohe gyakori kódolás bináris funkcióátalakítást hoz létre.
TextTargetEncoder	Célkódolás szöveges adatokhoz.
TfIdf	Tf-Idf a kifejezés gyakoriságának inverz dokumentum-gyakoriságát jelenti. Ez egy gyakran használt súlyozási séma a dokumentumokból származó információk azonosítására.
WoETargetEncoder	A bizonyítékok kódolásának súlya a kategorikus változók kódolására szolgáló technika. A P(1)/P(0) természetes naplóját használja súlyok létrehozásához.
WordEmbedding	A szavak beágyazása segít a szavak vagy kifejezések vektorként vagy számsorozatként való ábrázolásában.

Classification

Objektum

Besorolási feladat az AutoML-tábla függőlegesen.

Name	Típus	Alapértelmezett érték	Description
cvSplitColumnNames	string[]		A CVSplit-adatokhoz használandó oszlopok.
featurizationSettings	TableVerticalFeaturizationSettings		Az AutoML-feladathoz szükséges featurizációs bemenetek.
limitSettings	TableVerticalLimitSettings		Az AutoMLJob végrehajtási korlátozásai.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma, ha az érvényesítési adatkészlet nincs megadva.
positiveLabel	string		Pozitív címke bináris metrikák kiszámításához.
primaryMetric	ClassificationPrimaryMetrics	AUCWeighted	A tevékenység elsődleges metrikája.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: Classification		[Kötelező] Az AutoMLJob feladattípusa.
testData	MLTableJobInput		Adatbevitel tesztelése.
testDataSize	number (double)		A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
trainingSettings	ClassificationTrainingSettings		Bemenetek egy AutoML-feladat betanítási fázisához.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.
weightColumnName	string		A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza.

ClassificationModels

Enumerálás

Az AutoML által támogatott összes besorolási modell enumerálása.

Érték	Description
BernoulliNaiveBayes	Naive Bayes-osztályozó többváltozós Bernoulli-modellekhez.
DecisionTree	A döntési fák egy nem parametrikus felügyelt tanulási módszer, amely mind a besorolási, mind a regressziós feladatokhoz használható. A cél egy olyan modell létrehozása, amely előrejelzi a célváltozó értékét az adatfunkciókból levont egyszerű döntési szabályok elsajátításával.
ExtremeRandomTrees	Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
GradientBoosting	A heti tanulók erős tanulóba való átvitelének technikáját a Boostingnak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
KNN	A K-legközelebbi szomszéd (KNN) algoritmus a "funkció-hasonlóság" használatával előrejelzi az új adatpontok értékeit, ami azt is jelenti, hogy az új adatponthoz a betanítási csoport pontjainak megfelelő érték lesz hozzárendelve.
LightGBM	A LightGBM egy gradiens növelő keretrendszer, amely faalapú tanulási algoritmusokat használ.
LinearSVM	A támogatási vektorgép (SVM) egy felügyelt gépi tanulási modell, amely besorolási algoritmusokat használ a kétcsoportos besorolási problémákhoz. Miután egy SVM-modellkészletet adott meg címkézett betanítási adatokkal az egyes kategóriákhoz, kategorizálhatják az új szöveget. A lineáris SVM akkor teljesít a legjobban, ha a bemeneti adatok lineárisak, vagyis az adatok egyszerűen besorolhatók úgy, hogy egyenes vonalat rajzolnak a minősített értékek között egy ábrázolt gráfon.
LogisticRegression	A logisztikai regresszió egy alapvető besorolási technika. A lineáris osztályozók csoportjába tartozik, és némileg hasonlít a polinomokhoz és a lineáris regresszióhoz. A logisztikai regresszió gyors és viszonylag egyszerű, és kényelmesen értelmezheti az eredményeket. Bár alapvetően a bináris besorolás módszere, többosztályos problémákra is alkalmazható.
MultinomialNaiveBayes	A többnomiális Naive Bayes-osztályozó különálló jellemzőkkel (például szövegbesorolás szószámával) való besorolásra alkalmas. A többnomiális eloszlás általában egész számokat igényel. A gyakorlatban azonban a törtszám, például a tf-idf is működhet.
RandomForest	A véletlenszerű erdő egy felügyelt tanulási algoritmus. Az általa épített "erdő" döntési fák együttese, amely általában a "zsákolás" módszerrel van betanítve. A zsákolásos módszer általános elképzelése, hogy a tanulási modellek kombinációja növeli az általános eredményt.
SGD	SGD: A sztochasztikus gradiens-süllyedés egy optimalizálási algoritmus, amelyet gyakran használnak gépi tanulási alkalmazásokban az előrejelzett és a tényleges kimenetek közötti legjobb illeszkedésnek megfelelő modellparaméterek megtalálásához.
SVM	A támogatási vektorgép (SVM) egy felügyelt gépi tanulási modell, amely besorolási algoritmusokat használ a kétcsoportos besorolási problémákhoz. Miután egy SVM-modellkészletet adott meg címkézett betanítási adatokkal az egyes kategóriákhoz, kategorizálhatják az új szöveget.
XGBoostClassifier	XGBoost: Extrém színátmenet-növelő algoritmus. Ez az algoritmus olyan strukturált adatokhoz használható, amelyekben a céloszlop értékei különböző osztályértékekre oszthatók.

ClassificationMultilabelPrimaryMetrics

Enumerálás

A többcímkés tevékenységek besorolásának elsődleges metrikái.

Érték	Description
AUCWeighted	Az AUC a görbe alatti terület. Ez a metrika az egyes osztályok pontszámának számtani középértékét jelöli, az egyes osztályok valódi példányainak számával súlyozottan.
Accuracy	A pontosság az előrejelzések aránya, amely pontosan megfelel a valódi osztálycímkéknek.
AveragePrecisionScoreWeighted	Az egyes osztályok átlagos pontossági pontszámának számtani középértéke, az egyes osztályok valódi példányainak számával súlyozott átlaga.
IOU	Metszet az unió felett. Az előrejelzések metszete az előrejelzések egyesítésével.
NormMacroRecall	A normalizált makróvisszahívás a makró átlagolt és normalizált visszahívása, így a véletlenszerű teljesítmény értéke 0, a tökéletes teljesítmény pedig 1-es pontszámmal rendelkezik.
PrecisionScoreWeighted	Az egyes osztályok pontosságának számtani középértéke, az egyes osztályok valódi példányainak számával súlyozottan.

ClassificationPrimaryMetrics

Enumerálás

A besorolási feladatok elsődleges metrikái.

Érték	Description
AUCWeighted	Az AUC a görbe alatti terület. Ez a metrika az egyes osztályok pontszámának számtani középértékét jelöli, az egyes osztályok valódi példányainak számával súlyozottan.
Accuracy	A pontosság az előrejelzések aránya, amely pontosan megfelel a valódi osztálycímkéknek.
AveragePrecisionScoreWeighted	Az egyes osztályok átlagos pontossági pontszámának számtani középértéke, az egyes osztályok valódi példányainak számával súlyozott átlaga.
NormMacroRecall	A normalizált makróvisszahívás a makró átlagolt és normalizált visszahívása, így a véletlenszerű teljesítmény értéke 0, a tökéletes teljesítmény pedig 1-es pontszámmal rendelkezik.
PrecisionScoreWeighted	Az egyes osztályok pontosságának számtani középértéke, az egyes osztályok valódi példányainak számával súlyozottan.

ClassificationTrainingSettings

Objektum

Besorolási betanítással kapcsolatos konfiguráció.

Name	Típus	Alapértelmezett érték	Description
allowedTrainingAlgorithms	ClassificationModels[]		A besorolási feladat engedélyezett modelljei.
blockedTrainingAlgorithms	ClassificationModels[]		A besorolási feladat blokkolt modelljei.
enableDnnTraining	boolean	False	DNN-modellek ajánlásának engedélyezése.
enableModelExplainability	boolean	True	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.
enableOnnxCompatibleModels	boolean	False	Az onnx-kompatibilis modellek engedélyezésének jelzője.
enableStackEnsemble	boolean	True	A verem-együttes futtatásának engedélyezése.
enableVoteEnsemble	boolean	True	Szavazati együttes futtatásának engedélyezése.
ensembleModelDownloadTimeout	string (duration)	PT5M	A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel.
stackEnsembleSettings	StackEnsembleSettings		Stack-együttes beállításai a stack-együttes futtatásához.

CommandJob

Objektum

Parancsfeladat definíciója.

Name	Típus	Alapértelmezett érték	Description
codeId	string		A kódobjektum ARM-erőforrás-azonosítója.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py"
componentId	string		Az összetevő-erőforrás ARM-erőforrás-azonosítója.
computeId	string		A számítási erőforrás ARM-erőforrás-azonosítója.
description	string		Az eszköz leírásának szövege.
displayName	string		A feladat megjelenítendő neve.
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.
environmentVariables	object		A feladatban szereplő környezeti változók.
experimentName	string	Default	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a Null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.
inputs	object		A feladatban használt bemeneti adatkötések leképezése.
isArchived	boolean	False	Archiválva van az objektum?
jobType	string: Command		[Kötelező] A feladat típusát adja meg.
limits	CommandJobLimits		Parancsfeladat korlátja.
notificationSetting	NotificationSetting		A feladat értesítési beállítása
outputs	object		A feladatban használt kimeneti adatkötések leképezése.
parameters	object		Bemeneti paraméterek.
properties	object		Az eszköztulajdonság szótára.
queueSettings	QueueSettings		A feladat üzenetsor-beállításai
resources	JobResourceConfiguration	{}	Számítási erőforrás konfigurációja a feladathoz.
services	<string,  JobService>		A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik.
status	JobStatus		A feladat állapota.
tags	object		Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.

CommandJobLimits

Objektum

Command Job limit class.

Name	Típus	Description
jobLimitsType	string: Command	[Kötelező] JobLimit típus.
timeout	string (duration)	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot.

createdByType

Enumerálás

Az erőforrást létrehozó identitás típusa.

Érték	Description
Application
Key
ManagedIdentity
User

CustomForecastHorizon

Objektum

A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben.

Name	Típus	Description
mode	string: Custom	[Kötelező] Előrejelzési horizont értékválasztási mód beállítása.
value	integer (int32)	[Kötelező] Előrejelzési horizont értéke.

CustomModelJobInput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A bemenet leírása.
jobInputType	string: custom_model		[Kötelező] A feladat típusát adja meg.
mode	InputDeliveryMode	ReadOnlyMount	Bemeneti eszköz kézbesítési módja.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] Bemeneti eszköz URI-ja.

CustomModelJobOutput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A kimenet leírása.
jobOutputType	string: custom_model		[Kötelező] A feladat típusát adja meg.
mode	OutputDeliveryMode	ReadWriteMount	Kimeneti eszközkézbesítési mód.
uri	string		Kimeneti eszköz URI-ja.

CustomNCrossValidations

Objektum

Az N-Cross érvényesítéseket a felhasználó adja meg.

Name	Típus	Description
mode	string: Custom	[Kötelező] Az N-Cross érvényesítés meghatározásának módja.
value	integer (int32)	[Kötelező] N-Kereszt érvényesítési érték.

CustomSeasonality

Objektum

Name	Típus	Description
mode	string: Custom	[Kötelező] Szezonalitás mód.
value	integer (int32)	[Kötelező] Szezonalitás értéke.

CustomTargetLags

Objektum

Name	Típus	Description
mode	string: Custom	[Kötelező] Célelmaradási mód beállítása – Automatikus/egyéni
values	integer[] (int32)	[Kötelező] Állítsa be a cél késési értékeit.

CustomTargetRollingWindowSize

Objektum

Name	Típus	Description
mode	string: Custom	[Kötelező] TargetRollingWindowSiz észlelési mód.
value	integer (int32)	[Kötelező] TargetRollingWindowSize érték.

DistributionType

Enumerálás

Enum a feladatterjesztés típusának meghatározásához.

Érték	Description
Mpi
PyTorch
TensorFlow

EarlyTerminationPolicyType

Enumerálás

Érték	Description
Bandit
MedianStopping
TruncationSelection

EmailNotificationEnableType

Enumerálás

Enum az e-mail-értesítés típusának meghatározásához.

Érték	Description
JobCancelled
JobCompleted
JobFailed

ErrorAdditionalInfo

Objektum

Az erőforrás-kezelési hiba további információi.

Name	Típus	Description
info	object	A további információk.
type	string	A további információtípus.

ErrorDetail

Objektum

A hiba részletei.

Name	Típus	Description
additionalInfo	ErrorAdditionalInfo[]	A hiba további információi.
code	string	A hibakód.
details	ErrorDetail[]	A hiba részletei.
message	string	A hibaüzenet.
target	string	A hibacél.

ErrorResponse

Objektum

Hibaválasz

Name	Típus	Description
error	ErrorDetail	A hibaobjektum.

FeatureLags

Enumerálás

A numerikus funkciók késéseinek generálására szolgáló jelző.

Érték	Description
Auto	A rendszer automatikusan létrehozza a funkciók késését.
None	A szolgáltatás késése nem jön létre.

FeaturizationMode

Enumerálás

Featurizációs mód – meghatározza az adatok featurálási módját.

Érték	Description
Auto	Automatikus módban a rendszer egyéni featurizációs bemenetek nélkül hajtja végre a featurizálást.
Custom	Egyéni érés.
Off	Featurization off. Az "Előrejelzés" tevékenység nem tudja használni ezt az értéket.

ForecastHorizonMode

Enumerálás

Enum az előrejelzési horizont kijelölési módjának meghatározásához.

Érték	Description
Auto	Automatikusan meghatározandó előrejelzési horizont.
Custom	Használja az egyéni előrejelzési horizontot.

Forecasting

Objektum

Az AutoML-tábla függőleges előrejelzési feladata.

Name	Típus	Alapértelmezett érték	Description
cvSplitColumnNames	string[]		A CVSplit-adatokhoz használandó oszlopok.
featurizationSettings	TableVerticalFeaturizationSettings		Az AutoML-feladathoz szükséges featurizációs bemenetek.
forecastingSettings	ForecastingSettings		Tevékenységspecifikus bemenetek előrejelzése.
limitSettings	TableVerticalLimitSettings		Az AutoMLJob végrehajtási korlátozásai.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma, ha az érvényesítési adatkészlet nincs megadva.
primaryMetric	ForecastingPrimaryMetrics	NormalizedRootMeanSquaredError	Elsődleges metrika az előrejelzési tevékenységhez.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: Forecasting		[Kötelező] Az AutoMLJob feladattípusa.
testData	MLTableJobInput		Adatbevitel tesztelése.
testDataSize	number (double)		A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
trainingSettings	ForecastingTrainingSettings		Bemenetek egy AutoML-feladat betanítási fázisához.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.
weightColumnName	string		A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza.

ForecastingModels

Enumerálás

Az AutoML által támogatott összes előrejelzési modell enumerálása.

Érték	Description
Arimax	Az autoregresszív integrált mozgóátlag magyarázó változóval (ARIMAX) több regressziós modellként tekinthető meg egy vagy több automatikus regressziós (AR) kifejezéssel és/vagy egy vagy több mozgóátlag (MA) kifejezéssel. Ez a módszer alkalmas előrejelzésre, ha az adatok helyhez kötöttek/nem helyhez kötöttek, és többváltozósak bármilyen típusú adatmintával, például szint/trend /szezonalitás/ciklikusság esetén.
AutoArima	Az autoregresszív integrált mozgóátlag (ARIMA) modell idősoros adatokat és statisztikai elemzéseket használ az adatok értelmezéséhez és jövőbeli előrejelzések készítéséhez. Ez a modell az adatok magyarázatára törekszik a múltbeli értékek idősoradataival, és lineáris regressziót használ az előrejelzések készítéséhez.
Average	Az Átlagos előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatokban az egyes idősorok célértékeinek átlagát viszi tovább.
DecisionTree	A döntési fák egy nem parametrikus felügyelt tanulási módszer, amely mind a besorolási, mind a regressziós feladatokhoz használható. A cél egy olyan modell létrehozása, amely előrejelzi a célváltozó értékét az adatfunkciókból levont egyszerű döntési szabályok elsajátításával.
ElasticNet	A rugalmas háló a rendszeresített lineáris regresszió népszerű típusa, amely két népszerű büntetést kombinál, különösen az L1 és L2 büntetési függvényeket.
ExponentialSmoothing	Az exponenciális simítás egy idősor-előrejelzési módszer az egyváltozós adatokhoz, amelyek kiterjeszthetők a szisztematikus trendet vagy szezonális összetevőt használó adatok támogatására.
ExtremeRandomTrees	Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
GradientBoosting	A heti tanulók erős tanulóba való átvitelének technikáját a Boostingnak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
KNN	A K-legközelebbi szomszéd (KNN) algoritmus a "funkció-hasonlóság" használatával előrejelzi az új adatpontok értékeit, ami azt is jelenti, hogy az új adatponthoz a betanítási csoport pontjainak megfelelő érték lesz hozzárendelve.
LassoLars	A lasszós modell illeszkedik a Legkisebb szög regresszióhoz, más néven Larshoz. Ez egy lineáris modell, amely egy L1-előddel van betanítve rendszeresítőként.
LightGBM	A LightGBM egy gradiens növelő keretrendszer, amely faalapú tanulási algoritmusokat használ.
Naive	A Naive előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatok minden egyes idősorához a legújabb célértéket továbbítja.
Prophet	A Prophet egy olyan eljárás az idősoradatok előrejelzésére egy additív modell alapján, ahol a nem lineáris trendek illeszkednek az éves, heti és napi szezonalitáshoz, valamint az ünnepi hatásokhoz. A legjobban olyan idősorokkal működik, amelyek erős szezonális hatással és számos előzményadat-szezonnal rendelkeznek. A Prophet robusztus az adatok hiányára és a trendváltásokra, és általában jól kezeli a kiugró értékeket.
RandomForest	A véletlenszerű erdő egy felügyelt tanulási algoritmus. Az általa épített "erdő" döntési fák együttese, amely általában a "zsákolás" módszerrel van betanítve. A zsákolásos módszer általános elképzelése, hogy a tanulási modellek kombinációja növeli az általános eredményt.
SGD	SGD: A sztochasztikus gradiens-süllyedés egy optimalizálási algoritmus, amelyet gyakran használnak gépi tanulási alkalmazásokban az előrejelzett és a tényleges kimenetek közötti legjobb illeszkedésnek megfelelő modellparaméterek megtalálásához. Ez egy nem praktikus, de hatékony technika.
SeasonalAverage	A szezonális átlag előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatok minden egyes idősorához a legújabb adatsorok átlagos értékét viszi tovább.
SeasonalNaive	A szezonális naiv előrejelzési modell úgy készít előrejelzéseket, hogy a betanítási adatok minden egyes idősorához a célértékek legújabb szezonját továbbítja.
TCNForecaster	TCNForecaster: Temporális konvolúciós hálózatok előrejelzése. TODO: Kérjen rövid bevezetést az előrejelzési csapattól.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor egy felügyelt gépi tanulási modell, amely alaptanulók együttesét használja.

ForecastingPrimaryMetrics

Enumerálás

Az előrejelzési tevékenység elsődleges metrikái.

Érték	Description
NormalizedMeanAbsoluteError	A normalizált átlagos abszolút hiba (NMAE) egy érvényesítési metrika, amely összehasonlítja az (idő) sorozatok átlagos abszolút hibáját (MAE) különböző skálákkal.
NormalizedRootMeanSquaredError	Az RMSE Normalized Root Mean Squared Error (NRMSE) megkönnyíti a különböző skálákkal rendelkező modellek összehasonlítását.
R2Score	Az R2-pontszám az előrejelzésalapú gépi tanulási modellek teljesítményértékelési mértékei közé tartozik.
SpearmanCorrelation	A Spearman rang-korrelációs együtthatója a rang korreláció nem parametrikus mértéke.

ForecastingSettings

Objektum

Adott paraméterek előrejelzése.

Name	Típus	Alapértelmezett érték	Description
countryOrRegionForHolidays	string		Ország vagy régió ünnepnapokhoz az előrejelzési feladatokhoz. Ezeknek ISO 3166 kétbetűs ország-/régiókódoknak kell lenniük, például "US" vagy "GB".
cvStepSize	integer (int32)		Az egyik CV-hajtás származási ideje és a következő hajtás közötti időszakok száma. Ha például CVStepSize = 3 a napi adatok esetében, az egyes hajtások forrásideje három nap különbséggel jelenik meg.
featureLags	FeatureLags	None	Az "auto" vagy null értékű numerikus funkciók késéseinek generálására szolgáló jelző.
forecastHorizon	ForecastHorizon: AutoForecastHorizon CustomForecastHorizon	{"Mode": "Custom", "Value": 1}	A kívánt maximális előrejelzési horizont az idősor gyakoriságának egységeiben.
frequency	string		Előrejelzéskor ez a paraméter azt az időszakot jelöli, amellyel az előrejelzést kívánják, például napi, heti, éves stb. Az előrejelzés gyakorisága alapértelmezés szerint az adathalmaz gyakorisága.
seasonality	Seasonality: AutoSeasonality CustomSeasonality	{"Mode": "Auto"}	Állítsa be az idősor szezonalitását az adatsor gyakoriságának egész számának többszöröseként. Ha a szezonalitás "auto" értékre van állítva, a rendszer ezt a következtetést fogja levonni.
shortSeriesHandlingConfig	ShortSeriesHandlingConfiguration	Auto	Az a paraméter, amely meghatározza, hogy az AutoML hogyan kezelje a rövid idősorokat.
targetAggregateFunction	TargetAggregationFunction	None	Az idősor céloszlopának összesítéséhez használandó függvény, hogy megfeleljen a felhasználó által megadott gyakoriságnak. Ha a TargetAggregateFunction be van állítva, azaz nem "Nincs", de a freq paraméter nincs beállítva, a hiba felmerül. A lehetséges célösszesítési függvények a következők: "sum", "max", "min" és "mean".
targetLags	TargetLags: AutoTargetLags CustomTargetLags		A céloszloptól elkésni kívánt elmúlt időszakok száma.
targetRollingWindowSize	TargetRollingWindowSize: AutoTargetRollingWindowSize CustomTargetRollingWindowSize		A céloszlop gördülőablak-átlagának létrehozásához használt elmúlt időszakok száma.
timeColumnName	string		Az időoszlop neve. Ez a paraméter az előrejelzéshez szükséges az idősor létrehozásához és gyakoriságának meghatározásához használt bemeneti adatok dátum/idő oszlopának megadásához.
timeSeriesIdColumnNames	string[]		Az idősorok csoportosításához használt oszlopok nevei. Több sorozat létrehozására is használható. Ha a gabona nincs definiálva, az adatkészletet egy idősornak kell feltételezni. Ezt a paramétert a rendszer a tevékenységtípus-előrejelzéshez használja.
useStl	UseStl	None	Konfigurálja az idősor céloszlopának STL-felbontását.

ForecastingTrainingSettings

Objektum

Előrejelzési betanítással kapcsolatos konfiguráció.

Name	Típus	Alapértelmezett érték	Description
allowedTrainingAlgorithms	ForecastingModels[]		A tevékenységek előrejelzéséhez engedélyezett modellek.
blockedTrainingAlgorithms	ForecastingModels[]		Letiltott modellek az előrejelzési tevékenységhez.
enableDnnTraining	boolean	False	DNN-modellek ajánlásának engedélyezése.
enableModelExplainability	boolean	True	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.
enableOnnxCompatibleModels	boolean	False	Az onnx-kompatibilis modellek engedélyezésének jelzője.
enableStackEnsemble	boolean	True	A verem-együttes futtatásának engedélyezése.
enableVoteEnsemble	boolean	True	Szavazati együttes futtatásának engedélyezése.
ensembleModelDownloadTimeout	string (duration)	PT5M	A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel.
stackEnsembleSettings	StackEnsembleSettings		Stack-együttes beállításai a stack-együttes futtatásához.

Goal

Enumerálás

A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg

Érték	Description
Maximize
Minimize

GridSamplingAlgorithm

Objektum

Olyan mintavételezési algoritmust definiál, amely teljes mértékben létrehozza a tér minden értékkombinációját

Name	Típus	Description
samplingAlgorithmType	string: Grid	[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok

IdentityConfigurationType

Enumerálás

Enum az identitás-keretrendszer meghatározásához.

Érték	Description
AMLToken
Managed
UserIdentity

ImageClassification

Objektum

Képbesorolás. Többosztályos képbesorolás akkor használatos, ha egy kép osztálycsoportból csak egyetlen címkével van besorolva – például minden kép "macska" vagy "kutya" vagy "kacsa" képeként van besorolva.

Name	Típus	Alapértelmezett érték	Description
limitSettings	ImageLimitSettings		[Kötelező] Az AutoML-feladat beállításainak korlátozása.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
modelSettings	ImageModelSettingsClassification		A modell betanításához használt beállítások.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	A tevékenységhez optimalizálandó elsődleges metrika.
searchSpace	ImageModelDistributionSettingsClassification[]		Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére.
sweepSettings	ImageSweepSettings		Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: ImageClassification		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.

ImageClassificationMultilabel

Objektum

Képbesorolás többcímkés. A többcímkés képbesorolás akkor használatos, ha egy kép egy vagy több címkével rendelkezhet egy címkekészletből – például egy kép "macska" és "kutya" címkével is ellátható.

Name	Típus	Alapértelmezett érték	Description
limitSettings	ImageLimitSettings		[Kötelező] Az AutoML-feladat beállításainak korlátozása.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
modelSettings	ImageModelSettingsClassification		A modell betanításához használt beállítások.
primaryMetric	ClassificationMultilabelPrimaryMetrics	IOU	A tevékenységhez optimalizálandó elsődleges metrika.
searchSpace	ImageModelDistributionSettingsClassification[]		Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére.
sweepSettings	ImageSweepSettings		Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: ImageClassificationMultilabel		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.

ImageInstanceSegmentation

Objektum

Képpéldány szegmentálása. A példányszegmentálás a kép objektumainak képpontszintű azonosítására szolgál, és a kép minden objektuma körül sokszöget rajzol.

Name	Típus	Alapértelmezett érték	Description
limitSettings	ImageLimitSettings		[Kötelező] Az AutoML-feladat beállításainak korlátozása.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
modelSettings	ImageModelSettingsObjectDetection		A modell betanításához használt beállítások.
primaryMetric	InstanceSegmentationPrimaryMetrics	MeanAveragePrecision	A tevékenységhez optimalizálandó elsődleges metrika.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére.
sweepSettings	ImageSweepSettings		Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: ImageInstanceSegmentation		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.

ImageLimitSettings

Objektum

Az AutoML-feladat beállításainak korlátozása.

Name	Típus	Alapértelmezett érték	Description
maxConcurrentTrials	integer (int32)	1	Egyidejű AutoML-iterációk maximális száma.
maxTrials	integer (int32)	1	AutoML-iterációk maximális száma.
timeout	string (duration)	P7D	AutoML-feladat időtúllépése.

ImageModelDistributionSettingsClassification

Objektum

Terjesztési kifejezések a modellbeállítások értékeinek átsöpréséhez. Néhány példa:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Típus	Description
amsGradient	string	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".
augmentations	string	A Kiegészítések használatának beállításai.
beta1	string	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
beta2	string	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
distributed	string	A terjesztő betanításának használata.
earlyStopping	string	A korai leállítási logika engedélyezése a betanítás során.
earlyStoppingDelay	string	Az elsődleges metrikajavítás nyomon követése előtt a korai leállításhoz szükséges minimális időértékek vagy érvényesítési értékelések száma. Pozitív egész számnak kell lennie.
earlyStoppingPatience	string	A futtatás leállítása előtt az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma. Pozitív egész számnak kell lennie.
enableOnnxNormalization	string	Engedélyezze a normalizálást az ONNX-modell exportálása során.
evaluationFrequency	string	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie.
gradientAccumulationStep	string	A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetekkel kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.
layersToFreeze	string	A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a 2 értéket a "seresnext" értékeként adja át, az a 0. és az 1. réteg fagyasztását jelenti. A támogatott modellek teljes listáját és a rétegbefagyasztás részleteit a következő cikkben találja: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
learningRateScheduler	string	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.
modelName	string	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	string	A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
nesterov	string	Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú.
numberOfEpochs	string	A betanítási korszakok száma. Pozitív egész számnak kell lennie.
numberOfWorkers	string	Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie.
optimizer	string	Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.
randomSeed	string	Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag.
stepLRGamma	string	A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
stepLRStepSize	string	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.
trainingBatchSize	string	Betanítási köteg mérete. Pozitív egész számnak kell lennie.
trainingCropSize	string	Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.
validationBatchSize	string	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.
validationCropSize	string	Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie.
validationResizeSize	string	Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.
warmupCosineLRCycles	string	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
warmupCosineLRWarmupEpochs	string	A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.
weightDecay	string	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1].
weightedLoss	string	Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet.

ImageModelDistributionSettingsObjectDetection

Objektum

Terjesztési kifejezések a modellbeállítások értékeinek átsöpréséhez. Néhány példa:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Típus	Description
amsGradient	string	Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".
augmentations	string	A Kiegészítések használatának beállításai.
beta1	string	A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
beta2	string	A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
boxDetectionsPerImage	string	Az észlelések maximális száma képenként, minden osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
boxScoreThreshold	string	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint a BoxScoreThreshold. Lebegtetésnek kell lennie a tartományban[0, 1].
distributed	string	A terjesztő betanításának használata.
earlyStopping	string	A korai leállítási logika engedélyezése a betanítás során.
earlyStoppingDelay	string	Az elsődleges metrikajavítás nyomon követése előtt a korai leállításhoz szükséges minimális időértékek vagy érvényesítési értékelések száma. Pozitív egész számnak kell lennie.
earlyStoppingPatience	string	A futtatás leállítása előtt az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma. Pozitív egész számnak kell lennie.
enableOnnxNormalization	string	Engedélyezze a normalizálást az ONNX-modell exportálása során.
evaluationFrequency	string	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie.
gradientAccumulationStep	string	A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetekkel kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.
imageSize	string	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.
layersToFreeze	string	A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a 2 értéket a "seresnext" értékeként adja át, az a 0. és az 1. réteg fagyasztását jelenti. A támogatott modellek teljes listáját és a rétegbefagyasztás részleteit a következő cikkben találja: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	string	Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
learningRateScheduler	string	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.
maxSize	string	Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
minSize	string	Az újraskálázandó kép minimális mérete, mielőtt a gerinchez táplálja. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
modelName	string	A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	string	Modell mérete. Legyen "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.
momentum	string	A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
multiScale	string	Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.
nesterov	string	Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú.
nmsIouThreshold	string	Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie.
numberOfEpochs	string	A betanítási korszakok száma. Pozitív egész számnak kell lennie.
numberOfWorkers	string	Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie.
optimizer	string	Az optimalizáló típusa. "sgd", "adam" vagy "adamw" lehet.
randomSeed	string	Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag.
stepLRGamma	string	A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
stepLRStepSize	string	A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.
tileGridSize	string	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.
tileOverlapRatio	string	Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
tilePredictionsNmsThreshold	string	Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében. NMS: Nem maximális letiltás
trainingBatchSize	string	Betanítási köteg mérete. Pozitív egész számnak kell lennie.
validationBatchSize	string	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.
validationIouThreshold	string	Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie.
validationMetricType	string	Metrikaszámítási módszer az érvényesítési metrikákhoz. "nincs", "coco", "voc" vagy "coco_voc" kell lennie.
warmupCosineLRCycles	string	A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
warmupCosineLRWarmupEpochs	string	A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.
weightDecay	string	A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1].

ImageModelSettingsClassification

Objektum

A modell betanításához használt beállítások. Az elérhető beállításokkal kapcsolatos további információkért látogasson el a hivatalos dokumentációba: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Típus	Alapértelmezett érték	Description
advancedSettings	string		Speciális forgatókönyvek beállításai.
amsGradient	boolean		Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".
augmentations	string		A Kiegészítések használatának beállításai.
beta1	number (float)		A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
beta2	number (float)		A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
checkpointFrequency	integer (int32)		A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.
checkpointModel	MLFlowModelJobInput		Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.
checkpointRunId	string		Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.
distributed	boolean		Elosztott betanítás használata.
earlyStopping	boolean		A korai leállítási logika engedélyezése a betanítás során.
earlyStoppingDelay	integer (int32)		Az elsődleges metrikajavítás nyomon követése előtt a korai leállításhoz szükséges minimális időértékek vagy érvényesítési értékelések száma. Pozitív egész számnak kell lennie.
earlyStoppingPatience	integer (int32)		A futtatás leállítása előtt az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma. Pozitív egész számnak kell lennie.
enableOnnxNormalization	boolean		Engedélyezze a normalizálást az ONNX-modell exportálása során.
evaluationFrequency	integer (int32)		Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie.
gradientAccumulationStep	integer (int32)		A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetekkel kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.
layersToFreeze	integer (int32)		A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a 2 értéket a "seresnext" értékeként adja át, az a 0. és az 1. réteg fagyasztását jelenti. A támogatott modellek teljes listáját és a rétegbefagyasztás részleteit a következő cikkben találja: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
learningRateScheduler	LearningRateScheduler	None	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.
modelName	string		A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	number (float)		A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
nesterov	boolean		Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú.
numberOfEpochs	integer (int32)		A betanítási korszakok száma. Pozitív egész számnak kell lennie.
numberOfWorkers	integer (int32)		Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie.
optimizer	StochasticOptimizer	None	Az optimalizáló típusa.
randomSeed	integer (int32)		Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag.
stepLRGamma	number (float)		A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
stepLRStepSize	integer (int32)		A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.
trainingBatchSize	integer (int32)		Betanítási köteg mérete. Pozitív egész számnak kell lennie.
trainingCropSize	integer (int32)		Kép körülvágási mérete, amely a betanítási adathalmaz neurális hálózatához van beadva. Pozitív egész számnak kell lennie.
validationBatchSize	integer (int32)		Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.
validationCropSize	integer (int32)		Az érvényesítési adatkészlet neurális hálózatához bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie.
validationResizeSize	integer (int32)		Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie.
warmupCosineLRCycles	number (float)		A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
warmupCosineLRWarmupEpochs	integer (int32)		A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.
weightDecay	number (float)		A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1].
weightedLoss	integer (int32)		Súlyozott veszteség. Az elfogadott értékek 0 érték súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights). 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet.

ImageModelSettingsObjectDetection

Objektum

A modell betanításához használt beállítások. Az elérhető beállításokkal kapcsolatos további információkért látogasson el a hivatalos dokumentációba: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Name	Típus	Alapértelmezett érték	Description
advancedSettings	string		Speciális forgatókönyvek beállításai.
amsGradient	boolean		Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".
augmentations	string		A Kiegészítések használatának beállításai.
beta1	number (float)		A "béta1" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
beta2	number (float)		A "béta2" értéke, ha az optimalizáló "adam" vagy "adamw". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
boxDetectionsPerImage	integer (int32)		Az észlelések maximális száma képenként, minden osztály esetében. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
boxScoreThreshold	number (float)		A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint a BoxScoreThreshold. Lebegtetésnek kell lennie a tartományban[0, 1].
checkpointFrequency	integer (int32)		A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.
checkpointModel	MLFlowModelJobInput		Az előre betanított ellenőrzőpont-modell növekményes betanításhoz.
checkpointRunId	string		Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.
distributed	boolean		Elosztott betanítás használata.
earlyStopping	boolean		A korai leállítási logika engedélyezése a betanítás során.
earlyStoppingDelay	integer (int32)		Az elsődleges metrikajavítás nyomon követése előtt a korai leállításhoz szükséges minimális időértékek vagy érvényesítési értékelések száma. Pozitív egész számnak kell lennie.
earlyStoppingPatience	integer (int32)		A futtatás leállítása előtt az elsődleges metrikajavítás nélküli alapidőszakok vagy érvényesítési értékelések minimális száma. Pozitív egész számnak kell lennie.
enableOnnxNormalization	boolean		Engedélyezze a normalizálást az ONNX-modell exportálása során.
evaluationFrequency	integer (int32)		Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie.
gradientAccumulationStep	integer (int32)		A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetekkel kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.
imageSize	integer (int32)		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.
layersToFreeze	integer (int32)		A modellhez rögzíteni kívánt rétegek száma. Pozitív egész számnak kell lennie. Ha például a 2 értéket a "seresnext" értékeként adja át, az a 0. és az 1. réteg fagyasztását jelenti. A támogatott modellek teljes listáját és a rétegbefagyasztás részleteit a következő cikkben találja: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	number (float)		Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
learningRateScheduler	LearningRateScheduler	None	A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet.
maxSize	integer (int32)		Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
minSize	integer (int32)		Az újraskálázandó kép minimális mérete, mielőtt a gerinchez táplálja. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
modelName	string		A betanításhoz használandó modell neve. Az elérhető modellekről további információt a hivatalos dokumentációban talál: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
modelSize	ModelSize	None	Modell mérete. Legyen "kicsi", "közepes", "nagy" vagy "xlarge". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.
momentum	number (float)		A lendület értéke, ha az optimalizáló "sgd". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
multiScale	boolean		Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%szerint történő variálásával. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.
nesterov	boolean		Engedélyezze a nesterovot, ha az optimalizáló "sgd" állapotú.
nmsIouThreshold	number (float)		Az NMS utófeldolgozás során a következtetés során használt IOU-küszöbérték. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
numberOfEpochs	integer (int32)		A betanítási korszakok száma. Pozitív egész számnak kell lennie.
numberOfWorkers	integer (int32)		Az adatbetöltő feldolgozóinak száma. Nem negatív egész számnak kell lennie.
optimizer	StochasticOptimizer	None	Az optimalizáló típusa.
randomSeed	integer (int32)		Determinisztikus betanítás használatakor használandó véletlenszerű vetőmag.
stepLRGamma	number (float)		A gamma értéke, ha a tanulási sebességütemező a "lépés". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
stepLRStepSize	integer (int32)		A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.
tileGridSize	string		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.
tileOverlapRatio	number (float)		Átfedés aránya a szomszédos csempék között az egyes dimenziókban. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
tilePredictionsNmsThreshold	number (float)		Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. Az [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
trainingBatchSize	integer (int32)		Betanítási köteg mérete. Pozitív egész számnak kell lennie.
validationBatchSize	integer (int32)		Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.
validationIouThreshold	number (float)		Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. Az [0, 1] tartományban kell lebegnie.
validationMetricType	ValidationMetricType	None	Metrikaszámítási módszer az érvényesítési metrikákhoz.
warmupCosineLRCycles	number (float)		A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". Az [0, 1] tartományban lévő lebegőpontosnak kell lennie.
warmupCosineLRWarmupEpochs	integer (int32)		A bemelegítési időszak értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.
weightDecay	number (float)		A súlycsökkenés értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". Lebegtetésnek kell lennie a tartományban[0, 1].

ImageObjectDetection

Objektum

Képobjektum-észlelés. Az objektumészlelés a képeken lévő objektumok azonosítására és az egyes objektumok határolókerettel való megkeresésére szolgál, például a képeken található összes kutya és macska megkeresésére, és egy határolókeret rajzolására.

Name	Típus	Alapértelmezett érték	Description
limitSettings	ImageLimitSettings		[Kötelező] Az AutoML-feladat beállításainak korlátozása.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
modelSettings	ImageModelSettingsObjectDetection		A modell betanításához használt beállítások.
primaryMetric	ObjectDetectionPrimaryMetrics	MeanAveragePrecision	A tevékenységhez optimalizálandó elsődleges metrika.
searchSpace	ImageModelDistributionSettingsObjectDetection[]		Keressen helyet a modellek különböző kombinációinak és hiperparamétereinek mintavételezésére.
sweepSettings	ImageSweepSettings		Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: ImageObjectDetection		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.

ImageSweepSettings

Objektum

Modellsöpréssel és hiperparaméteres takarítással kapcsolatos beállítások.

Name	Típus	Description
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy	A korai felmondási szabályzat típusa.
samplingAlgorithm	SamplingAlgorithmType	[Kötelező] A hiperparaméter-mintavételezési algoritmusok típusa.

InputDeliveryMode

Enumerálás

Szám a bemeneti adatkézbesítési mód meghatározásához.

Érték	Description
Direct
Download
EvalDownload
EvalMount
ReadOnlyMount
ReadWriteMount

InstanceSegmentationPrimaryMetrics

Enumerálás

Az InstanceSegmentation-feladatok elsődleges metrikái.

Érték	Description
MeanAveragePrecision	Az átlagos pontosság (MAP) az AP (Average Precision) átlaga. Az AP kiszámítása minden osztályhoz történik, és a MAP lekéréséhez átlagolt.

JobBaseResource

Objektum

Azure Resource Manager-erőforrásboríték.

Name	Típus	Description
id	string	Az erőforrás teljes erőforrás-azonosítója. Ex - /subscriptions/{subscriptionId}/resourceGroups/{resourceGroupName}/providers/{resourceProviderNamespace}/{resourceType}/{resourceName}
name	string	Az erőforrás neve
properties	JobBase: AutoMLJob CommandJob PipelineJob SparkJob SweepJob	[Kötelező] Az entitás további attribútumai.
systemData	systemData	A createdBy és a modifiedBy adatokat tartalmazó Azure Resource Manager-metaadatok.
type	string	Az erőforrás típusa. Pl. "Microsoft.Compute/virtualMachines" vagy "Microsoft.Storage/storageAccounts"

JobInputType

Enumerálás

Szám a feladat bemeneti típusának meghatározásához.

Érték	Description
custom_model
literal
mlflow_model
mltable
triton_model
uri_file
uri_folder

JobLimitsType

Enumerálás

Érték	Description
Command
Sweep

JobOutputType

Enumerálás

Szám a feladat kimeneti típusának meghatározásához.

Érték	Description
custom_model
mlflow_model
mltable
triton_model
uri_file
uri_folder

JobResourceConfiguration

Objektum

Name	Típus	Alapértelmezett érték	Description
dockerArgs	string		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.
instanceCount	integer (int32)	1	A számítási cél által használt példányok vagy csomópontok opcionális száma.
instanceType	string		A számítási cél által támogatott virtuális gép választható típusa.
properties	object		További tulajdonságok táska.
shmSize	string pattern: \d+[bBkKmMgG]	2g	A Docker-tároló megosztott memóriablokkjának mérete. Ennek a formátumnak (szám)(egységnek) kell lennie, ahol a szám 0-nál nagyobb lehet, és az egység lehet b(bájt), k(kilobájt), m(megabájt) vagy g(gigabájt) egyike.

JobService

Objektum

Feladatvégpont definíciója

Name	Típus	Description
endpoint	string	Végpont URL-címe.
errorMessage	string	Bármilyen hiba a szolgáltatásban.
jobServiceType	string	Végpont típusa.
nodes	Nodes: AllNodes	Azok a csomópontok, amelyeken a felhasználó elindítaná a szolgáltatást. Ha a csomópontok nincsenek beállítva vagy null értékre állítva, a szolgáltatás csak a vezető csomóponton lesz elindítva.
port	integer (int32)	Végpont portja.
properties	object	További beállítások a végponton.
status	string	A végpont állapota.

JobStatus

Enumerálás

Egy feladat állapota.

Érték	Description
CancelRequested	A rendszer lemondást kért a feladathoz.
Canceled	A lemondási kérést követően a feladat sikeresen le lett szakítva.
Completed	A feladat sikeresen befejeződött. Ez azt jelzi, hogy maga a feladat és a kimeneti gyűjtemény állapota is sikeresen befejeződött
Failed	A feladat nem sikerült.
Finalizing	A feladat befejeződött a célban. Most már kimeneti gyűjtemény állapotban van.
NotResponding	Ha a szívverés engedélyezve van, ha a futtatás nem frissít semmilyen információt a RunHistory-ra, akkor a futtatás Not Modul állapotba kerül. A NotSi az egyetlen olyan állapot, amely mentesül a szigorú áttűnési rendelések alól. A futtatás a Not Messzeségből bármelyik korábbi állapotba átmehet.
NotStarted	A futtatás még nem indult el.
Paused	A feladatot a felhasználók szüneteltetik. A címkézési feladatok bizonyos módosítása csak szüneteltetett állapotban végezhető el.
Preparing	A futtatási környezet előkészítése folyamatban van.
Provisioning	(Jelenleg nincs használatban) Akkor lesz használatban, ha az ES létrehozza a számítási célt.
Queued	A feladat várólistára kerül a számítási célban. A BatchAI-ban például a feladat várólistás állapotban van, miközben az összes szükséges csomópont készen áll.
Running	A feladat a számítási célban kezdett futni.
Starting	A futtatás elindult. A felhasználó rendelkezik futtatási azonosítóval.
Unknown	Alapértelmezett feladatállapot, ha nem az összes többi állapotra van megfeleltetve

JobTier

Enumerálás

Enum a feladatszint meghatározásához.

Érték	Description
Basic
Null
Premium
Spot
Standard

JobType

Enumerálás

Enum a feladat típusának meghatározásához.

Érték	Description
AutoML
Command
Pipeline
Spark
Sweep

LearningRateScheduler

Enumerálás

Tanulási sebességütemező enumerálása.

Érték	Description
None	Nincs kiválasztva tanulási sebességütemező.
Step	Lépésenkénti tanulási sebességütemező.
WarmupCosine	Cosine Annealing bemelegítéssel.

LiteralJobInput

Objektum

Literális beviteli típus.

Name	Típus	Description
description	string	A bemenet leírása.
jobInputType	string: literal	[Kötelező] A feladat típusát adja meg.
value	string minLength: 1 pattern: [a-zA-Z0-9_]	[Kötelező] A bemenet literális értéke.

LogVerbosity

Enumerálás

Enum a napló részletességének beállításához.

Érték	Description
Critical	Csak kritikus utasítások naplózva.
Debug	Naplózott naplókivonatok hibakeresése és fölötte.
Error	Hiba és fenti naplókivonatok naplózva.
Info	A naplózott információk és a fenti naplókivonatok.
NotSet	Nincsenek kibocsátott naplók.
Warning	A naplózott figyelmeztetések és a fenti naplókivonatok.

ManagedIdentity

Objektum

Felügyelt identitáskonfiguráció.

Name	Típus	Description
clientId	string (uuid)	Felhasználó által hozzárendelt identitást határoz meg ügyfél-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.
identityType	string: Managed	[Kötelező] Megadja az identitás-keretrendszer típusát.
objectId	string (uuid)	Felhasználó által hozzárendelt identitást határoz meg objektumazonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.
resourceId	string	Felhasználó által hozzárendelt identitást ad meg ARM-erőforrás-azonosító alapján. A rendszer által hozzárendelt mezők esetében ne állítsa be ezt a mezőt.

MedianStoppingPolicy

Objektum

Az összes futtatás elsődleges metrikájának futási átlaga alapján definiál egy korai megszüntetési szabályzatot

Name	Típus	Alapértelmezett érték	Description
delayEvaluation	integer (int32)	0	Azon intervallumok száma, amelyekkel késleltethető az első értékelés.
evaluationInterval	integer (int32)	0	Intervallum (futtatások száma) a szabályzatok kiértékelése között.
policyType	string: MedianStopping		[Kötelező] Szabályzatkonfiguráció neve

MLFlowModelJobInput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A bemenet leírása.
jobInputType	string: mlflow_model		[Kötelező] A feladat típusát adja meg.
mode	InputDeliveryMode	ReadOnlyMount	Bemeneti eszköz kézbesítési módja.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] Bemeneti eszköz URI-ja.

MLFlowModelJobOutput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A kimenet leírása.
jobOutputType	string: mlflow_model		[Kötelező] A feladat típusát adja meg.
mode	OutputDeliveryMode	ReadWriteMount	Kimeneti eszközkézbesítési mód.
uri	string		Kimeneti eszköz URI-ja.

MLTableJobInput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A bemenet leírása.
jobInputType	string: mltable		[Kötelező] A feladat típusát adja meg.
mode	InputDeliveryMode	ReadOnlyMount	Bemeneti eszköz kézbesítési módja.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] Bemeneti eszköz URI-ja.

MLTableJobOutput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A kimenet leírása.
jobOutputType	string: mltable		[Kötelező] A feladat típusát adja meg.
mode	OutputDeliveryMode	ReadWriteMount	Kimeneti eszközkézbesítési mód.
uri	string		Kimeneti eszköz URI-ja.

ModelSize

Enumerálás

Képmodell mérete.

Érték	Description
ExtraLarge	Extra nagy méret.
Large	Nagy méretű.
Medium	Közepes méretű.
None	Nincs kijelölve érték.
Small	Kis méret.

Mpi

Objektum

MPI-disztribúció konfigurálása.

Name	Típus	Description
distributionType	string: Mpi	[Kötelező] A terjesztési keretrendszer típusát határozza meg.
processCountPerInstance	integer (int32)	Folyamatok száma MPI-csomópontonként.

NCrossValidationsMode

Enumerálás

Meghatározza az N-Kereszt érvényesítési értékének meghatározását.

Érték	Description
Auto	Az N-Kereszt érvényesítések értékének automatikus meghatározása. Csak az "Előrejelzés" AutoML-tevékenységhez támogatott.
Custom	Egyéni N-Kereszt érvényesítési érték használata.

NlpVerticalFeaturizationSettings

Objektum

Name	Típus	Description
datasetLanguage	string	Adatkészlet nyelve, amely a szöveges adatokhoz hasznos.

NlpVerticalLimitSettings

Objektum

Feladatvégrehajtási korlátozások.

Name	Típus	Alapértelmezett érték	Description
maxConcurrentTrials	integer (int32)	1	Egyidejű AutoML-iterációk maximális száma.
maxTrials	integer (int32)	1	AutoML-iterációk száma.
timeout	string (duration)	P7D	AutoML-feladat időtúllépése.

NodesValueType

Enumerálás

A csomópontok értékének enumerált típusai

Érték	Description
All

NotificationSetting

Objektum

Az értesítés konfigurálása.

Name	Típus	Description
emailOn	EmailNotificationEnableType[]	E-mail-értesítés küldése a felhasználónak a megadott értesítési típuson
emails	string[]	Ez az e-mail-címzettek listája, amely 499 karakteres korlátozással rendelkezik a vesszőelválasztóval összefűzve
webhooks	object	Webhook-visszahívás küldése szolgáltatásnak. A kulcs a webhook felhasználó által megadott neve.

ObjectDetectionPrimaryMetrics

Enumerálás

Az Image ObjectDetection tevékenység elsődleges metrikái.

Érték	Description
MeanAveragePrecision	Az átlagos pontosság (MAP) az AP (Average Precision) átlaga. Az AP kiszámítása minden osztályhoz történik, és a MAP lekéréséhez átlagolt.

Objective

Objektum

Optimalizálási cél.

Name	Típus	Description
goal	Goal	[Kötelező] A hiperparaméter-finomhangolás támogatott metrikacéljait határozza meg
primaryMetric	string minLength: 1 pattern: [a-zA-Z0-9_]	[Kötelező] Az optimalizálni kívánt metrika neve.

OutputDeliveryMode

Enumerálás

A kimeneti adatkézbesítési mód számbavétele.

Érték	Description
Direct
ReadWriteMount
Upload

PipelineJob

Objektum

Folyamatfeladat definíciója: általános MFE-attribútumokat határoz meg.

Name	Típus	Alapértelmezett érték	Description
componentId	string		Az összetevő-erőforrás ARM-erőforrás-azonosítója.
computeId	string		A számítási erőforrás ARM-erőforrás-azonosítója.
description	string		Az eszköz leírásának szövege.
displayName	string		A feladat megjelenítendő neve.
experimentName	string	Default	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a Null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.
inputs	object		A folyamatfeladat bemenetei.
isArchived	boolean	False	Archiválva van az objektum?
jobType	string: Pipeline		[Kötelező] A feladat típusát adja meg.
jobs	object		A feladatok létrehoznak egy folyamatfeladatot.
notificationSetting	NotificationSetting		A feladat értesítési beállítása
outputs	object		A folyamatfeladat kimenetei
properties	object		Az eszköztulajdonság szótára.
services	<string,  JobService>		A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik.
settings	object		Folyamatbeállítások, például ContinueRunOnStepFailure stb.
sourceJobId	string		A forrásfeladat ARM-erőforrás-azonosítója.
status	JobStatus		A feladat állapota.
tags	object		Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.

PyTorch

Objektum

PyTorch-disztribúció konfigurálása.

Name	Típus	Description
distributionType	string: PyTorch	[Kötelező] A terjesztési keretrendszer típusát határozza meg.
processCountPerInstance	integer (int32)	Csomópontonkénti folyamatok száma.

QueueSettings

Objektum

Name	Típus	Alapértelmezett érték	Description
jobTier	JobTier	Null	A számítási feladatszint szabályozása

RandomSamplingAlgorithm

Objektum

Olyan mintavételezési algoritmust definiál, amely véletlenszerűen hoz létre értékeket

Name	Típus	Alapértelmezett érték	Description
rule	RandomSamplingAlgorithmRule	Random	A véletlenszerű algoritmus adott típusa
samplingAlgorithmType	string: Random		[Kötelező] A hiperparaméter-értékek generálásához használt algoritmus, valamint a konfigurációs tulajdonságok
seed	integer (int32)		Nem kötelező egész szám, amelyet a véletlenszerű számgenerálás magjaként kell használni

RandomSamplingAlgorithmRule

Enumerálás

A véletlenszerű algoritmus adott típusa

Érték	Description
Random
Sobol

Regression

Objektum

Regressziós tevékenység az AutoML-tábla függőlegesen.

Name	Típus	Alapértelmezett érték	Description
cvSplitColumnNames	string[]		A CVSplit-adatokhoz használandó oszlopok.
featurizationSettings	TableVerticalFeaturizationSettings		Az AutoML-feladathoz szükséges featurizációs bemenetek.
limitSettings	TableVerticalLimitSettings		Az AutoMLJob végrehajtási korlátozásai.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
nCrossValidations	NCrossValidations: AutoNCrossValidations CustomNCrossValidations		A betanítási adatkészleten alkalmazandó keresztérvényesítési hajtások száma, ha az érvényesítési adatkészlet nincs megadva.
primaryMetric	RegressionPrimaryMetrics	NormalizedRootMeanSquaredError	A regressziós tevékenység elsődleges metrikája.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: Regression		[Kötelező] Az AutoMLJob feladattípusa.
testData	MLTableJobInput		Adatbevitel tesztelése.
testDataSize	number (double)		A tesztelési adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
trainingSettings	RegressionTrainingSettings		Bemenetek egy AutoML-feladat betanítási fázisához.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.
validationDataSize	number (double)		A betanítási adatkészlet azon része, amelyet az ellenőrzés céljára félre kell tenni. A (0.0, 1.0) közötti értékek akkor érvényesülnek, ha az érvényesítési adatkészlet nincs megadva.
weightColumnName	string		A mintasúly oszlop neve. Az automatizált gépi tanulás bemenetként támogatja a súlyozott oszlopokat, ami az adatok sorait felfelé vagy lefelé súlyozza.

RegressionModels

Enumerálás

Az AutoML által támogatott összes regressziós modell enumerációja.

Érték	Description
DecisionTree	A döntési fák egy nem parametrikus felügyelt tanulási módszer, amely mind a besorolási, mind a regressziós feladatokhoz használható. A cél egy olyan modell létrehozása, amely előrejelzi a célváltozó értékét az adatfunkciókból levont egyszerű döntési szabályok elsajátításával.
ElasticNet	A rugalmas háló a rendszeresített lineáris regresszió népszerű típusa, amely két népszerű büntetést kombinál, különösen az L1 és L2 büntetési függvényeket.
ExtremeRandomTrees	Az Extreme Trees egy együttes gépi tanulási algoritmus, amely számos döntési fa előrejelzéseit egyesíti. Ez a széles körben használt véletlenszerű erdő algoritmushoz kapcsolódik.
GradientBoosting	A heti tanulók erős tanulóba való átvitelének technikáját a Boostingnak nevezzük. A színátmenet-növelő algoritmus folyamata ezen a végrehajtási elméleten működik.
KNN	A K-legközelebbi szomszéd (KNN) algoritmus a "funkció-hasonlóság" használatával előrejelzi az új adatpontok értékeit, ami azt is jelenti, hogy az új adatponthoz a betanítási csoport pontjainak megfelelő érték lesz hozzárendelve.
LassoLars	A lasszós modell illeszkedik a Legkisebb szög regresszióhoz, más néven Larshoz. Ez egy lineáris modell, amely egy L1-előddel van betanítve rendszeresítőként.
LightGBM	A LightGBM egy gradiens növelő keretrendszer, amely faalapú tanulási algoritmusokat használ.
RandomForest	A véletlenszerű erdő egy felügyelt tanulási algoritmus. Az általa épített "erdő" döntési fák együttese, amely általában a "zsákolás" módszerrel van betanítve. A zsákolásos módszer általános elképzelése, hogy a tanulási modellek kombinációja növeli az általános eredményt.
SGD	SGD: A sztochasztikus gradiens-süllyedés egy optimalizálási algoritmus, amelyet gyakran használnak gépi tanulási alkalmazásokban az előrejelzett és a tényleges kimenetek közötti legjobb illeszkedésnek megfelelő modellparaméterek megtalálásához. Ez egy nem praktikus, de hatékony technika.
XGBoostRegressor	XGBoostRegressor: Extreme Gradient Boosting Regressor egy felügyelt gépi tanulási modell, amely alaptanulók együttesét használja.

RegressionPrimaryMetrics

Enumerálás

A regressziós tevékenység elsődleges metrikái.

Érték	Description
NormalizedMeanAbsoluteError	A normalizált átlagos abszolút hiba (NMAE) egy érvényesítési metrika, amely összehasonlítja az (idő) sorozatok átlagos abszolút hibáját (MAE) különböző skálákkal.
NormalizedRootMeanSquaredError	Az RMSE Normalized Root Mean Squared Error (NRMSE) megkönnyíti a különböző skálákkal rendelkező modellek összehasonlítását.
R2Score	Az R2-pontszám az előrejelzésalapú gépi tanulási modellek teljesítményértékelési mértékei közé tartozik.
SpearmanCorrelation	A Spearman rang-korrelációs együtthatója a rang korreláció nemparametrikus mértéke.

RegressionTrainingSettings

Objektum

Regressziós betanítással kapcsolatos konfiguráció.

Name	Típus	Alapértelmezett érték	Description
allowedTrainingAlgorithms	RegressionModels[]		A regressziós tevékenységhez engedélyezett modellek.
blockedTrainingAlgorithms	RegressionModels[]		A regressziós feladat blokkolt modelljei.
enableDnnTraining	boolean	False	DNN-modellek ajánlásának engedélyezése.
enableModelExplainability	boolean	True	Jelölő a magyarázhatóság bekapcsolásához a legjobb modellen.
enableOnnxCompatibleModels	boolean	False	Az onnx-kompatibilis modellek engedélyezésének jelzője.
enableStackEnsemble	boolean	True	A verem-együttes futtatásának engedélyezése.
enableVoteEnsemble	boolean	True	Szavazati együttes futtatásának engedélyezése.
ensembleModelDownloadTimeout	string (duration)	PT5M	A VotingEnsemble és a StackEnsemble modell létrehozása során az előző gyermekfuttatásokból származó több beépített modell is letöltődik. Ha több időre van szükség, konfigurálja ezt a paramétert 300 másodpercnél nagyobb értékkel.
stackEnsembleSettings	StackEnsembleSettings		Stack-együttes beállításai a stack-együttes futtatásához.

SamplingAlgorithmType

Enumerálás

Érték	Description
Bayesian
Grid
Random

SeasonalityMode

Enumerálás

Szezonalitás előrejelzése.

Érték	Description
Auto	Az automatikusan meghatározandó szezonalitás.
Custom	Használja az egyéni szezonalitás értékét.

ShortSeriesHandlingConfiguration

Enumerálás

Az a paraméter, amely meghatározza, hogy az AutoML hogyan kezelje a rövid idősorokat.

Érték	Description
Auto	Rövid sorozat lesz párnázva, ha nincs hosszú sorozat, különben rövid sorozat lesz elvetve.
Drop	Az összes rövid sorozat el lesz ejtve.
None	Nem/null értéket jelöl.
Pad	Az összes rövid sorozat ki lesz párnázva.

SparkJob

Objektum

Spark-feladat definíciója.

Name	Típus	Alapértelmezett érték	Description
archives	string[]		Archiválja a feladatban használt fájlokat.
args	string		A feladat argumentumai.
codeId	string (arm-id) minLength: 1 pattern: [a-zA-Z0-9_]		A kódobjektum [Kötelező] arm-azonosítója.
componentId	string		Az összetevő-erőforrás ARM-erőforrás-azonosítója.
computeId	string		A számítási erőforrás ARM-erőforrás-azonosítója.
conf	object		Spark-konfigurált tulajdonságok.
description	string		Az eszköz leírásának szövege.
displayName	string		A feladat megjelenítendő neve.
entry	SparkJobEntry: SparkJobPythonEntry SparkJobScalaEntry		[Kötelező] A feladat indításakor végrehajtandó bejegyzés.
environmentId	string (arm-id)		A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.
environmentVariables	object		A feladatban szereplő környezeti változók.
experimentName	string	Default	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.
files	string[]		A feladatban használt fájlok.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a Null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.
inputs	object		A feladatban használt bemeneti adatkötések leképezése.
isArchived	boolean	False	Archiválva van az objektum?
jars	string[]		A feladatban használt Jar-fájlok.
jobType	string: Spark		[Kötelező] A feladat típusát adja meg.
notificationSetting	NotificationSetting		A feladat értesítési beállítása
outputs	object		A feladatban használt kimeneti adatkötések leképezése.
properties	object		Az eszköztulajdonság szótára.
pyFiles	string[]		A feladatban használt Python-fájlok.
queueSettings	QueueSettings		A feladat üzenetsor-beállításai
resources	SparkResourceConfiguration		Számítási erőforrás konfigurációja a feladathoz.
services	<string,  JobService>		A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik.
status	JobStatus		A feladat állapota.
tags	object		Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.

SparkJobEntryType

Enumerálás

Érték	Description
SparkJobPythonEntry
SparkJobScalaEntry

SparkJobPythonEntry

Objektum

Name	Típus	Description
file	string minLength: 1 pattern: [a-zA-Z0-9_]	[Kötelező] A feladatbeléptetési pont relatív Python-fájl elérési útja.
sparkJobEntryType	string: SparkJobPythonEntry	[Kötelező] A feladat belépési pontjának típusa.

SparkJobScalaEntry

Objektum

Name	Típus	Description
className	string minLength: 1 pattern: [a-zA-Z0-9_]	[Kötelező] Belépési pontként használt Scala-osztálynév.
sparkJobEntryType	string: SparkJobScalaEntry	[Kötelező] A feladat belépési pontjának típusa.

SparkResourceConfiguration

Objektum

Name	Típus	Alapértelmezett érték	Description
instanceType	string		A számítási cél által támogatott virtuális gép választható típusa.
runtimeVersion	string	3.1	A feladathoz használt Spark-futtatókörnyezet verziója.

StackEnsembleSettings

Objektum

A StackEnsemble-futtatás testreszabásának továbblépési beállítása.

Name	Típus	Alapértelmezett érték	Description
stackMetaLearnerKWargs	object		Nem kötelező paraméterek a metatanuló inicializálójának átadni.
stackMetaLearnerTrainPercentage	number (double)	0.2	Meghatározza a betanítási csoport arányát (a betanítási és érvényesítési típus kiválasztásakor) a metatanuló betanításához. Az alapértelmezett érték 0,2.
stackMetaLearnerType	StackMetaLearnerType	None	A metatanuló az egyes heterogén modellek kimenetére betanított modell.

StackMetaLearnerType

Enumerálás

A metatanuló az egyes heterogén modellek kimenetére betanított modell. Az alapértelmezett metatanulók a LogisticRegression a besorolási feladatokhoz (vagy a LogisticRegressionCV, ha engedélyezve van a keresztérvényesítés) és az ElasticNet a regressziós/előrejelzési feladatokhoz (vagy ElasticNetCV, ha engedélyezve van a keresztérvényesítés). Ez a paraméter a következő sztringek egyike lehet: LogisticRegression, LogisticRegressionCV, LightGBMClassifier, ElasticNet, ElasticNetCV, LightGBMRegressor vagy LinearRegression

Érték	Description
ElasticNet	A regressziós feladat alapértelmezett metatanulói a LogisticRegression.
ElasticNetCV	Az alapértelmezett metatanulók a LogisticRegression a regressziós feladathoz, ha a CV be van kapcsolva.
LightGBMClassifier
LightGBMRegressor
LinearRegression
LogisticRegression	Az alapértelmezett metatanulók a LogisticRegression a besorolási feladatokhoz.
LogisticRegressionCV	Az alapértelmezett metatanulók a LogisticRegression a besorolási feladathoz, ha be van kapcsolva az önéletrajz.
None

StochasticOptimizer

Enumerálás

Sztochasztikus optimalizáló képmodellekhez.

Érték	Description
Adam	Adam egy algoritmus, amely a pillanatok adaptív becslései alapján optimalizálja a sztochasztikus objektív függvényeket
Adamw	AdamW egy változata az optimalizáló Adam, hogy egy továbbfejlesztett megvalósítása súlycsökkenés.
None	Nincs kiválasztva optimalizáló.
Sgd	Sztochasztikus színátmenet-optimalizáló.

SweepJob

Objektum

Takarítási feladat definíciója.

Name	Típus	Alapértelmezett érték	Description
componentId	string		Az összetevő-erőforrás ARM-erőforrás-azonosítója.
computeId	string		A számítási erőforrás ARM-erőforrás-azonosítója.
description	string		Az eszköz leírásának szövege.
displayName	string		A feladat megjelenítendő neve.
earlyTermination	EarlyTerminationPolicy: BanditPolicy MedianStoppingPolicy TruncationSelectionPolicy		A korai megszüntetési szabályzatok lehetővé teszik a gyenge teljesítményű futtatások megszakítását, mielőtt befejeződnének
experimentName	string	Default	Annak a kísérletnek a neve, amelyhez a feladat tartozik. Ha nincs beállítva, a feladat az "Alapértelmezett" kísérletbe kerül.
identity	IdentityConfiguration: AmlToken ManagedIdentity UserIdentity		Identitáskonfiguráció. Ha be van állítva, ennek az AmlToken, a ManagedIdentity, a UserIdentity vagy a Null értéknek kell lennie. Alapértelmezés szerint AmlToken, ha null.
inputs	object		A feladatban használt bemeneti adatkötések leképezése.
isArchived	boolean	False	Archiválva van az objektum?
jobType	string: Sweep		[Kötelező] A feladat típusát adja meg.
limits	SweepJobLimits	{}	Takarítási feladat korlátja.
notificationSetting	NotificationSetting		A feladat értesítési beállítása
objective	Objective		[Kötelező] Optimalizálási cél.
outputs	object		A feladatban használt kimeneti adatkötések leképezése.
properties	object		Az eszköztulajdonság szótára.
queueSettings	QueueSettings		A feladat üzenetsor-beállításai
samplingAlgorithm	SamplingAlgorithm: BayesianSamplingAlgorithm GridSamplingAlgorithm RandomSamplingAlgorithm		[Kötelező] A hiperparaméter-mintavételezési algoritmus
searchSpace	object		[Kötelező] Az egyes paramétereket és azok eloszlását tartalmazó szótár. A szótárkulcs a paraméter neve
services	<string,  JobService>		A JobEndpoints listája. Helyi feladatok esetén a feladatvégpont a FileStreamObject végpontértékével rendelkezik.
status	JobStatus		A feladat állapota.
tags	object		Címkeszótár. A címkék hozzáadhatók, eltávolíthatók és frissíthetők.
trial	TrialComponent		[Kötelező] Próbaverziós összetevő definíciója.

SweepJobLimits

Objektum

Takarítási feladat korlátosztálya.

Name	Típus	Description
jobLimitsType	string: Sweep	[Kötelező] JobLimit típus.
maxConcurrentTrials	integer (int32)	Takarítási feladat maximális egyidejű próbaverziói.
maxTotalTrials	integer (int32)	Takarítási feladat maximális teljes próbaverziója.
timeout	string (duration)	A maximális futtatási időtartam ISO 8601 formátumban, amely után a feladat megszakad. Csak másodperces pontossággal támogatja az időtartamot.
trialTimeout	string (duration)	A takarítási feladat próbaverziója időtúllépési értéke.

systemData

Objektum

Az erőforrás létrehozásával és utolsó módosításával kapcsolatos metaadatok.

Name	Típus	Description
createdAt	string (date-time)	Az erőforrás-létrehozás időbélyege (UTC).
createdBy	string	Az erőforrást létrehozó identitás.
createdByType	createdByType	Az erőforrást létrehozó identitás típusa.
lastModifiedAt	string (date-time)	Az erőforrás utolsó módosításának időbélyege (UTC)
lastModifiedBy	string	Az erőforrást legutóbb módosító identitás.
lastModifiedByType	createdByType	Az erőforrást legutóbb módosító identitás típusa.

TableVerticalFeaturizationSettings

Objektum

Featurization Configuration.

Name	Típus	Alapértelmezett érték	Description
blockedTransformers	BlockedTransformers[]		Ezek a transzformátorok nem használhatók a featurizációhoz.
columnNameAndTypes	object		Az oszlop nevének és típusának szótára (int, float, string, datetime stb.).
datasetLanguage	string		Adatkészlet nyelve, amely a szöveges adatokhoz hasznos.
enableDnnFeaturization	boolean	False	Meghatározza, hogy Dnn-alapú featurizálókat használjon-e az adatok featurizálásához.
mode	FeaturizationMode	Auto	Featurization mód – A felhasználó megtarthatja az alapértelmezett "Auto" módot, és az AutoML gondoskodik az adatok szükséges átalakításáról a featurizációs fázisban. Ha a "Ki" lehetőség van kiválasztva, akkor a művelet nem végez érlelési elemet. Ha az "Egyéni" lehetőség van kiválasztva, a felhasználó további bemeneteket adhat meg a featurálási folyamat testreszabásához.
transformerParams	object		A felhasználó megadhat további használandó átalakítókat, valamint azokat az oszlopokat, amelyekre alkalmazni szeretné, valamint paramétereket a transzformátor-konstruktorhoz.

TableVerticalLimitSettings

Objektum

Feladatvégrehajtási korlátozások.

Name	Típus	Alapértelmezett érték	Description
enableEarlyTermination	boolean	True	Lehetővé teszi a korai leállítást, meghatározza, hogy az AutoMLJob korai leáll-e, ha az elmúlt 20 iterációban nem javul a pontszám.
exitScore	number (double)		Az AutoML-feladat kilépési pontszáma.
maxConcurrentTrials	integer (int32)	1	Egyidejű iterációk maximális száma.
maxCoresPerTrial	integer (int32)	-1	Iterációnkénti magok maximális száma.
maxTrials	integer (int32)	1000	Iterációk száma.
timeout	string (duration)	PT6H	AutoML-feladat időtúllépése.
trialTimeout	string (duration)	PT30M	Iterációs időtúllépés.

TargetAggregationFunction

Enumerálás

Cél aggregátumfüggvény.

Érték	Description
Max
Mean
Min
None	Nem jelöl értékhalmazt.
Sum

TargetLagsMode

Enumerálás

A célelmaradások kijelölési módjai.

Érték	Description
Auto	Az automatikusan meghatározandó célelmaradások.
Custom	Használja az egyéni célelmaradásokat.

TargetRollingWindowSizeMode

Enumerálás

Célgördülő ablakméret mód.

Érték	Description
Auto	Automatikusan határozza meg a gördülő ablakok méretét.
Custom	Használja a megadott gördülőablak-méretet.

TaskType

Enumerálás

AutoMLJob-feladat típusa.

Érték	Description
Classification	A gépi tanulásban és a statisztikákban való besorolás egy felügyelt tanulási megközelítés, amelyben a számítógépes program tanul a neki adott adatokból, és új megfigyeléseket vagy besorolásokat készít.
Forecasting	Az előrejelzés egy speciális regressziós feladat, amely idősoros adatokkal foglalkozik, és olyan előrejelzési modellt hoz létre, amely a bemenetek alapján előrejelezhető közel jövőbeni értékeket.
ImageClassification	Képbesorolás. Többosztályos képbesorolás akkor használatos, ha egy kép osztálycsoportból csak egyetlen címkével van besorolva – például minden kép "macska" vagy "kutya" vagy "kacsa" képeként van besorolva.
ImageClassificationMultilabel	Képbesorolás többcímkés. A többcímkés képbesorolás akkor használatos, ha egy kép egy vagy több címkével rendelkezhet egy címkekészletből – például egy kép "macska" és "kutya" címkével is ellátható.
ImageInstanceSegmentation	Képpéldány szegmentálása. A példányszegmentálás a kép objektumainak képpontszintű azonosítására szolgál, és a kép minden objektuma körül sokszöget rajzol.
ImageObjectDetection	Képobjektum-észlelés. Az objektumészlelés a képeken lévő objektumok azonosítására és az egyes objektumok határolókerettel való megkeresésére szolgál, például a képeken található összes kutya és macska megkeresésére, és egy határolókeret rajzolására.
Regression	A regresszió azt jelenti, hogy a bemeneti adatokkal előrejelzi az értéket. A regressziós modellek folyamatos érték előrejelzésére szolgálnak.
TextClassification	A szövegbesorolás (más néven szövegcímkézés vagy szöveg kategorizálás) a szövegek kategóriákba rendezésének folyamata. A kategóriák kölcsönösen kizárják egymást.
TextClassificationMultilabel	A többcímkés besorolási feladat minden mintát hozzárendel a célcímkék egy csoportjához (nulla vagy több).
TextNER	Text Named Entity Recognition a.a. TextNER. A nevesített entitásfelismerés (NER) lehetővé teszi, hogy szabad formátumú szöveget készítsen, és azonosítsa az entitások, például személyek, helyek, szervezetek stb. előfordulását.

TensorFlow

Objektum

TensorFlow-disztribúció konfigurálása.

Name	Típus	Alapértelmezett érték	Description
distributionType	string: TensorFlow		[Kötelező] A terjesztési keretrendszer típusát határozza meg.
parameterServerCount	integer (int32)	0	Paraméterkiszolgálói feladatok száma.
workerCount	integer (int32)		Dolgozók száma. Ha nincs megadva, alapértelmezés szerint a példányok száma lesz.

TextClassification

Objektum

Szövegbesorolási feladat az AutoML NLP függőlegesen. NLP – Természetes nyelvi feldolgozás.

Name	Típus	Alapértelmezett érték	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Az AutoML-feladathoz szükséges featurizációs bemenetek.
limitSettings	NlpVerticalLimitSettings		Az AutoMLJob végrehajtási korlátozásai.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
primaryMetric	ClassificationPrimaryMetrics	Accuracy	Elsődleges metrika Text-Classification tevékenységhez.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: TextClassification		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.

TextClassificationMultilabel

Objektum

Szövegbesorolási többcímkés feladat az AutoML NLP függőlegesen. NLP – Természetes nyelvi feldolgozás.

Name	Típus	Alapértelmezett érték	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Az AutoML-feladathoz szükséges featurizációs bemenetek.
limitSettings	NlpVerticalLimitSettings		Az AutoMLJob végrehajtási korlátozásai.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
primaryMetric	ClassificationMultilabelPrimaryMetrics		Elsődleges metrika a Text-Classification-Multilabel tevékenységhez. Jelenleg csak a pontosság támogatott elsődleges metrikaként, ezért a felhasználónak nem kell explicit módon beállítania.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: TextClassificationMultilabel		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.

TextNer

Objektum

Text-NER feladatot az AutoML NLP függőlegesen. NER – Elnevezett entitásfelismerés. NLP – Természetes nyelvi feldolgozás.

Name	Típus	Alapértelmezett érték	Description
featurizationSettings	NlpVerticalFeaturizationSettings		Az AutoML-feladathoz szükséges featurizációs bemenetek.
limitSettings	NlpVerticalLimitSettings		Az AutoMLJob végrehajtási korlátozásai.
logVerbosity	LogVerbosity	Info	A feladat részletességének naplózása.
primaryMetric	ClassificationPrimaryMetrics		Elsődleges metrika Text-NER tevékenységhez. A Text-NER csak a pontosságot támogatja, ezért a felhasználónak nem kell explicit módon beállítania.
targetColumnName	string		Céloszlop neve: Ez az előrejelzési értékek oszlopa. Más néven címkeoszlop neve a besorolási feladatok kontextusában.
taskType	string: TextNER		[Kötelező] Az AutoMLJob feladattípusa.
trainingData	MLTableJobInput		[Kötelező] Betanítási adatbevitel.
validationData	MLTableJobInput		Adatbemenetek érvényesítése.

TrialComponent

Objektum

Próbaverziós összetevő definíciója.

Name	Típus	Alapértelmezett érték	Description
codeId	string		A kódobjektum ARM-erőforrás-azonosítója.
command	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] A feladat indításakor végrehajtandó parancs. Pl.. "python train.py"
distribution	DistributionConfiguration: Mpi PyTorch TensorFlow		A feladat terjesztési konfigurációja. Ha be van állítva, ennek mpi, Tensorflow, PyTorch vagy null értékűnek kell lennie.
environmentId	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] A feladat környezeti specifikációjának ARM-erőforrás-azonosítója.
environmentVariables	object		A feladatban szereplő környezeti változók.
resources	JobResourceConfiguration	{}	Számítási erőforrás konfigurációja a feladathoz.

TritonModelJobInput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A bemenet leírása.
jobInputType	string: triton_model		[Kötelező] A feladat típusát adja meg.
mode	InputDeliveryMode	ReadOnlyMount	Bemeneti eszköz kézbesítési módja.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] Bemeneti eszköz URI-ja.

TritonModelJobOutput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A kimenet leírása.
jobOutputType	string: triton_model		[Kötelező] A feladat típusát adja meg.
mode	OutputDeliveryMode	ReadWriteMount	Kimeneti eszközkézbesítési mód.
uri	string		Kimeneti eszköz URI-ja.

TruncationSelectionPolicy

Objektum

Meghatároz egy korai megszüntetési szabályzatot, amely az egyes kiértékelési időközökben megszakítja a futtatások adott százalékát.

Name	Típus	Alapértelmezett érték	Description
delayEvaluation	integer (int32)	0	Azon intervallumok száma, amelyekkel késleltethető az első értékelés.
evaluationInterval	integer (int32)	0	Intervallum (futtatások száma) a szabályzatok kiértékelése között.
policyType	string: TruncationSelection		[Kötelező] Szabályzatkonfiguráció neve
truncationPercentage	integer (int32)	0	Az egyes kiértékelési időszakokban megszakítandó futtatások százalékos aránya.

UriFileJobInput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A bemenet leírása.
jobInputType	string: uri_file		[Kötelező] A feladat típusát adja meg.
mode	InputDeliveryMode	ReadOnlyMount	Bemeneti eszköz kézbesítési módja.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] Bemeneti eszköz URI-ja.

UriFileJobOutput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A kimenet leírása.
jobOutputType	string: uri_file		[Kötelező] A feladat típusát adja meg.
mode	OutputDeliveryMode	ReadWriteMount	Kimeneti eszközkézbesítési mód.
uri	string		Kimeneti eszköz URI-ja.

UriFolderJobInput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A bemenet leírása.
jobInputType	string: uri_folder		[Kötelező] A feladat típusát adja meg.
mode	InputDeliveryMode	ReadOnlyMount	Bemeneti eszköz kézbesítési módja.
uri	string minLength: 1 pattern: [a-zA-Z0-9_]		[Kötelező] Bemeneti eszköz URI-ja.

UriFolderJobOutput

Objektum

Name	Típus	Alapértelmezett érték	Description
description	string		A kimenet leírása.
jobOutputType	string: uri_folder		[Kötelező] A feladat típusát adja meg.
mode	OutputDeliveryMode	ReadWriteMount	Kimeneti eszközkézbesítési mód.
uri	string		Kimeneti eszköz URI-ja.

UserIdentity

Objektum

Felhasználói identitás konfigurálása.

Name	Típus	Description
identityType	string: UserIdentity	[Kötelező] Megadja az identitás-keretrendszer típusát.

UseStl

Enumerálás

Konfigurálja az idősor céloszlopának STL-felbontását.

Érték	Description
None	Nincs stl felbontás.
Season
SeasonTrend

ValidationMetricType

Enumerálás

Metrikaszámítási módszer a képfeladatok ellenőrzési metrikáihoz.

Érték	Description
Coco	Coco-metrika.
CocoVoc	CocoVoc metrika.
None	Nincs metrika.
Voc	Voc metrika.

WebhookType

Enumerálás

Enum a webhook visszahívási szolgáltatás típusának meghatározásához.

Érték	Description
AzureDevOps