Ruang kerja/pekerjaan Microsoft.MachineLearningServices 2022-10-01

• Terbaru
• 2023-10-01
• Pratinjau 2023-08-01
• Pratinjau 2023-06-01
• 2023-04-01
• Pratinjau 01-04-2023
• Pratinjau 2023-02-01
• Pratinjau 2022-12-01
• 2022-10-01
• Pratinjau 10-10-2022
• Pratinjau 01-06-2022
• 01-05-2022
• Pratinjau 2022-02-01
• Pratinjau 01-03-2021

Definisi sumber daya Bicep

Jenis sumber daya ruang kerja/pekerjaan dapat disebarkan dengan operasi yang menargetkan:

• Grup sumber daya - Lihat perintah penyebaran grup sumber daya

Untuk daftar properti yang diubah di setiap versi API, lihat mengubah log.

Format sumber daya

Untuk membuat sumber daya Microsoft.MachineLearningServices/workspaces/jobs, tambahkan Bicep berikut ke templat Anda.

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

Objek JobBaseProperties

Atur properti jobType untuk menentukan jenis objek.

Untuk AutoML, gunakan:

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

Untuk Command, gunakan:

  jobType: 'Command'
  codeId: 'string'
  command: 'string'
  distribution: {
    distributionType: 'string'
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId: 'string'
  environmentVariables: {
    {customized property}: 'string'
  }
  inputs: {
    {customized property}: {
      description: 'string'
      jobInputType: 'string'
      // For remaining properties, see JobInput objects
    }
  }
  limits: {
    jobLimitsType: 'string'
    timeout: 'string'
  }
  outputs: {
    {customized property}: {
      description: 'string'
      jobOutputType: 'string'
      // For remaining properties, see JobOutput objects
    }
  }
  resources: {
    dockerArgs: 'string'
    instanceCount: int
    instanceType: 'string'
    properties: {
      {customized property}: any()
      {customized property}: any()
    }
    shmSize: 'string'
  }

Untuk Alur, gunakan:

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

Untuk Pembersihan, gunakan:

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

Objek IdentityConfiguration

Atur properti identityType untuk menentukan jenis objek.

Untuk AMLToken, gunakan:

  identityType: 'AMLToken'

Untuk Terkelola, gunakan:

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

Untuk UserIdentity, gunakan:

  identityType: 'UserIdentity'

Objek JobOutput

Atur properti jobOutputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

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

Objek AutoMLVertical

Atur properti taskType untuk menentukan tipe objek.

Untuk Klasifikasi, gunakan:

  taskType: 'Classification'
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel: 'string'
  primaryMetric: 'string'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Untuk Prakiraan, gunakan:

  taskType: 'Forecasting'
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  forecastingSettings: {
    countryOrRegionForHolidays: 'string'
    cvStepSize: int
    featureLags: 'string'
    forecastHorizon: {
      mode: 'string'
      // For remaining properties, see ForecastHorizon objects
    }
    frequency: 'string'
    seasonality: {
      mode: 'string'
      // For remaining properties, see Seasonality objects
    }
    shortSeriesHandlingConfig: 'string'
    targetAggregateFunction: 'string'
    targetLags: {
      mode: 'string'
      // For remaining properties, see TargetLags objects
    }
    targetRollingWindowSize: {
      mode: 'string'
      // For remaining properties, see TargetRollingWindowSize objects
    }
    timeColumnName: 'string'
    timeSeriesIdColumnNames: [
      'string'
    ]
    useStl: 'string'
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Untuk ImageClassification, gunakan:

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

Untuk ImageClassificationMultilabel, gunakan:

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

Untuk ImageInstanceSegmentation, gunakan:

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

Untuk ImageObjectDetection, gunakan:

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

Untuk Regresi, gunakan:

  taskType: 'Regression'
  cvSplitColumnNames: [
    'string'
  ]
  featurizationSettings: {
    blockedTransformers: [
      'string'
    ]
    columnNameAndTypes: {
      {customized property}: 'string'
    }
    datasetLanguage: 'string'
    enableDnnFeaturization: bool
    mode: 'string'
    transformerParams: {
      {customized property}: [
        {
          fields: [
            'string'
          ]
          parameters: any()
        }
      ]
    }
  }
  limitSettings: {
    enableEarlyTermination: bool
    exitScore: int
    maxConcurrentTrials: int
    maxCoresPerTrial: int
    maxTrials: int
    timeout: 'string'
    trialTimeout: 'string'
  }
  nCrossValidations: {
    mode: 'string'
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric: 'string'
  testData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  testDataSize: int
  trainingSettings: {
    allowedTrainingAlgorithms: [
      'string'
    ]
    blockedTrainingAlgorithms: [
      'string'
    ]
    enableDnnTraining: bool
    enableModelExplainability: bool
    enableOnnxCompatibleModels: bool
    enableStackEnsemble: bool
    enableVoteEnsemble: bool
    ensembleModelDownloadTimeout: 'string'
    stackEnsembleSettings: {
      stackMetaLearnerKWargs: any()
      stackMetaLearnerTrainPercentage: int
      stackMetaLearnerType: 'string'
    }
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }
  validationDataSize: int
  weightColumnName: 'string'

Untuk TextClassification, gunakan:

  taskType: 'TextClassification'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  primaryMetric: 'string'
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Untuk TextClassificationMultilabel, gunakan:

  taskType: 'TextClassificationMultilabel'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Untuk TextNER, gunakan:

  taskType: 'TextNER'
  featurizationSettings: {
    datasetLanguage: 'string'
  }
  limitSettings: {
    maxConcurrentTrials: int
    maxTrials: int
    timeout: 'string'
  }
  validationData: {
    description: 'string'
    jobInputType: 'string'
    mode: 'string'
    uri: 'string'
  }

Objek NCrossValidations

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode: 'Auto'

Untuk Kustom, gunakan:

  mode: 'Custom'
  value: int

Objek ForecastHorizon

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode: 'Auto'

Untuk Kustom, gunakan:

  mode: 'Custom'
  value: int

Objek musiman

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode: 'Auto'

Untuk Kustom, gunakan:

  mode: 'Custom'
  value: int

Objek TargetLags

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode: 'Auto'

Untuk Kustom, gunakan:

  mode: 'Custom'
  values: [
    int
  ]

Objek TargetRollingWindowSize

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode: 'Auto'

Untuk Kustom, gunakan:

  mode: 'Custom'
  value: int

Objek EarlyTerminationPolicy

Atur properti policyType untuk menentukan jenis objek.

Untuk Bandit, gunakan:

  policyType: 'Bandit'
  slackAmount: int
  slackFactor: int

Untuk MedianStopping, gunakan:

  policyType: 'MedianStopping'

Untuk TruncationSelection, gunakan:

  policyType: 'TruncationSelection'
  truncationPercentage: int

Objek DistributionConfiguration

Atur properti distributionType untuk menentukan jenis objek.

Untuk Mpi, gunakan:

  distributionType: 'Mpi'
  processCountPerInstance: int

Untuk PyTorch, gunakan:

  distributionType: 'PyTorch'
  processCountPerInstance: int

Untuk TensorFlow, gunakan:

  distributionType: 'TensorFlow'
  parameterServerCount: int
  workerCount: int

Objek JobInput

Atur properti jobInputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk harfiah, gunakan:

  jobInputType: 'literal'
  value: 'string'

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

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

Objek SamplingAlgorithm

Atur properti samplingAlgorithmType untuk menentukan jenis objek.

Untuk Bayesian, gunakan:

  samplingAlgorithmType: 'Bayesian'

Untuk Grid, gunakan:

  samplingAlgorithmType: 'Grid'

Untuk Acak, gunakan:

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

Nilai properti

ruang kerja/pekerjaan

Nama	Deskripsi	Nilai
nama	Nama sumber daya Lihat cara mengatur nama dan jenis untuk sumber daya anak di Bicep.	string (diperlukan)
induk	Di Bicep, Anda dapat menentukan sumber daya induk untuk sumber daya anak. Anda hanya perlu menambahkan properti ini ketika sumber daya anak dideklarasikan di luar sumber daya induk. Untuk informasi selengkapnya, lihat Sumber daya anak di luar sumber daya induk.	Nama simbolis untuk sumber daya jenis: ruang kerja
properti	[Diperlukan] Atribut tambahan entitas.	JobBaseProperties (diperlukan)

JobBaseProperties

Nama	Deskripsi	Nilai
componentId	ID sumber daya ARM dari sumber daya komponen.	string
computeId	ID sumber daya ARM dari sumber daya komputasi.	string
deskripsi	Teks deskripsi aset.	string
displayName	Nama tampilan pekerjaan.	string
experimentName	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".	string
identitas	Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.	IdentityConfiguration
isArchived	Apakah aset diarsipkan?	bool
properti	Kamus properti aset.	ResourceBaseProperties
services	Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.	JobBaseServices
tag	Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.	objek
jobType	Mengatur jenis objek	AutoML Perintah Alur Sapuan (diperlukan)

IdentityConfiguration

Nama	Deskripsi	Nilai
identityType	Mengatur jenis objek	AMLToken Terkelola UserIdentity (diperlukan)

AmlToken

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	'AMLToken' (diperlukan)

ManagedIdentity

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	'Terkelola' (diperlukan)
clientId	Menentukan identitas yang ditetapkan pengguna berdasarkan ID klien. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string Batasan: Panjang min = 36 Panjang maksimum = 36 Pola = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Menentukan identitas yang ditetapkan pengguna menurut ID objek. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string Batasan: Panjang min = 36 Panjang maksimum = 36 Pola = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Menentukan identitas yang ditetapkan pengguna oleh ID sumber daya ARM. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string

UserIdentity

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	'UserIdentity' (diperlukan)

ResourceBaseProperties

Nama	Deskripsi	Nilai
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string
{customized property}		string

JobBaseServices

Nama	Deskripsi	Nilai
{customized property}		JobService

JobService

Nama	Deskripsi	Nilai
titik akhir	Url untuk titik akhir.	string
jobServiceType	Jenis titik akhir.	string
port	Port untuk titik akhir.	int
properti	Properti tambahan untuk diatur pada titik akhir.	JobServiceProperties

JobServiceProperties

Nama	Deskripsi	Nilai
{customized property}		string

AutoMLJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'AutoML' (diperlukan)
environmentId	ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. Ini adalah nilai opsional untuk disediakan, jika tidak disediakan, AutoML akan default ini ke versi lingkungan yang dikumpulkan OtomatisML Produksi saat menjalankan pekerjaan.	string
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	AutoMLJobEnvironmentVariables
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	AutoMLJobOutputs
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration
taskDetails	[Diperlukan] Ini mewakili skenario yang dapat menjadi salah satu Tabel/NLP/Gambar	AutoMLVertical (diperlukan)

AutoMLJobEnvironmentVariables

Nama	Deskripsi	Nilai
{customized property}		string

AutoMLJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

JobOutput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk output.	string
jobOutputType	Mengatur jenis objek	custom_model mlflow_model mltable triton_model uri_file uri_folder (diperlukan)

CustomModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

MLFlowModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'mlflow_model' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

MLTableJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'mltable' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

TritonModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'triton_model' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

UriFileJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_file' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

UriFolderJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

JobResourceConfiguration

Nama	Deskripsi	Nilai
dockerArgs	Argumen tambahan untuk diteruskan ke perintah eksekusi Docker. Ini akan mengambil alih parameter apa pun yang telah ditetapkan oleh sistem, atau di bagian ini. Parameter ini hanya didukung untuk jenis komputasi Azure ML.	string
instanceCount	Jumlah instans atau simpul opsional yang digunakan oleh target komputasi.	int
instanceType	Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi.	string
properti	Tas properti tambahan.	ResourceConfigurationProperties
shmSize	Ukuran blok memori bersama kontainer docker. Ini harus dalam format (number)(unit) di mana angka yang harus lebih besar dari 0 dan unit dapat berupa salah satu dari b(byte), k(kilobyte), m(megabyte), atau g(gigabyte).	string Batasan: Pola = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		Untuk Bicep, Anda dapat menggunakan fungsi any().
{properti yang disesuaikan}		Untuk Bicep, Anda dapat menggunakan fungsi any().

AutoMLVertical

Nama	Deskripsi	Nilai
logVerbosity	Catat verbositas untuk pekerjaan tersebut.	'Kritis' 'Debug' 'Kesalahan' 'Info' 'NotSet' 'Peringatan'
targetColumnName	Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.	string
trainingData	[Diperlukan] Input data pelatihan.	MLTableJobInput (diperlukan)
taskType	Mengatur jenis objek	Klasifikasi Prakiraan ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresi TextClassification TextClassificationMultilabel TextNER (diperlukan)

MLTableJobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

Klasifikasi

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'Klasifikasi' (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
positiveLabel	Label positif untuk perhitungan metrik biner.	string
primaryMetric	Metrik utama untuk tugas tersebut.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PresisiScoreWeighted'
testData	Menguji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	ClassificationTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

TableVerticalFeaturizationSettings

Nama	Deskripsi	Nilai
blockedTransformers	Transformator ini tidak boleh digunakan dalam fiturisasi.	Array string yang berisi salah satu dari: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	Kamus nama kolom dan jenisnya (int, float, string, tanggalwaktu, dll).	TableVerticalFeaturizationSettingsColumnNameAndTypes
himpunan dataLanguage	Bahasa himpunan data, berguna untuk data teks.	string
enableDnnFeaturization	Menentukan apakah akan menggunakan fiturizer berbasis Dnn untuk fiturisasi data.	bool
mode	Mode fiturisasi - Pengguna dapat menyimpan mode 'Otomatis' default dan AutoML akan mengurus transformasi data yang diperlukan dalam fase fiturisasi. Jika 'Nonaktif' dipilih, maka tidak ada fiturisasi yang dilakukan. Jika 'Kustom' dipilih, pengguna dapat menentukan input tambahan untuk menyesuaikan cara fiturisasi dilakukan.	'Otomatis' 'Kustom' 'Nonaktif'
transformerParams	Pengguna dapat menentukan transformator tambahan yang akan digunakan bersama dengan kolom yang akan diterapkan dan parameter untuk konstruktor transformator.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nama	Deskripsi	Nilai
{customized property}		string

TableVerticalFeaturizationSettingsTransformerParams

Nama	Deskripsi	Nilai
{customized property}		ColumnTransformer[]

ColumnTransformer

Nama	Deskripsi	Nilai
fields	Bidang untuk menerapkan logika transformator.	string[]
parameter	Properti yang berbeda untuk diteruskan ke transformator. Input yang diharapkan adalah kamus pasangan kunci, nilai dalam format JSON.	Untuk Bicep, Anda dapat menggunakan fungsi any().

TableVerticalLimitSettings

Nama	Deskripsi	Nilai
enableEarlyTermination	Aktifkan penghentian dini, menentukan apakah AutoMLJob akan berakhir lebih awal atau tidak jika tidak ada peningkatan skor dalam 20 perulangan terakhir.	bool
exitScore	Skor keluar untuk pekerjaan AutoML.	int
maxConcurrentTrials	Perulangan Bersamaan Maksimum.	int
maxCoresPerTrial	Core maks per perulangan.	int
maxTrials	Jumlah perulangan.	int
waktu habis	Batas waktu pekerjaan AutoML.	string
trialTimeout	Batas waktu perulangan.	string

NCrossValidations

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoNCrossValidations

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode untuk menentukan validasi N-Cross.	'Otomatis' (diperlukan)

CustomNCrossValidations

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode untuk menentukan validasi N-Cross.	'Kustom' (diperlukan)
nilai	[Diperlukan] Nilai validasi N-Cross.	int (diperlukan)

ClassificationTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas klasifikasi.	Array string yang berisi salah satu dari: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Model yang diblokir untuk tugas klasifikasi.	Array string yang berisi salah satu dari: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang cocok dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

StackEnsembleSettings

Nama	Deskripsi	Nilai
stackMetaLearnerKWargs	Parameter opsional untuk diteruskan ke penginisialisasi meta-learner.	Untuk Bicep, Anda dapat menggunakan fungsi any().
stackMetaLearnerTrainPercentage	Menentukan proporsi set pelatihan (saat memilih pelatihan dan jenis validasi pelatihan) yang akan dicadangkan untuk melatih meta-learner. Nilai defaultnya adalah 0,2.	int
stackMetaLearnerType	Meta-learner adalah model yang dilatih pada output model heterogen individu.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Tidak Ada'

Prakiraan

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'Prakiraan' (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Memperkirakan input khusus tugas.	ForecastingSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
primaryMetric	Metrik utama untuk tugas prakiraan.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
testData	Menguji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	ForecastingTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

ForecastingSettings

Nama	Deskripsi	Nilai
countryOrRegionForHolidays	Negara atau wilayah untuk liburan untuk tugas prakiraan. Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.	string
cvStepSize	Jumlah titik antara waktu asal satu lipatan CV dan lipatan berikutnya. Untuk contoh, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan 3 hari terpisah.	int
featureLags	Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau null.	'Otomatis' 'Tidak Ada'
forecastHorizon	Horizon prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu.	ForecastHorizon
frekuensi	Saat melakukan prakiraan, parameter ini mewakili periode pada suatu prakiraan, misalnya harian, mingguan, tahunan, dll. Frekuensi prakiraan adalah frekuensi himpunan data secara default.	string
Musiman	Atur musim rangkaian waktu sebagai kelipatan bilangan bulat dari frekuensi seri. Jika musim diatur ke 'otomatis', musim akan disimpulkan.	Musiman
shortSeriesHandlingConfig	Parameter yang menentukan cara jika AutoML harus menangani rangkaian waktu yang singkat.	'Otomatis' 'Jatuhkan' 'Tidak Ada' 'Pad'
targetAggregateFunction	Fungsi yang akan digunakan untuk mengagregasi kolom target rangkaian waktu agar sesuai dengan frekuensi yang ditentukan pengguna. Jika TargetAggregateFunction diatur yaitu bukan 'Tidak Ada', tetapi parameter freq tidak diatur, kesalahan akan muncul. Fungsi agregasi target yang memungkinkan adalah: "sum", "max", "min" dan "mean".	'Maks' 'Rata-rata' 'Min' 'Tidak Ada' 'Jumlah'
targetLags	Jumlah periode sebelumnya yang lag dari kolom target.	TargetLags
targetRollingWindowSize	Jumlah periode sebelumnya yang digunakan untuk membuat rata-rata jendela bergulir dari kolom target.	TargetRollingWindowSize
timeColumnName	Nama kolom waktu. Parameter ini diperlukan saat melakukan prakiraan untuk menentukan kolom tanggalwaktu dalam data input yang digunakan untuk membangun rangkaian waktu serta menyimpulkan frekuensinya.	string
timeSeriesIdColumnNames	Nama kolom yang digunakan untuk mengelompokkan rangkaian waktu. Nama tersebut dapat digunakan untuk membuat beberapa rangkaian waktu. Jika grain tidak ditetapkan, himpunan data akan diasumsikan dalam satu rangkaian waktu. Parameter ini digunakan dalam prakiraan jenis tugas.	string[]
useStl	Konfigurasikan Dekomposisi STL dari kolom target rangkaian waktu.	'Tidak Ada' 'Musim' 'SeasonTrend'

ForecastHorizon

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoForecastHorizon

Nama	Deskripsi	Nilai
mode	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.	'Otomatis' (diperlukan)

CustomForecastHorizon

Nama	Deskripsi	Nilai
mode	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.	'Kustom' (diperlukan)
nilai	[Diperlukan] Prakiraan nilai horizon.	int (diperlukan)

Musiman

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoSeasonality

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode musiman.	'Otomatis' (diperlukan)

CustomSeasonality

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode musiman.	'Kustom' (diperlukan)
nilai	[Diperlukan] Nilai musiman.	int (diperlukan)

TargetLags

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoTargetLags

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom	'Otomatis' (diperlukan)

CustomTargetLags

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom	'Kustom' (diperlukan)
values	[Diperlukan] Atur nilai lag target.	int[] (diperlukan)

TargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoTargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode deteksi TargetRollingWindowSiz.	'Otomatis' (diperlukan)

CustomTargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode deteksi TargetRollingWindowSiz.	'Kustom' (diperlukan)
nilai	[Diperlukan] Nilai TargetRollingWindowSize.	int (diperlukan)

ForecastingTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas prakiraan.	Array string yang berisi salah satu dari: 'Arimax' 'AutoArima' 'Rata-rata' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Nabi' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Model yang diblokir untuk tugas prakiraan.	Array string yang berisi salah satu dari: 'Arimax' 'AutoArima' 'Rata-rata' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Nabi' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang cocok dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

ImageClassification

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageClassification' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsClassification
primaryMetric	Metrik utama untuk mengoptimalkan tugas ini.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PresisiScoreWeighted'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsClassification[]
sweepSettings	Pengaturan terkait sapuan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageLimitSettings

Nama	Deskripsi	Nilai
maxConcurrentTrials	Jumlah maksimum iterasi AutoML bersamaan.	int
maxTrials	Jumlah maksimum iterasi AutoML.	int
waktu habis	Batas waktu pekerjaan AutoML.	string

ImageModelSettingsClassification

Nama	Deskripsi	Nilai
advancedSettings	Pengaturan untuk skenario tingkat lanjut.	string
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	bool
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.	int
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	MLFlowModelJobInput
checkpointRunId	Id dari eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	string
Didistribusikan	Apakah akan menggunakan pelatihan terdistribusi.	bool
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	bool
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	int
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	int
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	bool
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	int
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	int
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	int
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	'Tidak Ada' 'Langkah' 'WarmupCosine'
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	int
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	bool
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	int
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	int
optimizer	Jenis pengoptimal.	'Adam' 'Adamw' 'Tidak Ada' 'Sgd'
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	int
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	int
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	int
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	int
trainingCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.	int
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	int
validationCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	int
validationResizeSize	Ukuran gambar yang akan diubah ukurannya sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	int
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	int
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	int
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	int
weightedLoss	Kehilangan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada kehilangan tertimbang. 1 untuk kehilangan tertimbang dengan sqrt. (class_weights). 2 untuk kehilangan tertimbang dengan class_weights. Harus 0 atau 1 atau 2.	int

MLFlowModelJobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Nama	Deskripsi	Nilai
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	string
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
Didistribusikan	Apakah akan menggunakan pelatihan distribusi.	string
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	string
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	string
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	string
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	string
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	string
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	string
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	string
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	string
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	string
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	string
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	string
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	string
optimizer	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.	string
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	string
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	string
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	string
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	string
trainingCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.	string
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	string
validationCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	string
validationResizeSize	Ukuran gambar yang akan diubah ukurannya sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	string
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	string
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	string
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	string
weightedLoss	Kehilangan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada kehilangan tertimbang. 1 untuk kehilangan tertimbang dengan sqrt. (class_weights). 2 untuk kehilangan tertimbang dengan class_weights. Harus 0 atau 1 atau 2.	string

ImageSweepSettings

Nama	Deskripsi	Nilai
earlyTermination	Jenis kebijakan penghentian dini.	EarlyTerminationPolicy
samplingAlgorithm	[Diperlukan] Jenis algoritma pengambilan sampel hiperparameter.	'Bayesian' 'Kisi' 'Acak' (diperlukan)

EarlyTerminationPolicy

Nama	Deskripsi	Nilai
delayEvaluation	Jumlah interval untuk menunda evaluasi pertama.	int
evaluationInterval	Interval (jumlah eksekusi) antara evaluasi kebijakan.	int
policyType	Mengatur jenis objek	Bandit MedianStopping TruncationSelection (diperlukan)

BanditPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	'Bandit' (diperlukan)
slackAmount	Jarak absolut yang diizinkan dari eksekusi berkinerja terbaik.	int
slackFactor	Rasio jarak yang diizinkan dari eksekusi berkinerja terbaik.	int

MedianStoppingPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	'MedianStopping' (diperlukan)

TruncationSelectionPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	'TruncationSelection' (diperlukan)
truncationPercentage	Persentase eksekusi untuk membatalkan setiap interval evaluasi.	int

ImageClassificationMultilabel

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageClassificationMultilabel' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsClassification
primaryMetric	Metrik utama untuk mengoptimalkan tugas ini.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PresisiScoreWeighted'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsClassification[]
sweepSettings	Pengaturan terkait sapuan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageInstanceSegmentation

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageInstanceSegmentation' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsObjectDetection
primaryMetric	Metrik utama untuk mengoptimalkan tugas ini.	'MeanAveragePrecision'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Pengaturan terkait sapuan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageModelSettingsObjectDetection

Nama	Deskripsi	Nilai
advancedSettings	Pengaturan untuk skenario tingkat lanjut.	string
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	bool
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
boxScoreThreshold	Selama inferensi, hanya kembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam rentang[0, 1].	int
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.	int
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	MLFlowModelJobInput
checkpointRunId	Id dari eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	string
Didistribusikan	Apakah akan menggunakan pelatihan terdistribusi.	bool
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	bool
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	int
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	int
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	bool
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	int
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	int
imageSize	Ukuran gambar untuk latihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	int
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	int
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	'Tidak Ada' 'Langkah' 'WarmupCosine'
maxSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
modelName	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukuran modelnya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	'Ekstralarge' 'Besar' 'Sedang' 'Tidak Ada' 'Kecil'
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	int
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang cukup. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	bool
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	bool
nmsIouThreshold	Ambang IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus berupa float dalam rentang [0, 1].	int
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	int
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	int
optimizer	Jenis pengoptimal.	'Adam' 'Adamw' 'Tidak Ada' 'Sgd'
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	int
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	int
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	int
tileGridSize	Ukuran kisi yang akan digunakan untuk pemetakan setiap gambar. Catatan: TileGridSize tidak boleh Tidak ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tileOverlapRatio	Tumpang tindih rasio antara petak yang berdekatan di tiap dimensi. Harus mengapung dalam rentang [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
tilePredictionsNmsThreshold	Ambang IOU untuk digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/ inferensi. Harus mengapung dalam rentang [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	int
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	int
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam rentang [0, 1].	int
validationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi.	'Coco' 'CocoVoc' 'Tidak Ada' 'Voc'
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	int
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	int
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	int

ImageModelDistributionSettingsObjectDetection

Nama	Deskripsi	Nilai
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	string
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
boxScoreThreshold	Selama inferensi, hanya kembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam rentang[0, 1].	string
Didistribusikan	Apakah akan menggunakan pelatihan distribusi.	string
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	string
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	string
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	string
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	string
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	string
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	string
imageSize	Ukuran gambar untuk latihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	string
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	string
maxSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukuran modelnya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	string
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang cukup. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	string
nmsIouThreshold	Ambang IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus mengapung dalam rentang [0, 1].	string
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	string
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	string
optimizer	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.	string
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	string
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	string
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	string
tileGridSize	Ukuran kisi yang akan digunakan untuk pemetakan setiap gambar. Catatan: TileGridSize tidak boleh Tidak ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tileOverlapRatio	Tumpang tindih rasio antara petak yang berdekatan di tiap dimensi. Harus mengapung dalam rentang [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tilePredictionsNmsThreshold	Ambang IOU untuk digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/ inferensi. Harus mengapung dalam rentang [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'. NMS: Penekanan non-maksimum	string
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	string
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	string
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam rentang [0, 1].	string
validationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi. Harus 'none', 'coco', 'voc', atau 'coco_voc'.	string
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	string
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	string
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	string

ImageObjectDetection

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageObjectDetection' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsObjectDetection
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	'MeanAveragePrecision'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

Regresi

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'Regresi' (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
primaryMetric	Metrik utama untuk tugas regresi.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
testData	Uji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	RegresiTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

RegresiTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas regresi.	Array string yang berisi salah satu dari: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Model yang diblokir untuk tugas regresi.	Array string yang berisi salah satu dari: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang cocok dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

TextClassification

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'TextClassification' (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Metrik utama untuk tugas Text-Classification.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PresisiScoreWeighted'
validationData	Input data validasi.	MLTableJobInput

NlpVerticalFeaturizationSettings

Nama	Deskripsi	Nilai
himpunan dataLanguage	Bahasa himpunan data, berguna untuk data teks.	string

NlpVerticalLimitSettings

Nama	Deskripsi	Nilai
maxConcurrentTrials	Perulangan AutoML Bersamaan Maksimum.	int
maxTrials	Jumlah iterasi AutoML.	int
waktu habis	Batas waktu pekerjaan AutoML.	string

TextClassificationMultilabel

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'TextClassificationMultilabel' (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
validationData	Input data validasi.	MLTableJobInput

TextNer

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'TextNER' (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
validationData	Input data validasi.	MLTableJobInput

CommandJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'Perintah' (diperlukan)
codeId	ID sumber daya ARM dari aset kode.	string
perintah	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. misalnya. "python train.py"	string (diperlukan) Batasan: Panjang min = 1 Pola = [a-zA-Z0-9_]
distribusi	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null.	DistributionConfiguration
environmentId	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	CommandJobEnvironmentVariables
input	Pemetaan pengikatan data input yang digunakan dalam pekerjaan.	CommandJobInputs
batas	Batas Pekerjaan Perintah.	CommandJobLimits
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	CommandJobOutputs
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration

DistributionConfiguration

Nama	Deskripsi	Nilai
distributionType	Mengatur jenis objek	Mpi PyTorch TensorFlow (diperlukan)

Mpi

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	'Mpi' (diperlukan)
processCountPerInstance	Jumlah proses per simpul MPI.	int

PyTorch

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	'PyTorch' (diperlukan)
processCountPerInstance	Jumlah proses per simpul.	int

TensorFlow

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	'TensorFlow' (diperlukan)
parameterServerCount	Jumlah tugas server parameter.	int
workerCount	Jumlah pekerja. Jika tidak ditentukan, akan default ke jumlah instans.	int

CommandJobEnvironmentVariables

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string

CommandJobInputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobInput

JobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	Mengatur jenis objek	custom_model harfiah mlflow_model mltable triton_model uri_file uri_folder (diperlukan)

CustomModelJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

LiteralJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'literal' (diperlukan)
nilai	[Diperlukan] Nilai harfiah untuk input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

TritonModelJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'triton_model' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

UriFileJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_file' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

UriFolderJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

CommandJobLimits

Nama	Deskripsi	Nilai
jobLimitsType	[Diperlukan] Jenis JobLimit.	'Perintah' 'Sapu' (diperlukan)
waktu habis	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.	string

CommandJobOutputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobOutput

PipelineJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'Alur' (diperlukan)
input	Input untuk pekerjaan alur.	PipelineJobInputs
jobs	Pekerjaan membangun Pekerjaan Alur.	PipelineJobJobs
output	Output untuk pekerjaan alur	PipelineJobOutputs
pengaturan	Pengaturan alur, untuk hal-hal seperti ContinueRunOnStepFailure dll.	Untuk Bicep, Anda dapat menggunakan fungsi any().
sourceJobId	ID sumber daya ARM dari pekerjaan sumber.	string

PipelineJobInputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobInput

PipelineJobJobs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		Untuk Bicep, Anda dapat menggunakan fungsi any().

PipelineJobOutputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobOutput

SweepJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'Sapu' (diperlukan)
earlyTermination	Kebijakan penghentian dini memungkinkan pembatalan eksekusi berkinerja buruk sebelum selesai	EarlyTerminationPolicy
input	Pemetaan pengikatan data input yang digunakan dalam pekerjaan.	SweepJobInputs
batas	Batas Pekerjaan Pembersihan.	SweepJobLimits
Tujuan	[Diperlukan] Tujuan pengoptimalan.	Tujuan (diperlukan)
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	SweepJobOutputs
samplingAlgorithm	[Diperlukan] Algoritma pengambilan sampel hyperparameter	SamplingAlgorithm (diperlukan)
searchSpace	[Diperlukan] Kamus yang berisi setiap parameter dan distribusinya. Kunci kamus adalah nama parameter	Untuk Bicep, Anda dapat menggunakan fungsi any(). (diperlukan)
Percobaan	[Diperlukan] Definisi komponen uji coba.	TrialComponent (diperlukan)

SweepJobInputs

Nama	Deskripsi	Nilai
{customized property}		JobInput

SweepJobLimits

Nama	Deskripsi	Nilai
jobLimitsType	[Diperlukan] Jenis JobLimit.	'Perintah' 'Sapu' (diperlukan)
maxConcurrentTrials	Menyapu uji coba serentak maksimum Pekerjaan.	int
maxTotalTrials	Menyapu uji coba total maksimum Pekerjaan.	int
waktu habis	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.	string
trialTimeout	Nilai batas waktu Uji Coba Pekerjaan Sweep.	string

Tujuan

Nama	Deskripsi	Nilai
tujuan	[Diperlukan] Menentukan tujuan metrik yang didukung untuk penyetelan hiperparameter	'Maksimalkan' 'Minimalkan' (diperlukan)
primaryMetric	[Diperlukan] Nama metrik yang akan dioptimalkan.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

SweepJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

SamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	Mengatur jenis objek	Bahasa Bayes Kisi Acak (diperlukan)

BayesianSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	'Bayesian' (diperlukan)

GridSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	'Kisi' (diperlukan)

RandomSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	'Acak' (diperlukan)
rule	Jenis algoritma acak tertentu	'Acak' 'Sobol'
Nilai awal	Bilangan bulat opsional untuk digunakan sebagai nilai awal untuk pembuatan angka acak	int

TrialComponent

Nama	Deskripsi	Nilai
codeId	ID sumber daya ARM dari aset kode.	string
perintah	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. misalnya. "python train.py"	string (diperlukan) Batasan: Panjang min = 1 Pola = [a-zA-Z0-9_]
distribusi	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null.	DistributionConfiguration
environmentId	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	TrialComponentEnvironmentVariables
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nama	Deskripsi	Nilai
{customized property}		string

Templat Mulai Cepat

Templat mulai cepat berikut menyebarkan jenis sumber daya ini.

Templat	Deskripsi
Membuat pekerjaan klasifikasi Azure Machine Learning AutoML	Templat ini membuat pekerjaan klasifikasi Azure Machine Learning AutoML untuk mengetahui model terbaik untuk memprediksi apakah klien akan berlangganan deposito berjangka tetap dengan lembaga keuangan.
Membuat pekerjaan Perintah Azure Machine Learning	Templat ini membuat pekerjaan Perintah Azure Machine Learning dengan skrip hello_world dasar
Membuat pekerjaan Sapuan Azure Machine Learning	Templat ini membuat pekerjaan Sapuan Azure Machine Learning untuk penyetelan hyperparameter.

Definisi sumber daya templat ARM

Jenis sumber daya ruang kerja/pekerjaan dapat disebarkan dengan operasi yang menargetkan:

• Grup sumber daya - Lihat perintah penyebaran grup sumber daya

Untuk daftar properti yang diubah di setiap versi API, lihat log perubahan.

Format sumber daya

Untuk membuat sumber daya Microsoft.MachineLearningServices/workspaces/jobs, tambahkan JSON berikut ke templat Anda.

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

Objek JobBaseProperties

Atur properti jobType untuk menentukan jenis objek.

Untuk AutoML, gunakan:

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

Untuk Command, gunakan:

  "jobType": "Command",
  "codeId": "string",
  "command": "string",
  "distribution": {
    "distributionType": "string"
    // For remaining properties, see DistributionConfiguration objects
  },
  "environmentId": "string",
  "environmentVariables": {
    "{customized property}": "string"
  },
  "inputs": {
    "{customized property}": {
      "description": "string",
      "jobInputType": "string"
      // For remaining properties, see JobInput objects
    }
  },
  "limits": {
    "jobLimitsType": "string",
    "timeout": "string"
  },
  "outputs": {
    "{customized property}": {
      "description": "string",
      "jobOutputType": "string"
      // For remaining properties, see JobOutput objects
    }
  },
  "resources": {
    "dockerArgs": "string",
    "instanceCount": "int",
    "instanceType": "string",
    "properties": {
      "{customized property}": {},
      "{customized property}": {}
    },
    "shmSize": "string"
  }

Untuk Alur, gunakan:

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

Untuk Sapuan, gunakan:

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

Objek IdentityConfiguration

Atur properti identityType untuk menentukan jenis objek.

Untuk AMLToken, gunakan:

  "identityType": "AMLToken"

Untuk Dikelola, gunakan:

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

Untuk UserIdentity, gunakan:

  "identityType": "UserIdentity"

Objek JobOutput

Atur properti jobOutputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

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

Objek AutoMLVertical

Atur properti taskType untuk menentukan jenis objek.

Untuk Klasifikasi, gunakan:

  "taskType": "Classification",
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "positiveLabel": "string",
  "primaryMetric": "string",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Untuk Prakiraan, gunakan:

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

Untuk ImageClassification, gunakan:

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

Untuk ImageClassificationMultilabel, gunakan:

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

Untuk ImageInstanceSegmentation, gunakan:

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

Untuk ImageObjectDetection, gunakan:

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

Untuk Regresi, gunakan:

  "taskType": "Regression",
  "cvSplitColumnNames": [ "string" ],
  "featurizationSettings": {
    "blockedTransformers": [ "string" ],
    "columnNameAndTypes": {
      "{customized property}": "string"
    },
    "datasetLanguage": "string",
    "enableDnnFeaturization": "bool",
    "mode": "string",
    "transformerParams": {
      "{customized property}": [
        {
          "fields": [ "string" ],
          "parameters": {}
        }
      ]
    }
  },
  "limitSettings": {
    "enableEarlyTermination": "bool",
    "exitScore": "int",
    "maxConcurrentTrials": "int",
    "maxCoresPerTrial": "int",
    "maxTrials": "int",
    "timeout": "string",
    "trialTimeout": "string"
  },
  "nCrossValidations": {
    "mode": "string"
    // For remaining properties, see NCrossValidations objects
  },
  "primaryMetric": "string",
  "testData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "testDataSize": "int",
  "trainingSettings": {
    "allowedTrainingAlgorithms": [ "string" ],
    "blockedTrainingAlgorithms": [ "string" ],
    "enableDnnTraining": "bool",
    "enableModelExplainability": "bool",
    "enableOnnxCompatibleModels": "bool",
    "enableStackEnsemble": "bool",
    "enableVoteEnsemble": "bool",
    "ensembleModelDownloadTimeout": "string",
    "stackEnsembleSettings": {
      "stackMetaLearnerKWargs": {},
      "stackMetaLearnerTrainPercentage": "int",
      "stackMetaLearnerType": "string"
    }
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  },
  "validationDataSize": "int",
  "weightColumnName": "string"

Untuk TextClassification, gunakan:

  "taskType": "TextClassification",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "primaryMetric": "string",
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Untuk TextClassificationMultilabel, gunakan:

  "taskType": "TextClassificationMultilabel",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Untuk TextNER, gunakan:

  "taskType": "TextNER",
  "featurizationSettings": {
    "datasetLanguage": "string"
  },
  "limitSettings": {
    "maxConcurrentTrials": "int",
    "maxTrials": "int",
    "timeout": "string"
  },
  "validationData": {
    "description": "string",
    "jobInputType": "string",
    "mode": "string",
    "uri": "string"
  }

Objek NCrossValidations

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  "mode": "Auto"

Untuk Kustom, gunakan:

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

Objek ForecastHorizon

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  "mode": "Auto"

Untuk Kustom, gunakan:

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

Objek musiman

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  "mode": "Auto"

Untuk Kustom, gunakan:

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

Objek TargetLags

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  "mode": "Auto"

Untuk Kustom, gunakan:

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

Objek TargetRollingWindowSize

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  "mode": "Auto"

Untuk Kustom, gunakan:

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

Objek EarlyTerminationPolicy

Atur properti policyType untuk menentukan jenis objek.

Untuk Bandit, gunakan:

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

Untuk MedianStopping, gunakan:

  "policyType": "MedianStopping"

Untuk TruncationSelection, gunakan:

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

Objek DistributionConfiguration

Atur properti distributionType untuk menentukan jenis objek.

Untuk Mpi, gunakan:

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

Untuk PyTorch, gunakan:

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

Untuk TensorFlow, gunakan:

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

Objek JobInput

Atur properti jobInputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk harfiah, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

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

Objek SamplingAlgorithm

Atur properti samplingAlgorithmType untuk menentukan jenis objek.

Untuk Bayesian, gunakan:

  "samplingAlgorithmType": "Bayesian"

Untuk Grid, gunakan:

  "samplingAlgorithmType": "Grid"

Untuk Acak, gunakan:

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

Nilai properti

ruang kerja/pekerjaan

Nama	Deskripsi	Nilai
jenis	Jenis sumber daya	'Microsoft.MachineLearningServices/workspaces/jobs'
apiVersion	Versi api sumber daya	'2022-10-01'
nama	Nama sumber daya Lihat cara mengatur nama dan jenis untuk sumber daya anak di templat JSON ARM.	string (diperlukan)
properti	[Diperlukan] Atribut tambahan entitas.	JobBaseProperties (diperlukan)

JobBaseProperties

Nama	Deskripsi	Nilai
componentId	ID sumber daya ARM dari sumber daya komponen.	string
computeId	ID sumber daya ARM dari sumber daya komputasi.	string
deskripsi	Teks deskripsi aset.	string
displayName	Nama tampilan pekerjaan.	string
experimentName	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".	string
identity	Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu amlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.	IdentityConfiguration
isArchived	Apakah aset diarsipkan?	bool
properti	Kamus properti aset.	ResourceBaseProperties
services	Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.	JobBaseServices
tag	Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.	objek
jobType	Mengatur jenis objek	AutoML Perintah Alur Pembersihan (diperlukan)

IdentityConfiguration

Nama	Deskripsi	Nilai
identityType	Mengatur jenis objek	AMLToken Terkelola UserIdentity (diperlukan)

AmlToken

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	'AMLToken' (diperlukan)

ManagedIdentity

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	'Terkelola' (diperlukan)
clientId	Menentukan identitas yang ditetapkan pengguna menurut ID klien. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string Batasan: Panjang min = 36 Panjang maksimum = 36 Pola = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Menentukan identitas yang ditetapkan pengguna menurut ID objek. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string Batasan: Panjang min = 36 Panjang maksimum = 36 Pola = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Menentukan identitas yang ditetapkan pengguna oleh ID sumber daya ARM. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string

UserIdentity

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	'UserIdentity' (diperlukan)

ResourceBaseProperties

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string

JobBaseServices

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobService

JobService

Nama	Deskripsi	Nilai
titik akhir	Url untuk titik akhir.	string
jobServiceType	Jenis titik akhir.	string
port	Port untuk titik akhir.	int
properti	Properti tambahan untuk diatur pada titik akhir.	JobServiceProperties

JobServiceProperties

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string

AutoMLJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'AutoML' (diperlukan)
environmentId	ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. Ini adalah nilai opsional untuk diberikan, jika tidak disediakan, AutoML akan default ini ke versi lingkungan yang dikuratori Production AutoML saat menjalankan pekerjaan.	string
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	AutoMLJobEnvironmentVariables
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	AutoMLJobOutputs
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration
taskDetails	[Diperlukan] Ini mewakili skenario yang dapat menjadi salah satu Tabel/NLP/Gambar	AutoMLVertical (diperlukan)

AutoMLJobEnvironmentVariables

Nama	Deskripsi	Nilai
{customized property}		string

AutoMLJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

JobOutput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk output.	string
jobOutputType	Mengatur jenis objek	custom_model mlflow_model mltable triton_model uri_file uri_folder (diperlukan)

CustomModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

MLFlowModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'mlflow_model' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

MLTableJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'mltable' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

TritonModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'triton_model' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

UriFileJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_file' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

UriFolderJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Output.	'ReadWriteMount' 'Unggah'
uri	URI Aset Output.	string

JobResourceConfiguration

Nama	Deskripsi	Nilai
dockerArgs	Argumen tambahan untuk diteruskan ke perintah eksekusi Docker. Ini akan mengambil alih parameter apa pun yang telah ditetapkan oleh sistem, atau di bagian ini. Parameter ini hanya didukung untuk jenis komputasi Azure ML.	string
instanceCount	Jumlah opsional instans atau simpul yang digunakan oleh target komputasi.	int
instanceType	Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi.	string
properti	Kantong properti tambahan.	ResourceConfigurationProperties
shmSize	Ukuran blok memori bersama kontainer docker. Ini harus dalam format (number)(unit) di mana angka yang harus lebih besar dari 0 dan unit dapat berupa salah satu dari b(byte), k(kilobyte), m(megabyte), atau g(gigabyte).	string Batasan: Pola = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nama	Deskripsi	Nilai
{customized property}
{customized property}

AutoMLVertical

Nama	Deskripsi	Nilai
logVerbosity	Catat verbositas untuk pekerjaan tersebut.	'Kritis' 'Debug' 'Kesalahan' 'Info' 'NotSet' 'Peringatan'
targetColumnName	Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.	string
trainingData	[Diperlukan] Input data pelatihan.	MLTableJobInput (diperlukan)
taskType	Mengatur jenis objek	Klasifikasi Prakiraan ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresi TextClassification TextClassificationMultilabel TextNER (diperlukan)

MLTableJobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' 'harfiah' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] URI Aset Input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

Klasifikasi

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'Klasifikasi' (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
positiveLabel	Label positif untuk perhitungan metrik biner.	string
primaryMetric	Metrik utama untuk tugas tersebut.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PresisiScoreWeighted'
testData	Menguji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	ClassificationTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

TableVerticalFeaturizationSettings

Nama	Deskripsi	Nilai
blockedTransformers	Transformator ini tidak boleh digunakan dalam fiturisasi.	Array string yang berisi salah satu dari: 'CatTargetEncoder' 'CountVectorizer' 'HashOneHotEncoder' 'LabelEncoder' 'NaiveBayes' 'OneHotEncoder' 'TextTargetEncoder' 'TfIdf' 'WoETargetEncoder' 'WordEmbedding'
columnNameAndTypes	Kamus nama kolom dan jenisnya (int, float, string, tanggalwaktu, dll).	TableVerticalFeaturizationSettingsColumnNameAndTypes
himpunan dataLanguage	Bahasa himpunan data, berguna untuk data teks.	string
enableDnnFeaturization	Menentukan apakah akan menggunakan fiturizer berbasis Dnn untuk fiturisasi data.	bool
mode	Mode fiturisasi - Pengguna dapat menyimpan mode 'Otomatis' default dan AutoML akan mengurus transformasi data yang diperlukan dalam fase fiturisasi. Jika 'Nonaktif' dipilih, maka tidak ada fiturisasi yang dilakukan. Jika 'Kustom' dipilih, pengguna dapat menentukan input tambahan untuk menyesuaikan cara fiturisasi dilakukan.	'Otomatis' 'Kustom' 'Nonaktif'
transformerParams	Pengguna dapat menentukan transformator tambahan yang akan digunakan bersama dengan kolom yang akan diterapkan dan parameter untuk konstruktor transformator.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nama	Deskripsi	Nilai
{customized property}		string

TableVerticalFeaturizationSettingsTransformerParams

Nama	Deskripsi	Nilai
{customized property}		ColumnTransformer[]

ColumnTransformer

Nama	Deskripsi	Nilai
fields	Bidang untuk menerapkan logika transformator.	string[]
parameter	Properti yang berbeda untuk diteruskan ke transformator. Input yang diharapkan adalah kamus pasangan kunci, nilai dalam format JSON.

TableVerticalLimitSettings

Nama	Deskripsi	Nilai
enableEarlyTermination	Aktifkan penghentian dini, menentukan apakah AutoMLJob akan berakhir lebih awal atau tidak jika tidak ada peningkatan skor dalam 20 perulangan terakhir.	bool
exitScore	Skor keluar untuk pekerjaan AutoML.	int
maxConcurrentTrials	Perulangan Bersamaan Maksimum.	int
maxCoresPerTrial	Core maks per perulangan.	int
maxTrials	Jumlah perulangan.	int
waktu habis	Batas waktu pekerjaan AutoML.	string
trialTimeout	Batas waktu perulangan.	string

NCrossValidations

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoNCrossValidations

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode untuk menentukan validasi N-Cross.	'Otomatis' (diperlukan)

CustomNCrossValidations

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode untuk menentukan validasi N-Cross.	'Kustom' (diperlukan)
nilai	[Diperlukan] Nilai validasi N-Cross.	int (diperlukan)

ClassificationTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas klasifikasi.	Array string yang berisi salah satu dari: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
blockedTrainingAlgorithms	Model yang diblokir untuk tugas klasifikasi.	Array string yang berisi salah satu dari: 'BernoulliNaiveBayes' 'DecisionTree' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LightGBM' 'LinearSVM' 'LogisticRegression' 'MultinomialNaiveBayes' 'RandomForest' 'SGD' 'SVM' 'XGBoostClassifier'
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Benderai untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

StackEnsembleSettings

Nama	Deskripsi	Nilai
stackMetaLearnerKWargs	Parameter opsional untuk diteruskan ke penginisialisasi meta-learner.
stackMetaLearnerTrainPercentage	Menentukan proporsi set pelatihan (saat memilih pelatihan dan jenis pelatihan validasi) yang akan dicadangkan untuk melatih meta-learner. Nilai defaultnya adalah 0,2.	int
stackMetaLearnerType	Meta-learner adalah model yang dilatih pada output model heterogen individu.	'ElasticNet' 'ElasticNetCV' 'LightGBMClassifier' 'LightGBMRegressor' 'LinearRegression' 'LogisticRegression' 'LogisticRegressionCV' 'Tidak Ada'

Prakiraan

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'Prakiraan' (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Memperkirakan input spesifik tugas.	ForecastingSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
primaryMetric	Metrik utama untuk tugas prakiraan.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
testData	Uji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	ForecastingTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

ForecastingSettings

Nama	Deskripsi	Nilai
countryOrRegionForHolidays	Negara atau wilayah untuk liburan untuk tugas prakiraan. Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.	string
cvStepSize	Jumlah titik antara waktu asal satu lipatan CV dan lipatan berikutnya. Untuk contoh, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan 3 hari terpisah.	int
featureLags	Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau null.	'Otomatis' 'Tidak Ada'
forecastHorizon	Horizon prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu.	ForecastHorizon
frekuensi	Saat melakukan prakiraan, parameter ini mewakili periode pada suatu prakiraan, misalnya harian, mingguan, tahunan, dll. Frekuensi prakiraan adalah frekuensi himpunan data secara default.	string
Musiman	Atur musim rangkaian waktu sebagai kelipatan bilangan bulat dari frekuensi seri. Jika musim diatur ke 'otomatis', musim akan disimpulkan.	Musiman
shortSeriesHandlingConfig	Parameter yang menentukan cara jika AutoML harus menangani rangkaian waktu yang singkat.	'Otomatis' 'Jatuhkan' 'Tidak Ada' 'Pad'
targetAggregateFunction	Fungsi yang akan digunakan untuk mengagregasi kolom target rangkaian waktu agar sesuai dengan frekuensi yang ditentukan pengguna. Jika TargetAggregateFunction diatur yaitu bukan 'Tidak Ada', tetapi parameter freq tidak diatur, kesalahan akan muncul. Fungsi agregasi target yang memungkinkan adalah: "sum", "max", "min" dan "mean".	'Maks' 'Rata-rata' 'Min' 'Tidak Ada' 'Jumlah'
targetLags	Jumlah periode sebelumnya yang lag dari kolom target.	TargetLags
targetRollingWindowSize	Jumlah periode sebelumnya yang digunakan untuk membuat rata-rata jendela bergulir dari kolom target.	TargetRollingWindowSize
timeColumnName	Nama kolom waktu. Parameter ini diperlukan saat melakukan prakiraan untuk menentukan kolom tanggalwaktu dalam data input yang digunakan untuk membangun rangkaian waktu serta menyimpulkan frekuensinya.	string
timeSeriesIdColumnNames	Nama kolom yang digunakan untuk mengelompokkan rangkaian waktu. Nama tersebut dapat digunakan untuk membuat beberapa rangkaian waktu. Jika grain tidak ditetapkan, himpunan data akan diasumsikan dalam satu rangkaian waktu. Parameter ini digunakan dalam prakiraan jenis tugas.	string[]
useStl	Konfigurasikan Dekomposisi STL dari kolom target rangkaian waktu.	'Tidak Ada' 'Musim' 'SeasonTrend'

ForecastHorizon

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoForecastHorizon

Nama	Deskripsi	Nilai
mode	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.	'Otomatis' (diperlukan)

CustomForecastHorizon

Nama	Deskripsi	Nilai
mode	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.	'Kustom' (diperlukan)
nilai	[Diperlukan] Prakiraan nilai horizon.	int (diperlukan)

Musiman

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoSeasonality

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode musiman.	'Otomatis' (diperlukan)

CustomSeasonality

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode musiman.	'Kustom' (diperlukan)
nilai	[Diperlukan] Nilai musiman.	int (diperlukan)

TargetLags

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoTargetLags

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom	'Otomatis' (diperlukan)

CustomTargetLags

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom	'Kustom' (diperlukan)
values	[Diperlukan] Atur nilai lag target.	int[] (diperlukan)

TargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoTargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode deteksi TargetRollingWindowSiz.	'Otomatis' (diperlukan)

CustomTargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode deteksi TargetRollingWindowSiz.	'Kustom' (diperlukan)
nilai	[Diperlukan] Nilai TargetRollingWindowSize.	int (diperlukan)

ForecastingTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas prakiraan.	Array string yang berisi salah satu dari: 'Arimax' 'AutoArima' 'Rata-rata' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Nabi' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
blockedTrainingAlgorithms	Model yang diblokir untuk tugas prakiraan.	Array string yang berisi salah satu dari: 'Arimax' 'AutoArima' 'Rata-rata' 'DecisionTree' 'ElasticNet' 'ExponentialSmoothing' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'Naive' 'Nabi' 'RandomForest' 'SGD' 'SeasonalAverage' 'SeasonalNaive' 'TCNForecaster' 'XGBoostRegressor'
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Benderai untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

ImageClassification

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageClassification' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsClassification
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsClassification[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageLimitSettings

Nama	Deskripsi	Nilai
maxConcurrentTrials	Jumlah maksimum iterasi AutoML bersamaan.	int
maxTrials	Jumlah maksimum iterasi AutoML.	int
waktu habis	Batas waktu pekerjaan AutoML.	string

ImageModelSettingsClassification

Nama	Deskripsi	Nilai
advancedSettings	Pengaturan untuk skenario tingkat lanjut.	string
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	bool
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.	int
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	MLFlowModelJobInput
checkpointRunId	Id dari eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	string
Didistribusikan	Apakah akan menggunakan pelatihan terdistribusi.	bool
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	bool
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	int
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	int
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	bool
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	int
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	int
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	int
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	'Tidak Ada' 'Langkah' 'WarmupCosine'
modelName	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	int
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	bool
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	int
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	int
optimizer	Jenis pengoptimal.	'Adam' 'Adamw' 'Tidak Ada' 'Sgd'
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	int
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	int
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	int
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	int
trainingCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.	int
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	int
validationCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	int
validationResizeSize	Ukuran gambar yang akan diubah ukurannya sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	int
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	int
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	int
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	int
weightedLoss	Kehilangan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada kehilangan tertimbang. 1 untuk kehilangan tertimbang dengan sqrt. (class_weights). 2 untuk kehilangan tertimbang dengan class_weights. Harus 0 atau 1 atau 2.	int

MLFlowModelJobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' 'literal' 'mlflow_model' 'mltable' 'triton_model' 'uri_file' 'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Nama	Deskripsi	Nilai
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	string
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
Didistribusikan	Apakah akan menggunakan pelatihan distribusi.	string
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	string
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	string
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	string
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	string
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	string
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	string
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	string
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	string
modelName	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	string
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	string
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	string
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	string
optimizer	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.	string
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	string
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	string
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	string
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	string
trainingCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.	string
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	string
validationCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	string
validationResizeSize	Ukuran gambar yang akan diubah ukurannya sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	string
warmupCosineLRCycles	Nilai siklus kosinus ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	string
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	string
weightDecay	Nilai pembusukan berat ketika pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	string
weightedLoss	Penurunan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada penurunan tertimbang. 1 untuk penurunan tertimbang dengan sqrt. (class_weights). 2 untuk kehilangan tertimbang dengan class_weights. Harus 0 atau 1 atau 2.	string

ImageSweepSettings

Nama	Deskripsi	Nilai
earlyTermination	Jenis kebijakan penghentian dini.	EarlyTerminationPolicy
samplingAlgorithm	[Diperlukan] Jenis algoritma pengambilan sampel hyperparameter.	'Bayesian' 'Kisi' 'Acak' (diperlukan)

EarlyTerminationPolicy

Nama	Deskripsi	Nilai
delayEvaluation	Jumlah interval untuk menunda evaluasi pertama.	int
evaluationInterval	Interval (jumlah eksekusi) antara evaluasi kebijakan.	int
policyType	Mengatur jenis objek	Bandit MedianStopping TruncationSelection (diperlukan)

BanditPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	'Bandit' (diperlukan)
slackAmount	Jarak absolut yang diizinkan dari eksekusi berkinerja terbaik.	int
slackFactor	Rasio jarak yang diizinkan dari eksekusi berkinerja terbaik.	int

MedianStoppingPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	'MedianStopping' (diperlukan)

TruncationSelectionPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	'TruncationSelection' (diperlukan)
truncationPercentage	Persentase eksekusi untuk membatalkan setiap interval evaluasi.	int

ImageClassificationMultilabel

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageClassificationMultilabel' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsClassification
primaryMetric	Metrik utama untuk mengoptimalkan tugas ini.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'IOU' 'NormMacroRecall' 'PresisiScoreWeighted'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsClassification[]
sweepSettings	Pengaturan terkait sapuan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageInstanceSegmentation

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageInstanceSegmentation' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsObjectDetection
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	'MeanAveragePrecision'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageModelSettingsObjectDetection

Nama	Deskripsi	Nilai
advancedSettings	Pengaturan untuk skenario tingkat lanjut.	string
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	bool
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
boxScoreThreshold	Selama inferensi, hanya kembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam rentang[0, 1].	int
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.	int
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	MLFlowModelJobInput
checkpointRunId	Id dari eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	string
Didistribusikan	Apakah akan menggunakan pelatihan terdistribusi.	bool
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	bool
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	int
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	int
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	bool
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	int
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	int
imageSize	Ukuran gambar untuk latihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	int
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	int
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	'Tidak Ada' 'Langkah' 'WarmupCosine'
maxSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
modelName	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukuran modelnya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	'Ekstralarge' 'Besar' 'Sedang' 'Tidak Ada' 'Kecil'
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	int
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang cukup. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	bool
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	bool
nmsIouThreshold	Ambang IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus berupa float dalam rentang [0, 1].	int
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	int
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	int
optimizer	Jenis pengoptimal.	'Adam' 'Adamw' 'Tidak Ada' 'Sgd'
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	int
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	int
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	int
tileGridSize	Ukuran kisi yang akan digunakan untuk pemetakan setiap gambar. Catatan: TileGridSize tidak boleh Tidak ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tileOverlapRatio	Tumpang tindih rasio antara petak yang berdekatan di tiap dimensi. Harus mengapung dalam rentang [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
tilePredictionsNmsThreshold	Ambang IOU untuk digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/ inferensi. Harus mengapung dalam rentang [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	int
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	int
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam rentang [0, 1].	int
validationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi.	'Coco' 'CocoVoc' 'Tidak Ada' 'Voc'
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	int
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	int
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	int

ImageModelDistributionSettingsObjectDetection

Nama	Deskripsi	Nilai
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	string
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
boxScoreThreshold	Selama inferensi, hanya kembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam rentang[0, 1].	string
Didistribusikan	Apakah akan menggunakan pelatihan distribusi.	string
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	string
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	string
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	string
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	string
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	string
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	string
imageSize	Ukuran gambar untuk latihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	string
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	string
maxSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukuran modelnya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	string
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang cukup. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	string
nmsIouThreshold	Ambang IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus mengapung dalam rentang [0, 1].	string
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	string
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	string
optimizer	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.	string
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	string
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	string
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	string
tileGridSize	Ukuran kisi yang akan digunakan untuk pemetakan setiap gambar. Catatan: TileGridSize tidak boleh Tidak ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tileOverlapRatio	Tumpang tindih rasio antara petak yang berdekatan di tiap dimensi. Harus mengapung dalam rentang [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tilePredictionsNmsThreshold	Ambang IOU untuk digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/ inferensi. Harus mengapung dalam rentang [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'. NMS: Penekanan non-maksimum	string
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	string
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	string
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam rentang [0, 1].	string
validationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi. Harus 'none', 'coco', 'voc', atau 'coco_voc'.	string
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	string
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	string
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	string

ImageObjectDetection

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'ImageObjectDetection' (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsObjectDetection
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	'MeanAveragePrecision'
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

Regresi

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'Regresi' (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
primaryMetric	Metrik utama untuk tugas regresi.	'NormalizedMeanAbsoluteError' 'NormalizedRootMeanSquaredError' 'R2Score' 'SpearmanCorrelation'
testData	Uji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	RegresiTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

RegresiTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas regresi.	Array string yang berisi salah satu dari: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
blockedTrainingAlgorithms	Model yang diblokir untuk tugas regresi.	Array string yang berisi salah satu dari: 'DecisionTree' 'ElasticNet' 'ExtremeRandomTrees' 'GradientBoosting' 'KNN' 'LassoLars' 'LightGBM' 'RandomForest' 'SGD' 'XGBoostRegressor'
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Benderai untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

TextClassification

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'TextClassification' (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Metrik utama untuk tugas Text-Classification.	'AUCWeighted' 'Akurasi' 'AveragePrecisionScoreWeighted' 'NormMacroRecall' 'PrecisionScoreWeighted'
validationData	Input data validasi.	MLTableJobInput

NlpVerticalFeaturizationSettings

Nama	Deskripsi	Nilai
datasetLanguage	Bahasa himpunan data, berguna untuk data teks.	string

NlpVerticalLimitSettings

Nama	Deskripsi	Nilai
maxConcurrentTrials	Perulangan AutoML Bersamaan Maksimum.	int
maxTrials	Jumlah iterasi AutoML.	int
waktu habis	Batas waktu pekerjaan AutoML.	string

TextClassificationMultilabel

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'TextClassificationMultilabel' (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
validationData	Input data validasi.	MLTableJobInput

Penenang Teks

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	'TextNER' (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
validationData	Input data validasi.	MLTableJobInput

CommandJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'Perintah' (diperlukan)
codeId	ID sumber daya ARM dari aset kode.	string
perintah	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. misalnya. "python train.py"	string (diperlukan) Batasan: Panjang min = 1 Pola = [a-zA-Z0-9_]
distribusi	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus menjadi salah satu dari Mpi, Tensorflow, PyTorch, atau null.	DistributionConfiguration
environmentId	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	CommandJobEnvironmentVariables
input	Pemetaan pengikatan data input yang digunakan dalam pekerjaan.	CommandJobInputs
batas	Batas Pekerjaan Perintah.	CommandJobLimits
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	CommandJobOutputs
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration

DistributionConfiguration

Nama	Deskripsi	Nilai
distributionType	Mengatur jenis objek	Mpi PyTorch TensorFlow (diperlukan)

Mpi

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	'Mpi' (diperlukan)
processCountPerInstance	Jumlah proses per simpul MPI.	int

PyTorch

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	'PyTorch' (diperlukan)
processCountPerInstance	Jumlah proses per simpul.	int

TensorFlow

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	'TensorFlow' (diperlukan)
parameterServerCount	Jumlah tugas server parameter.	int
workerCount	Jumlah pekerja. Jika tidak ditentukan, akan default ke jumlah instans.	int

CommandJobEnvironmentVariables

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string

CommandJobInputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobInput

JobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	Mengatur jenis objek	custom_model harfiah mlflow_model mltable triton_model uri_file uri_folder (diperlukan)

CustomModelJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'custom_model' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

LiteralJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'literal' (diperlukan)
nilai	[Diperlukan] Nilai harfiah untuk input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

TritonModelJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'triton_model' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

UriFileJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_file' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] URI Aset Input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

UriFolderJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	'uri_folder' (diperlukan)
mode	Mode Pengiriman Aset Input.	'Langsung' 'Unduh' 'EvalDownload' 'EvalMount' 'ReadOnlyMount' 'ReadWriteMount'
uri	[Diperlukan] URI Aset Input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

CommandJobLimits

Nama	Deskripsi	Nilai
jobLimitsType	[Diperlukan] Jenis JobLimit.	'Perintah' 'Sapu' (diperlukan)
waktu habis	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.	string

CommandJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

PipelineJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'Alur' (diperlukan)
input	Input untuk pekerjaan alur.	PipelineJobInputs
jobs	Pekerjaan membangun Pekerjaan Alur.	PipelineJobJobs
output	Output untuk pekerjaan alur	PipelineJobOutputs
pengaturan	Pengaturan alur, untuk hal-hal seperti ContinueRunOnStepFailure dll.
sourceJobId	ID sumber daya ARM dari pekerjaan sumber.	string

PipelineJobInputs

Nama	Deskripsi	Nilai
{customized property}		JobInput

PipelineJobJobs

Nama	Deskripsi	Nilai
{customized property}

PipelineJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

SweepJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	'Sapu' (diperlukan)
earlyTermination	Kebijakan penghentian dini memungkinkan pembatalan eksekusi berkinerja buruk sebelum selesai	EarlyTerminationPolicy
input	Pemetaan pengikatan data input yang digunakan dalam pekerjaan.	SweepJobInputs
batas	Batas Sweep Job.	SweepJobLimits
Tujuan	[Diperlukan] Tujuan pengoptimalan.	Tujuan (diperlukan)
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	SweepJobOutputs
samplingAlgorithm	[Diperlukan] Algoritma pengambilan sampel hiperparameter	SamplingAlgorithm (diperlukan)
searchSpace	[Diperlukan] Kamus yang berisi setiap parameter dan distribusinya. Kunci kamus adalah nama parameter
Percobaan	[Diperlukan] Definisi komponen uji coba.	TrialComponent (diperlukan)

SweepJobInputs

Nama	Deskripsi	Nilai
{customized property}		JobInput

SweepJobLimits

Nama	Deskripsi	Nilai
jobLimitsType	[Diperlukan] Jenis JobLimit.	'Perintah' 'Sapu' (diperlukan)
maxConcurrentTrials	Menyapu uji coba serentak maksimum Pekerjaan.	int
maxTotalTrials	Menyapu uji coba total maksimum Pekerjaan.	int
waktu habis	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.	string
trialTimeout	Nilai batas waktu Uji Coba Pekerjaan Sweep.	string

Tujuan

Nama	Deskripsi	Nilai
tujuan	[Diperlukan] Menentukan tujuan metrik yang didukung untuk penyetelan hiperparameter	'Maksimalkan' 'Minimalkan' (diperlukan)
primaryMetric	[Diperlukan] Nama metrik yang akan dioptimalkan.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

SweepJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

SamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	Mengatur jenis objek	Bahasa Bayes Kisi Acak (diperlukan)

BayesianSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	'Bayesian' (diperlukan)

GridSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	'Kisi' (diperlukan)

RandomSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	'Acak' (diperlukan)
rule	Jenis algoritma acak tertentu	'Acak' 'Sobol'
Nilai awal	Bilangan bulat opsional untuk digunakan sebagai nilai awal untuk pembuatan angka acak	int

TrialComponent

Nama	Deskripsi	Nilai
codeId	ID sumber daya ARM dari aset kode.	string
perintah	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. misalnya. "python train.py"	string (diperlukan) Batasan: Panjang min = 1 Pola = [a-zA-Z0-9_]
distribusi	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null.	DistributionConfiguration
environmentId	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	TrialComponentEnvironmentVariables
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nama	Deskripsi	Nilai
{customized property}		string

Templat Mulai Cepat

Templat mulai cepat berikut menyebarkan jenis sumber daya ini.

Templat	Deskripsi
Membuat pekerjaan klasifikasi Azure Machine Learning AutoML	Templat ini membuat pekerjaan klasifikasi Azure Machine Learning AutoML untuk mengetahui model terbaik untuk memprediksi apakah klien akan berlangganan deposito berjangka tetap dengan lembaga keuangan.
Membuat pekerjaan Perintah Azure Machine Learning	Templat ini membuat pekerjaan Perintah Azure Machine Learning dengan skrip hello_world dasar
Membuat pekerjaan Sapuan Azure Machine Learning	Templat ini membuat pekerjaan Sapuan Azure Machine Learning untuk penyetelan hyperparameter.

Definisi sumber daya Terraform (penyedia AzAPI)

Jenis sumber daya ruang kerja/pekerjaan dapat disebarkan dengan operasi yang menargetkan:

• Grup sumber daya

Untuk daftar properti yang diubah di setiap versi API, lihat log perubahan.

Format sumber daya

Untuk membuat sumber daya Microsoft.MachineLearningServices/workspaces/jobs, tambahkan Terraform berikut ke templat Anda.

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

Objek JobBaseProperties

Atur properti jobType untuk menentukan jenis objek.

Untuk AutoML, gunakan:

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

Untuk Command, gunakan:

  jobType = "Command"
  codeId = "string"
  command = "string"
  distribution = {
    distributionType = "string"
    // For remaining properties, see DistributionConfiguration objects
  }
  environmentId = "string"
  environmentVariables = {
    {customized property} = "string"
  }
  inputs = {
    {customized property} = {
      description = "string"
      jobInputType = "string"
      // For remaining properties, see JobInput objects
    }
  }
  limits = {
    jobLimitsType = "string"
    timeout = "string"
  }
  outputs = {
    {customized property} = {
      description = "string"
      jobOutputType = "string"
      // For remaining properties, see JobOutput objects
    }
  }
  resources = {
    dockerArgs = "string"
    instanceCount = int
    instanceType = "string"
    properties = {}
    shmSize = "string"
  }

Untuk Alur, gunakan:

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

Untuk Sapuan, gunakan:

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

Objek IdentityConfiguration

Atur properti identityType untuk menentukan jenis objek.

Untuk AMLToken, gunakan:

  identityType = "AMLToken"

Untuk Dikelola, gunakan:

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

Untuk UserIdentity, gunakan:

  identityType = "UserIdentity"

Objek JobOutput

Atur properti jobOutputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

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

Objek AutoMLVertical

Atur properti taskType untuk menentukan jenis objek.

Untuk Klasifikasi, gunakan:

  taskType = "Classification"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  positiveLabel = "string"
  primaryMetric = "string"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Untuk Prakiraan, gunakan:

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

Untuk ImageClassification, gunakan:

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

Untuk ImageClassificationMultilabel, gunakan:

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

Untuk ImageInstanceSegmentation, gunakan:

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

Untuk ImageObjectDetection, gunakan:

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

Untuk Regresi, gunakan:

  taskType = "Regression"
  cvSplitColumnNames = [
    "string"
  ]
  featurizationSettings = {
    blockedTransformers = [
      "string"
    ]
    columnNameAndTypes = {
      {customized property} = "string"
    }
    datasetLanguage = "string"
    enableDnnFeaturization = bool
    mode = "string"
    transformerParams = {
      {customized property} = [
        {
          fields = [
            "string"
          ]
        }
      ]
    }
  }
  limitSettings = {
    enableEarlyTermination = bool
    exitScore = int
    maxConcurrentTrials = int
    maxCoresPerTrial = int
    maxTrials = int
    timeout = "string"
    trialTimeout = "string"
  }
  nCrossValidations = {
    mode = "string"
    // For remaining properties, see NCrossValidations objects
  }
  primaryMetric = "string"
  testData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  testDataSize = int
  trainingSettings = {
    allowedTrainingAlgorithms = [
      "string"
    ]
    blockedTrainingAlgorithms = [
      "string"
    ]
    enableDnnTraining = bool
    enableModelExplainability = bool
    enableOnnxCompatibleModels = bool
    enableStackEnsemble = bool
    enableVoteEnsemble = bool
    ensembleModelDownloadTimeout = "string"
    stackEnsembleSettings = {
      stackMetaLearnerTrainPercentage = int
      stackMetaLearnerType = "string"
    }
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }
  validationDataSize = int
  weightColumnName = "string"

Untuk TextClassification, gunakan:

  taskType = "TextClassification"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  primaryMetric = "string"
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

Untuk TextClassificationMultilabel, gunakan:

  taskType = "TextClassificationMultilabel"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

Untuk TextNER, gunakan:

  taskType = "TextNER"
  featurizationSettings = {
    datasetLanguage = "string"
  }
  limitSettings = {
    maxConcurrentTrials = int
    maxTrials = int
    timeout = "string"
  }
  validationData = {
    description = "string"
    jobInputType = "string"
    mode = "string"
    uri = "string"
  }

Objek NCrossValidations

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode = "Auto"

Untuk Kustom, gunakan:

  mode = "Custom"
  value = int

Objek ForecastHorizon

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode = "Auto"

Untuk Kustom, gunakan:

  mode = "Custom"
  value = int

Objek musiman

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode = "Auto"

Untuk Kustom, gunakan:

  mode = "Custom"
  value = int

Objek TargetLags

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode = "Auto"

Untuk Kustom, gunakan:

  mode = "Custom"
  values = [
    int
  ]

Objek TargetRollingWindowSize

Atur properti mode untuk menentukan jenis objek.

Untuk Otomatis, gunakan:

  mode = "Auto"

Untuk Kustom, gunakan:

  mode = "Custom"
  value = int

Objek EarlyTerminationPolicy

Atur properti policyType untuk menentukan jenis objek.

Untuk Bandit, gunakan:

  policyType = "Bandit"
  slackAmount = int
  slackFactor = int

Untuk MedianStopping, gunakan:

  policyType = "MedianStopping"

Untuk TruncationSelection, gunakan:

  policyType = "TruncationSelection"
  truncationPercentage = int

Objek DistributionConfiguration

Atur properti distributionType untuk menentukan jenis objek.

Untuk Mpi, gunakan:

  distributionType = "Mpi"
  processCountPerInstance = int

Untuk PyTorch, gunakan:

  distributionType = "PyTorch"
  processCountPerInstance = int

Untuk TensorFlow, gunakan:

  distributionType = "TensorFlow"
  parameterServerCount = int
  workerCount = int

Objek JobInput

Atur properti jobInputType untuk menentukan jenis objek.

Untuk custom_model, gunakan:

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

Untuk harfiah, gunakan:

  jobInputType = "literal"
  value = "string"

Untuk mlflow_model, gunakan:

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

Untuk mltable, gunakan:

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

Untuk triton_model, gunakan:

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

Untuk uri_file, gunakan:

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

Untuk uri_folder, gunakan:

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

Objek SamplingAlgorithm

Atur properti samplingAlgorithmType untuk menentukan jenis objek.

Untuk Bayesian, gunakan:

  samplingAlgorithmType = "Bayesian"

Untuk Grid, gunakan:

  samplingAlgorithmType = "Grid"

Untuk Acak, gunakan:

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

Nilai properti

ruang kerja/pekerjaan

Nama	Deskripsi	Nilai
jenis	Jenis sumber daya	"Microsoft.MachineLearningServices/workspaces/jobs@2022-10-01"
nama	Nama sumber daya	string (diperlukan)
parent_id	ID sumber daya yang merupakan induk untuk sumber daya ini.	ID untuk sumber daya jenis: ruang kerja
properti	[Diperlukan] Atribut tambahan entitas.	JobBaseProperties (diperlukan)

JobBaseProperties

Nama	Deskripsi	Nilai
componentId	ID sumber daya ARM dari sumber daya komponen.	string
computeId	ID sumber daya ARM dari sumber daya komputasi.	string
deskripsi	Teks deskripsi aset.	string
displayName	Nama tampilan pekerjaan.	string
experimentName	Nama eksperimen tempat pekerjaan berada. Jika tidak diatur, pekerjaan ditempatkan dalam eksperimen "Default".	string
identity	Konfigurasi identitas. Jika diatur, ini harus menjadi salah satu AmlToken, ManagedIdentity, UserIdentity, atau null. Default ke AmlToken jika null.	IdentityConfiguration
isArchived	Apakah aset diarsipkan?	bool
properti	Kamus properti aset.	ResourceBaseProperties
services	Daftar JobEndpoints. Untuk pekerjaan lokal, titik akhir pekerjaan akan memiliki nilai titik akhir FileStreamObject.	JobBaseServices
tag	Kamus tag. Tag dapat ditambahkan, dihapus, dan diperbarui.	objek
jobType	Mengatur jenis objek	AutoML Perintah Alur Sapuan (diperlukan)

IdentityConfiguration

Nama	Deskripsi	Nilai
identityType	Mengatur jenis objek	AMLToken Terkelola UserIdentity (diperlukan)

AmlToken

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	"AMLToken" (diperlukan)

ManagedIdentity

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	"Terkelola" (diperlukan)
clientId	Menentukan identitas yang ditetapkan pengguna menurut ID klien. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string Batasan: Panjang min = 36 Panjang maksimum = 36 Pola = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
objectId	Menentukan identitas yang ditetapkan pengguna menurut ID objek. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string Batasan: Panjang min = 36 Panjang maksimum = 36 Pola = ^[0-9a-fA-F]{8}-([0-9a-fA-F]{4}-){3}[0-9a-fA-F]{12}$
resourceId	Menentukan identitas yang ditetapkan pengguna oleh ID sumber daya ARM. Untuk sistem yang ditetapkan, jangan atur bidang ini.	string

UserIdentity

Nama	Deskripsi	Nilai
identityType	[Diperlukan] Menentukan jenis kerangka kerja identitas.	"UserIdentity" (diperlukan)

ResourceBaseProperties

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string
{properti yang disesuaikan}		string

JobBaseServices

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobService

JobService

Nama	Deskripsi	Nilai
titik akhir	Url untuk titik akhir.	string
jobServiceType	Jenis titik akhir.	string
port	Port untuk titik akhir.	int
properti	Properti tambahan untuk diatur pada titik akhir.	JobServiceProperties

JobServiceProperties

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string

AutoMLJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	"AutoML" (diperlukan)
environmentId	ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut. Ini adalah nilai opsional untuk diberikan, jika tidak disediakan, AutoML akan default ini ke versi lingkungan yang dikuratori Production AutoML saat menjalankan pekerjaan.	string
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	AutoMLJobEnvironmentVariables
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	AutoMLJobOutputs
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration
taskDetails	[Diperlukan] Ini mewakili skenario yang dapat berupa salah satu Tabel/NLP/Gambar	AutoMLVertical (diperlukan)

AutoMLJobEnvironmentVariables

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string

AutoMLJobOutputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobOutput

JobOutput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk output.	string
jobOutputType	Mengatur jenis objek	custom_model mlflow_model mltable triton_model uri_file uri_folder (diperlukan)

CustomModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	"custom_model" (diperlukan)
mode	Mode Pengiriman Aset Output.	"ReadWriteMount" "Unggah"
uri	URI Aset Output.	string

MLFlowModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	"mlflow_model" (diperlukan)
mode	Mode Pengiriman Aset Output.	"ReadWriteMount" "Unggah"
uri	URI Aset Output.	string

MLTableJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	"mltable" (diperlukan)
mode	Mode Pengiriman Aset Output.	"ReadWriteMount" "Unggah"
uri	URI Aset Output.	string

TritonModelJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	"triton_model" (diperlukan)
mode	Mode Pengiriman Aset Output.	"ReadWriteMount" "Unggah"
uri	URI Aset Output.	string

UriFileJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	"uri_file" (diperlukan)
mode	Mode Pengiriman Aset Output.	"ReadWriteMount" "Unggah"
uri	URI Aset Output.	string

UriFolderJobOutput

Nama	Deskripsi	Nilai
jobOutputType	[Diperlukan] Menentukan jenis pekerjaan.	"uri_folder" (diperlukan)
mode	Mode Pengiriman Aset Output.	"ReadWriteMount" "Unggah"
uri	URI Aset Output.	string

JobResourceConfiguration

Nama	Deskripsi	Nilai
dockerArgs	Argumen tambahan untuk diteruskan ke perintah eksekusi Docker. Ini akan mengambil alih parameter apa pun yang telah ditetapkan oleh sistem, atau di bagian ini. Parameter ini hanya didukung untuk jenis komputasi Azure ML.	string
instanceCount	Jumlah instans atau simpul opsional yang digunakan oleh target komputasi.	int
instanceType	Jenis VM opsional yang digunakan sebagaimana didukung oleh target komputasi.	string
properti	Tas properti tambahan.	ResourceConfigurationProperties
shmSize	Ukuran blok memori bersama kontainer docker. Ini harus dalam format (number)(unit) di mana angka yang harus lebih besar dari 0 dan unit dapat berupa salah satu dari b(byte), k(kilobyte), m(megabyte), atau g(gigabyte).	string Batasan: Pola = \d+[bBkKmMgG]

ResourceConfigurationProperties

Nama	Deskripsi	Nilai
{properti yang disesuaikan}
{properti yang disesuaikan}

AutoMLVertical

Nama	Deskripsi	Nilai
logVerbosity	Catat verbositas untuk pekerjaan tersebut.	"Kritis" "Debug" "Kesalahan" "Info" "NotSet" "Peringatan"
targetColumnName	Nama kolom target: Ini adalah kolom nilai prediksi. Juga dikenal sebagai nama kolom label dalam konteks tugas klasifikasi.	string
trainingData	[Diperlukan] Input data pelatihan.	MLTableJobInput (diperlukan)
taskType	Mengatur jenis objek	Klasifikasi Prakiraan ImageClassification ImageClassificationMultilabel ImageInstanceSegmentation ImageObjectDetection Regresi TextClassification TextClassificationMultilabel TextNER (diperlukan)

MLTableJobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (diperlukan)
mode	Mode Pengiriman Aset Input.	"Langsung" "Unduh" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
uri	[Diperlukan] URI Aset Input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

Klasifikasi

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"Klasifikasi" (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
positiveLabel	Label positif untuk perhitungan metrik biner.	string
primaryMetric	Metrik utama untuk tugas tersebut.	"AUCWeighted" "Akurasi" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PresisiScoreWeighted"
testData	Menguji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	ClassificationTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

TableVerticalFeaturizationSettings

Nama	Deskripsi	Nilai
blockedTransformers	Transformator ini tidak boleh digunakan dalam fiturisasi.	Array string yang berisi salah satu dari: "CatTargetEncoder" "CountVectorizer" "HashOneHotEncoder" "LabelEncoder" "NaiveBayes" "OneHotEncoder" "TextTargetEncoder" "TfIdf" "WoETargetEncoder" "WordEmbedding"
columnNameAndTypes	Kamus nama kolom dan jenisnya (int, float, string, tanggalwaktu, dll).	TableVerticalFeaturizationSettingsColumnNameAndTypes
himpunan dataLanguage	Bahasa himpunan data, berguna untuk data teks.	string
enableDnnFeaturization	Menentukan apakah akan menggunakan fiturizer berbasis Dnn untuk fiturisasi data.	bool
mode	Mode fiturisasi - Pengguna dapat menyimpan mode 'Otomatis' default dan AutoML akan mengurus transformasi data yang diperlukan dalam fase fiturisasi. Jika 'Nonaktif' dipilih, maka tidak ada fiturisasi yang dilakukan. Jika 'Kustom' dipilih, pengguna dapat menentukan input tambahan untuk menyesuaikan cara fiturisasi dilakukan.	"Otomatis" "Custom" "Nonaktif"
transformerParams	Pengguna dapat menentukan transformator tambahan yang akan digunakan bersama dengan kolom yang akan diterapkan dan parameter untuk konstruktor transformator.	TableVerticalFeaturizationSettingsTransformerParams

TableVerticalFeaturizationSettingsColumnNameAndTypes

Nama	Deskripsi	Nilai
{customized property}		string

TableVerticalFeaturizationSettingsTransformerParams

Nama	Deskripsi	Nilai
{customized property}		ColumnTransformer[]

ColumnTransformer

Nama	Deskripsi	Nilai
fields	Bidang untuk menerapkan logika transformator.	string[]
parameter	Properti yang berbeda untuk diteruskan ke transformator. Input yang diharapkan adalah kamus pasangan kunci, nilai dalam format JSON.

TableVerticalLimitSettings

Nama	Deskripsi	Nilai
enableEarlyTermination	Aktifkan penghentian dini, menentukan apakah AutoMLJob akan berakhir lebih awal atau tidak jika tidak ada peningkatan skor dalam 20 perulangan terakhir.	bool
exitScore	Skor keluar untuk pekerjaan AutoML.	int
maxConcurrentTrials	Perulangan Bersamaan Maksimum.	int
maxCoresPerTrial	Core maks per perulangan.	int
maxTrials	Jumlah perulangan.	int
waktu habis	Batas waktu pekerjaan AutoML.	string
trialTimeout	Batas waktu perulangan.	string

NCrossValidations

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoNCrossValidations

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode untuk menentukan validasi N-Cross.	"Otomatis" (diperlukan)

CustomNCrossValidations

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode untuk menentukan validasi N-Cross.	"Kustom" (diperlukan)
nilai	[Diperlukan] Nilai validasi N-Cross.	int (diperlukan)

ClassificationTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas klasifikasi.	Array string yang berisi salah satu dari: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
blockedTrainingAlgorithms	Model yang diblokir untuk tugas klasifikasi.	Array string yang berisi salah satu dari: "BernoulliNaiveBayes" "DecisionTree" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LightGBM" "LinearSVM" "LogisticRegression" "MultinomialNaiveBayes" "RandomForest" "SGD" "SVM" "XGBoostClassifier"
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang cocok dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

StackEnsembleSettings

Nama	Deskripsi	Nilai
stackMetaLearnerKWargs	Parameter opsional untuk diteruskan ke penginisialisasi meta-learner.
stackMetaLearnerTrainPercentage	Menentukan proporsi set pelatihan (saat memilih pelatihan dan jenis validasi pelatihan) yang akan dicadangkan untuk melatih meta-learner. Nilai defaultnya adalah 0,2.	int
stackMetaLearnerType	Meta-learner adalah model yang dilatih pada output model heterogen individu.	"ElasticNet" "ElasticNetCV" "LightGBMClassifier" "LightGBMRegressor" "LinearRegression" "LogisticRegression" "LogisticRegressionCV" "Tidak Ada"

Prakiraan

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"Prakiraan" (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
forecastingSettings	Memperkirakan input khusus tugas.	ForecastingSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
primaryMetric	Metrik utama untuk tugas prakiraan.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
testData	Menguji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	ForecastingTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

ForecastingSettings

Nama	Deskripsi	Nilai
countryOrRegionForHolidays	Negara atau wilayah untuk liburan untuk tugas prakiraan. Fitur ini harus ISO 3166 dua huruf kode negara/wilayah, misalnya 'AS' atau 'GB'.	string
cvStepSize	Jumlah titik antara waktu asal satu lipatan CV dan lipatan berikutnya. Untuk contoh, jika CVStepSize = 3 untuk data harian, waktu asal untuk setiap lipatan akan 3 hari terpisah.	int
featureLags	Bendera untuk menghasilkan lag untuk fitur numerik dengan 'otomatis' atau null.	"Otomatis" "Tidak Ada"
forecastHorizon	Horizon prakiraan maksimum yang diinginkan dalam satuan frekuensi rangkaian waktu.	ForecastHorizon
frekuensi	Saat melakukan prakiraan, parameter ini mewakili periode pada suatu prakiraan, misalnya harian, mingguan, tahunan, dll. Frekuensi prakiraan adalah frekuensi himpunan data secara default.	string
Musiman	Atur musim rangkaian waktu sebagai kelipatan bilangan bulat dari frekuensi seri. Jika musim diatur ke 'otomatis', musim akan disimpulkan.	Musiman
shortSeriesHandlingConfig	Parameter yang menentukan cara jika AutoML harus menangani rangkaian waktu yang singkat.	"Otomatis" "Hilangkan" "Tidak Ada" "Pad"
targetAggregateFunction	Fungsi yang akan digunakan untuk mengagregasi kolom target rangkaian waktu agar sesuai dengan frekuensi yang ditentukan pengguna. Jika TargetAggregateFunction diatur yaitu bukan 'Tidak Ada', tetapi parameter freq tidak diatur, kesalahan akan muncul. Fungsi agregasi target yang memungkinkan adalah: "sum", "max", "min" dan "mean".	"Maks" "Rata-rata" "Min" "Tidak Ada" "Jumlah"
targetLags	Jumlah periode sebelumnya yang lag dari kolom target.	TargetLags
targetRollingWindowSize	Jumlah periode sebelumnya yang digunakan untuk membuat rata-rata jendela bergulir dari kolom target.	TargetRollingWindowSize
timeColumnName	Nama kolom waktu. Parameter ini diperlukan saat melakukan prakiraan untuk menentukan kolom tanggalwaktu dalam data input yang digunakan untuk membangun rangkaian waktu serta menyimpulkan frekuensinya.	string
timeSeriesIdColumnNames	Nama kolom yang digunakan untuk mengelompokkan rangkaian waktu. Nama tersebut dapat digunakan untuk membuat beberapa rangkaian waktu. Jika grain tidak ditetapkan, himpunan data akan diasumsikan dalam satu rangkaian waktu. Parameter ini digunakan dalam prakiraan jenis tugas.	string[]
useStl	Konfigurasikan Dekomposisi STL dari kolom target rangkaian waktu.	"Tidak Ada" "Musim" "SeasonTrend"

ForecastHorizon

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoForecastHorizon

Nama	Deskripsi	Nilai
mode	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.	"Otomatis" (diperlukan)

CustomForecastHorizon

Nama	Deskripsi	Nilai
mode	[Diperlukan] Atur mode pemilihan nilai horizon prakiraan.	"Kustom" (diperlukan)
nilai	[Diperlukan] Prakiraan nilai horizon.	int (diperlukan)

Musiman

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoSeasonality

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode musiman.	"Otomatis" (diperlukan)

CustomSeasonality

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode musiman.	"Kustom" (diperlukan)
nilai	[Diperlukan] Nilai musiman.	int (diperlukan)

TargetLags

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoTargetLags

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom	"Otomatis" (diperlukan)

CustomTargetLags

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mengatur mode jeda target - Otomatis/Kustom	"Kustom" (diperlukan)
values	[Diperlukan] Atur nilai lag target.	int[] (diperlukan)

TargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	Mengatur jenis objek	Auto Kustom (diperlukan)

AutoTargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode deteksi TargetRollingWindowSiz.	"Otomatis" (diperlukan)

CustomTargetRollingWindowSize

Nama	Deskripsi	Nilai
mode	[Diperlukan] Mode deteksi TargetRollingWindowSiz.	"Kustom" (diperlukan)
nilai	[Diperlukan] Nilai TargetRollingWindowSize.	int (diperlukan)

ForecastingTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas prakiraan.	Array string yang berisi salah satu dari: "Arimax" "AutoArima" "Rata-rata" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Nabi" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
blockedTrainingAlgorithms	Model yang diblokir untuk tugas prakiraan.	Array string yang berisi salah satu dari: "Arimax" "AutoArima" "Rata-rata" "DecisionTree" "ElasticNet" "ExponentialSmoothing" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "Naive" "Nabi" "RandomForest" "SGD" "SeasonalAverage" "SeasonalNaive" "TCNForecaster" "XGBoostRegressor"
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Bendera untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang cocok dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

ImageClassification

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"ImageClassification" (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsClassification
primaryMetric	Metrik utama untuk mengoptimalkan tugas ini.	"AUCWeighted" "Akurasi" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PresisiScoreWeighted"
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsClassification[]
sweepSettings	Pengaturan terkait sapuan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageLimitSettings

Nama	Deskripsi	Nilai
maxConcurrentTrials	Jumlah maksimum iterasi AutoML bersamaan.	int
maxTrials	Jumlah maksimum iterasi AutoML.	int
waktu habis	Batas waktu pekerjaan AutoML.	string

ImageModelSettingsClassification

Nama	Deskripsi	Nilai
advancedSettings	Pengaturan untuk skenario tingkat lanjut.	string
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	bool
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.	int
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	MLFlowModelJobInput
checkpointRunId	Id dari eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	string
Didistribusikan	Apakah akan menggunakan pelatihan terdistribusi.	bool
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	bool
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	int
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	int
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	bool
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	int
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	int
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	int
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	"Tidak Ada" "Langkah" "WarmupCosine"
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	int
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	bool
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	int
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	int
optimizer	Jenis pengoptimal.	"Adam" "Adamw" "Tidak Ada" "Sgd"
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	int
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	int
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	int
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	int
trainingCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.	int
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	int
validationCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	int
validationResizeSize	Ukuran gambar yang akan diubah ukurannya sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	int
warmupCosineLRCycles	Nilai siklus kosinus ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	int
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	int
weightDecay	Nilai pembusukan berat ketika pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	int
weightedLoss	Penurunan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada penurunan tertimbang. 1 untuk penurunan tertimbang dengan sqrt. (class_weights). 2 untuk kehilangan tertimbang dengan class_weights. Harus 0 atau 1 atau 2.	int

MLFlowModelJobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"custom_model" "literal" "mlflow_model" "mltable" "triton_model" "uri_file" "uri_folder" (diperlukan)
mode	Mode Pengiriman Aset Input.	"Langsung" "Unduh" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
uri	[Diperlukan] URI Aset Input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

ImageModelDistributionSettingsClassification

Nama	Deskripsi	Nilai
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	string
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
Didistribusikan	Apakah akan menggunakan pelatihan distribusi.	string
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	string
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	string
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	string
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	string
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	string
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	string
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	string
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	string
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	string
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	string
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	string
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	string
optimizer	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.	string
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	string
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	string
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	string
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	string
trainingCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data pelatihan. Harus berupa nilai bilangan bulat positif.	string
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	string
validationCropSize	Ukuran pemangkasan gambar yang dimasukkan ke jaringan neural untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	string
validationResizeSize	Ukuran gambar yang akan diubah ukurannya sebelum pemotongan untuk himpunan data validasi. Harus berupa nilai bilangan bulat positif.	string
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	string
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	string
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	string
weightedLoss	Kehilangan tertimbang. Nilai yang diterima adalah 0 untuk tidak ada kehilangan tertimbang. 1 untuk kehilangan tertimbang dengan sqrt. (class_weights). 2 untuk kehilangan tertimbang dengan class_weights. Harus 0 atau 1 atau 2.	string

ImageSweepSettings

Nama	Deskripsi	Nilai
earlyTermination	Jenis kebijakan penghentian dini.	EarlyTerminationPolicy
samplingAlgorithm	[Diperlukan] Jenis algoritma pengambilan sampel hiperparameter.	"Bayesian" "Kisi" "Acak" (diperlukan)

EarlyTerminationPolicy

Nama	Deskripsi	Nilai
delayEvaluation	Jumlah interval untuk menunda evaluasi pertama.	int
evaluationInterval	Interval (jumlah eksekusi) antar evaluasi kebijakan.	int
policyType	Mengatur jenis objek	Bandit MedianStopping TruncationSelection (diperlukan)

BanditPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	"Bandit" (diperlukan)
slackAmount	Jarak absolut yang diizinkan dari eksekusi berkinerja terbaik.	int
slackFactor	Rasio jarak yang diizinkan dari eksekusi berkinerja terbaik.	int

MedianStoppingPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	"MedianStopping" (diperlukan)

TruncationSelectionPolicy

Nama	Deskripsi	Nilai
policyType	[Diperlukan] Nama konfigurasi kebijakan	"TruncationSelection" (diperlukan)
truncationPercentage	Persentase eksekusi untuk membatalkan setiap interval evaluasi.	int

ImageClassificationMultilabel

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"ImageClassificationMultilabel" (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsClassification
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	"AUCWeighted" "Akurasi" "AveragePrecisionScoreWeighted" "IOU" "NormMacroRecall" "PrecisionScoreWeighted"
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsClassification[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageInstanceSegmentation

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"ImageInstanceSegmentation" (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsObjectDetection
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	"MeanAveragePrecision"
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

ImageModelSettingsObjectDetection

Nama	Deskripsi	Nilai
advancedSettings	Pengaturan untuk skenario tingkat lanjut.	string
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	bool
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	int
boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
boxScoreThreshold	Selama inferensi, hanya kembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam rentang[0, 1].	int
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.	int
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	MLFlowModelJobInput
checkpointRunId	Id dari eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.	string
Didistribusikan	Apakah akan menggunakan pelatihan terdistribusi.	bool
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	bool
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	int
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	int
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	bool
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	int
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	int
imageSize	Ukuran gambar untuk latihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	int
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	int
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	int
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	"Tidak Ada" "Langkah" "WarmupCosine"
maxSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
modelName	Nama model yang digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukuran modelnya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	"ExtraLarge" "Besar" "Sedang" "Tidak Ada" "Kecil"
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	int
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang cukup. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	bool
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	bool
nmsIouThreshold	Ambang IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus berupa float dalam rentang [0, 1].	int
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	int
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	int
optimizer	Jenis pengoptimal.	"Adam" "Adamw" "Tidak Ada" "Sgd"
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	int
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	int
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	int
tileGridSize	Ukuran kisi yang akan digunakan untuk pemetakan setiap gambar. Catatan: TileGridSize tidak boleh Tidak ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tileOverlapRatio	Tumpang tindih rasio antara petak yang berdekatan di tiap dimensi. Harus mengapung dalam rentang [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
tilePredictionsNmsThreshold	Ambang IOU untuk digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/ inferensi. Harus mengapung dalam rentang [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	int
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	int
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	int
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam rentang [0, 1].	int
validationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi.	"Coco" "CocoVoc" "Tidak Ada" "Voc"
warmupCosineLRCycles	Nilai siklus kosinus ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	int
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	int
weightDecay	Nilai pembusukan berat ketika pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	int

ImageModelDistributionSettingsObjectDetection

Nama	Deskripsi	Nilai
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.	string
augmentasi	Pengaturan untuk menggunakan Augmentasi.	string
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].	string
boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
boxScoreThreshold	Selama inferensi, hanya mengembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam rentang[0, 1].	string
Didistribusikan	Apakah akan menggunakan pelatihan distribusi.	string
earlyStopping	Aktifkan logika berhenti awal selama pelatihan.	string
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.	string
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelumnya eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.	string
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.	string
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.	string
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengakumulasi gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan berat. Harus berupa nilai bilangan bulat positif.	string
imageSize	Ukuran gambar untuk latihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan Melihat: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].	string
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.	string
maxSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum diberikan ke backbone. Harus berupa nilai bilangan bulat positif. Catatan: eksekusi pelatihan bisa masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
modelName	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, kunjungi dokumentasi resmi: https://docs.microsoft.com/azure/machine-learning/how-to-auto-train-image-models.	string
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika ukuran modelnya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
Momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].	string
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: eksekusi pelatihan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang cukup. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.	string
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.	string
nmsIouThreshold	Ambang IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus mengapung dalam rentang [0, 1].	string
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.	string
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.	string
optimizer	Jenis pengoptimal. Harus berupa 'sgd', 'adam', atau 'adamw'.	string
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.	string
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].	string
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.	string
tileGridSize	Ukuran kisi yang akan digunakan untuk pemetakan setiap gambar. Catatan: TileGridSize tidak boleh Tidak ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tileOverlapRatio	Tumpang tindih rasio antara petak yang berdekatan di tiap dimensi. Harus mengapung dalam rentang [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.	string
tilePredictionsNmsThreshold	Ambang IOU untuk digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/ inferensi. Harus mengapung dalam rentang [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'. NMS: Penekanan non-maksimum	string
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.	string
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.	string
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam rentang [0, 1].	string
validationMetricType	Metode komputasi metrik untuk digunakan untuk metrik validasi. Harus 'none', 'coco', 'voc', atau 'coco_voc'.	string
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].	string
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.	string
weightDecay	Nilai pembuangan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam rentang[0, 1].	string

ImageObjectDetection

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"ImageObjectDetection" (diperlukan)
limitSettings	[Diperlukan] Batasi pengaturan untuk pekerjaan AutoML.	ImageLimitSettings (diperlukan)
modelSettings	Pengaturan yang digunakan untuk melatih model.	ImageModelSettingsObjectDetection
primaryMetric	Metrik utama untuk dioptimalkan untuk tugas ini.	"MeanAveragePrecision"
searchSpace	Cari ruang untuk mengambil sampel kombinasi model yang berbeda dan hiperparameternya.	ImageModelDistributionSettingsObjectDetection[]
sweepSettings	Pengaturan terkait pembersihan model dan hyperparameter.	ImageSweepSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int

Regresi

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"Regresi" (diperlukan)
cvSplitColumnNames	Kolom yang digunakan untuk data CVSplit.	string[]
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	TableVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	TableVerticalLimitSettings
nCrossValidations	Jumlah lipatan validasi silang yang akan diterapkan pada himpunan data pelatihan saat himpunan data validasi tidak disediakan.	NCrossValidations
primaryMetric	Metrik utama untuk tugas regresi.	"NormalizedMeanAbsoluteError" "NormalizedRootMeanSquaredError" "R2Score" "SpearmanCorrelation"
testData	Uji input data.	MLTableJobInput
testDataSize	Pecahan himpunan data pengujian yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
trainingSettings	Input untuk fase pelatihan untuk Pekerjaan AutoML.	RegresiTrainingSettings
validationData	Input data validasi.	MLTableJobInput
validationDataSize	Pecahan himpunan data pelatihan yang perlu disisihkan untuk tujuan validasi. Nilai antara (0,0 , 1,0) Diterapkan saat himpunan data validasi tidak disediakan.	int
weightColumnName	Nama kolom bobot sampel. ML otomatis mendukung kolom yang diberatkan sebagai input, menyebabkan baris dalam data dinaikkan atau diturunkan.	string

RegresiTrainingSettings

Nama	Deskripsi	Nilai
allowedTrainingAlgorithms	Model yang diizinkan untuk tugas regresi.	Array string yang berisi salah satu dari: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
blockedTrainingAlgorithms	Model yang diblokir untuk tugas regresi.	Array string yang berisi salah satu dari: "DecisionTree" "ElasticNet" "ExtremeRandomTrees" "GradientBoosting" "KNN" "LassoLars" "LightGBM" "RandomForest" "SGD" "XGBoostRegressor"
enableDnnTraining	Aktifkan rekomendasi model DNN.	bool
enableModelExplainability	Benderai untuk mengaktifkan kemampuan penjelasan pada model terbaik.	bool
enableOnnxCompatibleModels	Bendera untuk mengaktifkan model yang kompatibel dengan onnx.	bool
enableStackEnsemble	Aktifkan eksekusi ansambel tumpukan.	bool
enableVoteEnsemble	Aktifkan eksekusi ansambel pemungutan suara.	bool
ensembleModelDownloadTimeout	Selama pembuatan model VotingEnsemble dan StackEnsemble, beberapa model yang dipasang dari eksekusi anak sebelumnya diunduh. Konfigurasikan parameter ini dengan nilai lebih tinggi dari 300 detik, jika diperlukan lebih banyak waktu.	string
stackEnsembleSettings	Pengaturan ansambel tumpukan untuk eksekusi ansambel tumpukan.	StackEnsembleSettings

TextClassification

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"TextClassification" (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
primaryMetric	Metrik utama untuk tugas Text-Classification.	"AUCWeighted" "Akurasi" "AveragePrecisionScoreWeighted" "NormMacroRecall" "PrecisionScoreWeighted"
validationData	Input data validasi.	MLTableJobInput

NlpVerticalFeaturizationSettings

Nama	Deskripsi	Nilai
datasetLanguage	Bahasa himpunan data, berguna untuk data teks.	string

NlpVerticalLimitSettings

Nama	Deskripsi	Nilai
maxConcurrentTrials	Perulangan AutoML Bersamaan Maksimum.	int
maxTrials	Jumlah iterasi AutoML.	int
waktu habis	Batas waktu pekerjaan AutoML.	string

TextClassificationMultilabel

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"TextClassificationMultilabel" (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
validationData	Input data validasi.	MLTableJobInput

TextNer

Nama	Deskripsi	Nilai
taskType	[Diperlukan] Jenis tugas untuk AutoMLJob.	"TextNER" (diperlukan)
featurizationSettings	Input fiturisasi diperlukan untuk pekerjaan AutoML.	NlpVerticalFeaturizationSettings
limitSettings	Batasan eksekusi untuk AutoMLJob.	NlpVerticalLimitSettings
validationData	Input data validasi.	MLTableJobInput

CommandJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	"Perintah" (diperlukan)
codeId	ID sumber daya ARM dari aset kode.	string
perintah	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. misalnya. "python train.py"	string (diperlukan) Batasan: Panjang min = 1 Pola = [a-zA-Z0-9_]
distribusi	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus salah satu dari Mpi, Tensorflow, PyTorch, atau null.	DistributionConfiguration
environmentId	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	CommandJobEnvironmentVariables
input	Pemetaan pengikatan data input yang digunakan dalam pekerjaan.	CommandJobInputs
batas	Batas Pekerjaan Perintah.	CommandJobLimits
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	CommandJobOutputs
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration

DistributionConfiguration

Nama	Deskripsi	Nilai
distributionType	Mengatur jenis objek	Mpi PyTorch TensorFlow (diperlukan)

Mpi

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	"Mpi" (diperlukan)
processCountPerInstance	Jumlah proses per simpul MPI.	int

PyTorch

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	"PyTorch" (diperlukan)
processCountPerInstance	Jumlah proses per simpul.	int

TensorFlow

Nama	Deskripsi	Nilai
distributionType	[Diperlukan] Menentukan jenis kerangka kerja distribusi.	"TensorFlow" (diperlukan)
parameterServerCount	Jumlah tugas server parameter.	int
workerCount	Jumlah pekerja. Jika tidak ditentukan, akan default ke jumlah instans.	int

CommandJobEnvironmentVariables

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string

CommandJobInputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobInput

JobInput

Nama	Deskripsi	Nilai
deskripsi	Deskripsi untuk input.	string
jobInputType	Mengatur jenis objek	custom_model harfiah mlflow_model mltable triton_model uri_file uri_folder (diperlukan)

CustomModelJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"custom_model" (diperlukan)
mode	Mode Pengiriman Aset Input.	"Langsung" "Unduh" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

LiteralJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"literal" (diperlukan)
nilai	[Diperlukan] Nilai harfiah untuk input.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

TritonModelJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"triton_model" (diperlukan)
mode	Mode Pengiriman Aset Input.	"Langsung" "Unduh" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

UriFileJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"uri_file" (diperlukan)
mode	Mode Pengiriman Aset Input.	"Langsung" "Unduh" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

UriFolderJobInput

Nama	Deskripsi	Nilai
jobInputType	[Diperlukan] Menentukan jenis pekerjaan.	"uri_folder" (diperlukan)
mode	Mode Pengiriman Aset Input.	"Langsung" "Unduh" "EvalDownload" "EvalMount" "ReadOnlyMount" "ReadWriteMount"
uri	[Diperlukan] Masukkan URI Aset.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

CommandJobLimits

Nama	Deskripsi	Nilai
jobLimitsType	[Diperlukan] Jenis JobLimit.	"Perintah" "Sapuan" (diperlukan)
waktu habis	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.	string

CommandJobOutputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobOutput

PipelineJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	"Alur" (diperlukan)
input	Input untuk pekerjaan alur.	PipelineJobInputs
jobs	Pekerjaan membangun Pekerjaan Alur.	PipelineJobJobs
output	Output untuk pekerjaan alur	PipelineJobOutputs
pengaturan	Pengaturan alur, untuk hal-hal seperti ContinueRunOnStepFailure dll.
sourceJobId	ID sumber daya ARM dari pekerjaan sumber.	string

PipelineJobInputs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		JobInput

PipelineJobJobs

Nama	Deskripsi	Nilai
{properti yang disesuaikan}

PipelineJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

SweepJob

Nama	Deskripsi	Nilai
jobType	[Diperlukan] Menentukan jenis pekerjaan.	"Sapu" (diperlukan)
earlyTermination	Kebijakan penghentian dini memungkinkan pembatalan eksekusi berkinerja buruk sebelum selesai	EarlyTerminationPolicy
input	Pemetaan pengikatan data input yang digunakan dalam pekerjaan.	SweepJobInputs
batas	Batas Sweep Job.	SweepJobLimits
Tujuan	[Diperlukan] Tujuan pengoptimalan.	Tujuan (diperlukan)
output	Pemetaan pengikatan data output yang digunakan dalam pekerjaan.	SweepJobOutputs
samplingAlgorithm	[Diperlukan] Algoritma pengambilan sampel hiperparameter	SamplingAlgorithm (diperlukan)
searchSpace	[Diperlukan] Kamus yang berisi setiap parameter dan distribusinya. Kunci kamus adalah nama parameter
Percobaan	[Diperlukan] Definisi komponen uji coba.	TrialComponent (diperlukan)

SweepJobInputs

Nama	Deskripsi	Nilai
{customized property}		JobInput

SweepJobLimits

Nama	Deskripsi	Nilai
jobLimitsType	[Diperlukan] Jenis JobLimit.	"Perintah" "Sapu" (diperlukan)
maxConcurrentTrials	Menyapu uji coba serentak maksimum Pekerjaan.	int
maxTotalTrials	Menyapu uji coba total maksimum Pekerjaan.	int
waktu habis	Durasi eksekusi maksimum dalam format ISO 8601, setelah itu pekerjaan akan dibatalkan. Hanya mendukung durasi dengan presisi serendah Detik.	string
trialTimeout	Nilai batas waktu Uji Coba Pekerjaan Sweep.	string

Tujuan

Nama	Deskripsi	Nilai
tujuan	[Diperlukan] Menentukan tujuan metrik yang didukung untuk penyetelan hiperparameter	"Maksimalkan" "Minimalkan" (diperlukan)
primaryMetric	[Diperlukan] Nama metrik yang akan dioptimalkan.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]

SweepJobOutputs

Nama	Deskripsi	Nilai
{customized property}		JobOutput

SamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	Mengatur jenis objek	Bahasa Bayes Kisi Acak (diperlukan)

BayesianSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	"Bayesian" (diperlukan)

GridSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	"Kisi" (diperlukan)

RandomSamplingAlgorithm

Nama	Deskripsi	Nilai
samplingAlgorithmType	[Diperlukan] Algoritma yang digunakan untuk menghasilkan nilai hiperparameter, bersama dengan properti konfigurasi	"Acak" (diperlukan)
rule	Jenis algoritma acak tertentu	"Acak" "Sobol"
Nilai awal	Bilangan bulat opsional untuk digunakan sebagai benih untuk pembuatan angka acak	int

TrialComponent

Nama	Deskripsi	Nilai
codeId	ID sumber daya ARM dari aset kode.	string
perintah	[Diperlukan] Perintah untuk dijalankan pada startup pekerjaan. misalnya. "python train.py"	string (diperlukan) Batasan: Panjang min = 1 Pola = [a-zA-Z0-9_]
distribusi	Konfigurasi distribusi pekerjaan. Jika diatur, ini harus menjadi salah satu dari Mpi, Tensorflow, PyTorch, atau null.	DistributionConfiguration
environmentId	[Diperlukan] ID sumber daya ARM dari spesifikasi Lingkungan untuk pekerjaan tersebut.	string (diperlukan) Batasan: Pola = [a-zA-Z0-9_]
environmentVariables	Variabel lingkungan yang disertakan dalam pekerjaan.	TrialComponentEnvironmentVariables
resources	Konfigurasi Sumber Daya Komputasi untuk pekerjaan tersebut.	JobResourceConfiguration

TrialComponentEnvironmentVariables

Nama	Deskripsi	Nilai
{properti yang disesuaikan}		string