Ruang kerja/pekerjaan Microsoft.MachineLearningServices 2022-10-01
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 akan3 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 akan3 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 akan3 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 |
Saran dan Komentar
https://aka.ms/ContentUserFeedback.
Segera hadir: Sepanjang tahun 2024 kami akan menghentikan penggunaan GitHub Issues sebagai mekanisme umpan balik untuk konten dan menggantinya dengan sistem umpan balik baru. Untuk mengetahui informasi selengkapnya, lihat:Kirim dan lihat umpan balik untuk